深圳先進(jìn)院王磊團(tuán)隊(duì)在人體傳感數(shù)據(jù)拓?fù)浞治鲱I(lǐng)域取得系列研究進(jìn)展
深圳先進(jìn)院微創(chuàng)中心王磊研究員團(tuán)隊(duì)針對(duì)人體傳感數(shù)據(jù)小樣本、強(qiáng)干擾及高度個(gè)性化的特點(diǎn),基于計(jì)算拓?fù)鋵W(xué)的理論框架,提出了具有高階、自組織特性描述能力的傳感特征分析方法,并在多種典型人體傳感信號(hào)與應(yīng)用中完成了概念及方法驗(yàn)證。相關(guān)研究成果近期陸續(xù)發(fā)表在IEEE Transactions on Instrumentation & Measurement, IEEE Sensors Journal, IEEE Transactions on Cognitive and Developmental Systems等領(lǐng)域重要期刊上顏延助理研究員為論文的第一/共同第一作者,通訊作者為王磊研究員。在2023年4月20-21日召開(kāi)的香山科學(xué)會(huì)議第744次學(xué)術(shù)討論會(huì) “主動(dòng)健康理論、方法與技術(shù)”上,王磊研究員受邀對(duì)研究成果進(jìn)行了專(zhuān)題報(bào)告。
傳感特征工程是醫(yī)學(xué)人工智能領(lǐng)域的研究熱點(diǎn),如何利用現(xiàn)代人工智能技術(shù)設(shè)計(jì)有效、可靠的特征描述方法,是提升疾病診斷及醫(yī)療設(shè)備技術(shù)水平的重要途徑。通過(guò)計(jì)算拓?fù)鋵W(xué)的相關(guān)理論工具來(lái)實(shí)現(xiàn)多元時(shí)間序列分析,可以有效地表征系統(tǒng)的非線性特性和高階自組織特性。王磊研究員團(tuán)隊(duì)創(chuàng)新地將拓?fù)鋵W(xué)理論工具引入人體傳感器網(wǎng)絡(luò)的數(shù)據(jù)分析中,并在人體運(yùn)動(dòng)、腦電狀態(tài)等不同場(chǎng)景給出了拓?fù)鋵W(xué)的傳感特征工程解決方案:
針對(duì)帕金森病人凍結(jié)步態(tài)事件檢測(cè)能力的不足,團(tuán)隊(duì)在運(yùn)動(dòng)傳感信號(hào)相空間重建特征分析的基礎(chǔ)上,首次提出了一種基于狀態(tài)點(diǎn)云拓?fù)浣Y(jié)構(gòu)描述的傳感特征分析方法,通過(guò)對(duì)重建空間狀態(tài)點(diǎn)云的空間結(jié)構(gòu)拓?fù)浣?,?shí)現(xiàn)了基于運(yùn)動(dòng)傳感信息的步態(tài)變化規(guī)律描述,與相空間分形維數(shù)、李雅普諾夫指數(shù)等參數(shù)相比,拓?fù)浞蔷€性分析的描述方法具有更好的狀態(tài)表征性能。在相關(guān)開(kāi)放評(píng)估數(shù)據(jù)集上的驗(yàn)證結(jié)果表明,基于拓?fù)浞蔷€性特征的運(yùn)動(dòng)傳感特征識(shí)別方法實(shí)現(xiàn)了對(duì)凍結(jié)步態(tài)事件的精準(zhǔn)識(shí)別,與現(xiàn)有方法對(duì)比,AUC、準(zhǔn)確度均取得了優(yōu)異的性能。相關(guān)研究工作 “Topological Descriptors of Gait Nonlinear Dynamics Toward Freezing-of-Gait Episodes Recognition in Parkinson’s Disease”發(fā)表于中科院Top期刊IEEE Sensors Journal(DOI: 10.1109/JSEN.2022.3142750 )。

圖1:研究團(tuán)隊(duì)提出的傳感拓?fù)浞蔷€性特征分析框架和凍結(jié)步態(tài)檢測(cè)方法
團(tuán)隊(duì)進(jìn)一步將拓?fù)浞蔷€性傳感特征分析方法拓展到腦電狀態(tài)的分析應(yīng)用中。情感計(jì)算是人體傳感器網(wǎng)絡(luò)的重要內(nèi)容之一,通過(guò)對(duì)腦電信號(hào)的相空間的拓?fù)涮卣鬟M(jìn)行深入研究,團(tuán)隊(duì)發(fā)現(xiàn)拓?fù)浞蔷€性傳感特征表現(xiàn)出了優(yōu)秀的情緒狀態(tài)辨識(shí)能力,通過(guò)構(gòu)建腦電信號(hào)的子頻帶拓?fù)涮卣魅诤戏治瞿P?,在基?/font>Arousal-Valence情緒模型的開(kāi)放腦電情緒數(shù)據(jù)集DEAP和DREAMER中的驗(yàn)證中表現(xiàn)優(yōu)秀。實(shí)驗(yàn)結(jié)果表明,根據(jù)曲線下面積、準(zhǔn)確度、靈敏度和特異性指標(biāo),該框架顯著優(yōu)于傳統(tǒng)的非線性參數(shù)特征指標(biāo),并且在單通道的腦電驗(yàn)證中也取得了良好的分類(lèi)性能。相關(guān)研究工作“Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition”發(fā)表于IEEE Transactions on Cognitive and Developmental Systems,(DOI: 10.1109/TCDS.2022.3174209)。

圖2:研究團(tuán)隊(duì)提出的腦電多頻帶拓?fù)浞蔷€性特征分析框架和情緒分類(lèi)驗(yàn)證
與此同時(shí),團(tuán)隊(duì)將拓?fù)鋽?shù)據(jù)分析方法拓展到網(wǎng)絡(luò)的拓?fù)涮卣鞣治鲋?,通過(guò)分析基于腦電的動(dòng)態(tài)功能連接網(wǎng)絡(luò)的拓?fù)洳蛔兞繀?shù)與特征,研究不同認(rèn)知任務(wù)中的腦負(fù)荷狀態(tài)差異。研究團(tuán)隊(duì)提出的拓?fù)涔δ苓B接特征分析方法在不同類(lèi)型的認(rèn)知任務(wù)(SIMKAP同步認(rèn)知能力評(píng)估、心算/心算質(zhì)量評(píng)估、帶運(yùn)動(dòng)負(fù)荷的MATB-II認(rèn)知評(píng)估)中進(jìn)行了驗(yàn)證,模型性能的曲線下面積、準(zhǔn)確度、靈敏度和特異性指標(biāo)證實(shí)拓?fù)涔δ苓B接特征分析方法的有效性。相關(guān)研究工作“Topological EEG-Based Functional Connectivity Analysis for Mental Workload State Recognition ”發(fā)表于 “IEEE Transactions on Instrumentation & Measurement”(DOI: 10.1109/TIM.2023.3265114)。

圖3:研究團(tuán)隊(duì)提出的基于腦電功能連接網(wǎng)絡(luò)拓?fù)涮卣鞯哪X負(fù)荷分析方法
上述研究工作得到了國(guó)家主動(dòng)健康重點(diǎn)研發(fā)計(jì)劃項(xiàng)目及課題、國(guó)家自然科學(xué)基金重點(diǎn)支持項(xiàng)目和深圳市重大技術(shù)攻關(guān)項(xiàng)目的資助。
附件下載: