勇于冒险 甘于艰苦 乐于和谐

       2020年9月18日，应我系郭琼玉助理教授邀请，厦门大学刘刚教授来我系进行访问交流，并开展了题为“分子影像探针设计、构建及临床转化研究”的学术报告。 会议现场        刘刚教授团队主要围绕肿瘤精准诊疗关键科学和技术问题，在分子影像探针领域进行深入系统的研究。为了实现肿瘤光热治疗、荧光成像、核磁成像等效果，设计了聚多巴胺修饰的F3O4纳米探针；为了提高载体肿瘤靶向效率，设计了锰片载体的递送系统，提高了肿瘤的靶向效率；刘教授团队设计了系列新型的高灵敏度多模态分子影像探针，提高了细胞/分子成像示踪监测的精确性并进行临床转化。为了进一步提高肿瘤手术切除的精确度，通过超临界混合技术将碘化油与吲哚菁绿均匀混合，提高了吲哚菁绿在碘化油中的稳定性，同时在肿瘤精确切除中起到良好效果。        最后，基于Exosomes具有非常好的载体递送特性，刘教授介绍了应用基因工程及原位组装技术将抗体、多肽等靶向分子构建到Exosomes表面，制备了多功能生物医用载药体系，建立了基于仿生细胞分子定向锚定的肿瘤靶向药物递送系统和诊疗一体化新策略。讲座结束后，同学们就分子影像探针设计、超临界技术等相关问题与刘教授进行了深入的交流探讨。   文字：高雅楠

       2020年9月4日下午，深圳市科技创新委党组书记兼副主任邱宣一行6人到访我系进行调研，深圳市政协副主席、致公党深圳市委会主委、我系兼职教授王大平，校党委书记郭雨蓉，协理副校长、前沿与交叉科学研究院院长、科研部部长、讲席教授赵予生，科研部副部长、电子与电气工程系教授贡毅，生物医学工程系主任、讲席教授蒋兴宇及我系教研序列教授代表参与了调研座谈。 邱宣书记        座谈上赵予生校长和贡毅部长分别介绍了我校重点科研工作进展与科研项目相关工作基本情况。郭雨蓉书记表示，在各级政府部门领导支持下，学校整体发展情况良好，“2020泰晤士高等教育亚洲大学排名”中中国内地有81所高校上榜，南方科技大学位列中国内地高校第8位，亚洲第33位，这令我们备受鼓舞，作为年轻学校我们还要继续努力。南科大作为教育统筹综合改革的试验田，非常感谢深圳市科创委对我们一直以来不遗余力的支持，南科大将继续在人才培养、成果转化、技术创新、深港合作与国际化等方面为深圳经济建设与发展做出应有贡献。        邱宣书记指出，为促进深圳市生物医药产业发展，《深圳市促进生物医药产业集聚发展的指导意见》及《深圳市生物医药产业集聚发展实施方案(2020-2025年)》、《深圳市生物医药产业发展行动计划(2020-2025年)》、《深圳市促进生物医药产业集聚发展的若干措施》四文件同时出台，力度空前。生物和生命健康产业可谓目前最富活力的新兴产业之一，也是全球未来产业竞争的热点领域。深圳的生物医药产业虽然不具有先天优势，体量不大，但是后发优势明显：该产业发展到了新阶段，需要大量的资金，而深圳的资金实力雄厚。高校科技工作应进一步突出重点，与国家战略目标更好衔接，为实现科技强国、教育强国目标，发挥战略支撑作用。        邱宣书记表示，生物医学工程系近期引入了以王大平教授、吴德成讲席教授为代表的多个优秀高端人才科研团队，发展势头强劲。生物医学工程系前瞻布局人工智能、精准医疗等发展热点令人印象深刻，未来可期，大有所为。       邱宣书记对蒋兴宇老师关于在南科大尽快搭建深圳市小动物成像平台的想法表示认可，成像平台的建立是为深圳市的科研，特别是生物医药产业研发这块来进行使用，让每一个小企业来建立类似平台可能很难实现，深圳市政府通过统筹可以集中力量办大事，建设大平台，为企业和其他科研机构服务，这种平台最好是依托像南科大这样的高校成立，成像平台也一定是面向深圳市、广东省甚至全世界公众开放服务使用，资源共享的。         王大平主席提出，南科大应考虑建立一个医疗器械培训中心，用于让一线医生接触到一线先进的研发技术，通过这个培训中心，把最先进最前沿的生物医学技术介绍给医生并实现运用，如此良性循环，南科大将会对深圳市的医疗水平的大幅提高起到很大的帮助。        蒋兴宇系主任会上汇报了我系近年来取得的主要教学科研成就，他强调，特别感谢市科创委 对我校及我系的认可，深圳创造产出也很喜人，蒋兴宇老师本人作为首席科学家拿下了南科大首个国家重点研发计划，我系国家、省市级科研团队和人才项目也有多项入选。在技术应用方面我系也非常重视跟深圳市企业的合作，协助转型，参与高端前沿研究。生物医学工程系将继续整合世界一流的技术，吸引国内国际上一流的人才加入，争取更大的科研突破。        王大平主席表示，深圳在医疗、教育等方面存在需要长期耕耘，要想实现“民生幸福标杆”，要求非常高，发展好南方科技大学生物医学工程系不仅事关民生，更事关深圳的创新后劲和人才储备。我校和我系要找准切入点，比如以服务于深圳市所有的健康产业为出发点，主动对接、主动服务国家重大战略，建设一批国际交流合作平台，提升国际合作交流水平，广泛开展人员培训与交流、技术转移和成果转化。        会议座谈后，邱宣等人参观了我系智能骨科重点实验室。参与此次走访的代表还包括市科技创新委生物科技处处长黎慧来、市科技创新委生物科技处副处长付秀芹、市科技创新委基础研究和平台基地处胡怀江、市科技创新委生物科技处杨明明、市科技创新委生物科技处卢建等。   文字：张艺真

       2020年7月16日，我校副校长、教务长张东晓讲席教授到访我系，在我系324会议室听取了系主任蒋兴宇讲席教授、副系主任奚磊副教授、教授代表陈放怡副教授对我系现状和改革进展做的报告。        会议上，蒋兴宇老师汇报了近期我系的重点工作主要包括本科新专业以及博士点的申请。关于博士点申请，蒋兴宇老师表示，博士点我们从非常早就开始谋划准备，目前我们系所有申请指标全部达标。并且在全国有博士点的高校数量中，生物医学工程专业是比较少的，国务院评议小组也特别希望增加生物医学工程专业博士点数量。总体规划上说，生医工系的博士点希望能得到学校的支持，我们也有信心发展进入国内专业前十。        张校长表示，对于学科点发展申报工作，学校层面一定会给予支持。生医工系在短时间内发展势头喜人，教授队伍非常年轻且有干劲，研究质量产出很高。此外，张校长强调，南科大生医工系的发展一定要有特色，要注重发掘和培养，打造小而精的发展典范。教授们（特别是年轻教授们）在国内和国际科研领域里要注重交流和曝光度，我校生医工的公共经费支持和人才招聘政策在全国范围内是非常有优势的。同时，张校长还鼓励我系年轻教授们多和领域内的项尖人才交流，注重创新发展。强调只有系里的人才发展好了，学院才能发展好，学校才能发展好，才能持续为人才们提供更好的发展平台，从而形成良性循环。   文字：张艺真

       2020年7月3日电子科技大学顾实教授受南方科技大学生物医学工程系刘泉影助理教授邀请，在生物医学工程系生物医学讲堂进行了题为《脑网络控制理论分析》的讲座。本文为该讲座的总结推文。        本讲座中，顾实教授分别从研究动机、拟解决的问题、理论基础、临床应用等角度介绍了其团队在脑网络控制理论方面的多个工作。   1. 研究动机与科学问题        对脑网络的控制的研究，主要有如下三个方面的动机：        研究动机1是脑网络控制能用于认知控制(cognitive control)。认知控制是一个复杂的人类认知神经过程。在认知任务中，它涉及到认知状态的转换。之前的一些研究通过激活地图(activation map)的方法探究大脑哪些区域会牵涉（involve）到认知控制的过程中，但是这样的研究缺乏在神经机制上的解释。网络神经科学(network neuroscience)的发展则从网络的角度寻求解释：牵涉到的大脑hub区域是怎么参与到整个认知调控过程中。        研究动机2是它能用于大脑动态重构(Brain Dynamic Reconfiguration)，即在静态结构的基础上，关注动态结构的转换。Bassett et al. (2013)通过研究在不同的时间窗口内动态脑网络连接结构的调整，发现网络拓扑结构可能是跟认知能力、认知过程等有关。动态重构大脑能揭示哪些脑网络模块化结构(module structure)发生了变化，从网络动力学模型的角度，而不是简单的从数据驱动的角度，对网络随时间的变化进行解释。        研究动机3是脑网络控制能用于神经疾病临床治疗(Clinical Treatment of Neural Disorder)。在治疗精神疾病过程中，可能会采取脑刺激干涉的方法，比如利用经颅磁刺激技术(TMS)刺激大脑特定区域，以激活或者抑制某些脑区。现有的研究一般是基于经验规律选择某些区域施加信号，而通过网络控制理论构建区域间影响的研究范式，可以设计更优化的治疗方案，甚至一些试探性的结果。这些结果使得对神经反馈(neuralfeedback)、干预(intervention)从经验性方法上升为具有系统性理论保障的科学体系。        基于上述3个研究动机，构建脑网络控制理论，以解答如下三个科学问题：        科学问题1: 对脑网络的调控、动态网络调整、认知过程的状态转换(state transition)都需要考虑到一个最基本的问题，即如何去定义、表达大脑状态以及描述状态间的转换，如何使用连续、离散或其他方法把它与可测神经信息结合起来。        科学问题2: 如何度量一个脑区对整个系统动态的影响：即如何从网络的角度，考虑整个神经系统的状态变化，及其所涉及的多个脑区间的联系；如何从理论出发，量化某种干预(intervention)在不同脑区的影响；如何去度量每个脑区对整体动力学的影响。        科学问题3: 如何建立动力学模型与实际应用之间的联系，实现理论与实际相结合。   2. 脑网络与动态        脑网络基本构造分为两种，结构脑网络和功能脑网络。结构脑网络一般基于弥散张量成像（Diffusion Tensor Image, DTI）。功能脑网络一般基于功能核磁BOLD信号，或者基于电生理eeg、meg信号。        在构建脑网络的过程中，首先对影像进行预处理，然后结合模板将大脑分成不同的区域。接着基于不同的构造边(edge)的方式把不同区域作为节点(node)，形成节点间的连接矩阵。对于DTI，使用的是构造性连接的数目、密度等等具体的指标。对于功能性脑网络，可以直接从时间序列出发开展相关性分析，得到脑网络图(graph)。构造脑网络图后，进一步结合图论(graph theory)的方法对图的网络性质进行研究。        这里使用最一般的动力学方程来描述大尺度脑网络中大脑的状态(state)及其状态转换(state transition)。x(t)表示每个区域的状态信息，它的值可以是观测到的信号，比如说像BOLD信号。假设有n个区域，x(t)构成一个n*1的向量，它表征所研究系统在t时刻的状态。最简单的微分方程就是说把它的导数写成依赖于它当前状态的一个函数f。具体的建模依赖于怎么定义f。最简单f函数就是线性模型，复杂的f也可以是高阶模型等等。        下面是一个简化的模型，它考虑了不同区域之间的相互作用，比如第i个区域它的导数依赖于自身的状态变化f_i。相互作用即不同区域对i区域的一个影响。tau_{ij}表示时间的延迟，W_{ij}表示两个节点间的权值，S表示非线性转移函数。对于具体功能的脑网络，我们需要推断系统的变换参数。对于结构脑网络，可以假设这个f_i可能的形式,W_{ij}则可能以某种形式依赖于它的连接状况。        基于这个模型，可以开始尝试性的探究动力系统的过程。比如研究系统可控性、控制能量、系统干预(intervention)等。 3. 大脑控制模型与系统可控性和稳定性        从控制的角度出发，讲述如何对大脑网络进行控制。第一个图是经典的工程控制过程。为了维持系统的正常运行，从当前的状态校正到期望的状态。在每个时刻，通过测量系统状态信息与期望状态的误差，通过设计系统控制器，以降低误差的形式进行系统调控。第二个图是将类似的思想用于脑网络控制，例如对于大脑的状态转换的控制。比如任务状态切换、区域激活抑制或者区域信号加强等。大脑内部区域抑制某些区域的信号，通过把某些区域当做控制区域，信号从这些区域输入，从而影响整个大脑的激活状态；或者说连接情况的改变，使得大脑从当前状态转移到目标状态，从而实现认知控制的过程。        那么怎么类比于工程控制的过程，用相应的控制论方法探究大脑不同区域对整体动力学的影响呢？下面介绍了一个简单的线性模型。        这里列举了简单的线性、离散、无噪声动力学模型。假设t+1时刻的状态x(t+1)依赖于t时刻的状态转换A·x(t)以及相应的控制项B_K·u_K(t)。B_K是一个N*K矩阵，它表示在具体的状态转换过程中选择哪些区域作为控制区域。而u_K表征了在不同的时刻控制的具体形式。        具体的建模中，对结构脑网络，我们最初假设A是与脑结构连接矩阵有一定关联性。具体的关联性可以转换成Laplace，或者说除以一个系数，只需要保证整个系统的稳定性。B_K的选择取决于感兴趣的区域。把它设置成认为的与控制过程相关的区域，或者之前实验验证的区域，或者设置成所有区域以探究整体系统的性质。具体来说，u_K就是在研究过程中，可以基于可建模的动力学系统进行优化的外界控制，或者从能量最低或者路径最短角度进行设计，基于这些限制可以求解最优的u_K。        可控性(controllability)就是系统在给定外部输入，移动到目标状态的能力。如果每个状态都是可达的(reachable)，这个系统就是可控的。从纯理论上来说就是：系统能否在t步时间内达到目标状态。从最开始的线性方程，通过推导得到前面t-1时刻可能性的输入，也就是这里所写的C矩阵的公式。如果这里所记的C矩阵是一个满秩矩阵，不管前面的x_t, x_0怎么变，总能选取一定的u值，使得方程成立。        系统的稳定性通过系统的同步性S进行度量，直观上理解这个度量指标就是特征值方差的倒数。公式中，d表示连接的平均强度，主要是用于正则化，消除掉边的连接强度因素。如果说特征值都靠的非常近，意味着大脑很容易就处于同一个模式(mode)。如果大脑都处于同一个模式，那么它整个状态的丰富性、灵活性都会受到比较大的影响，整体的效率(efficiency)也会下降。        当我们要改变这个系统，系统的可控性涉及到需要多少能量。需要能量很少，意味着这个系统很容易改变，也即这个系统更容易被控制。这里描述的是一个T步的离散的过程。连续过程可以转换成积分形式。这里控制能量定义为每个时刻的u的2次方做累加，这是一种最直观的方式。当然也可以采集不同形式进行定义，比如添加正则化等。定义好控制能量之后，可以通过极小化控制能量，来求解出每个时刻的u_K。 4. 脑网络上的控制系统        脑网络控制目前主要从结构和功能两个角度进行分析。具体动力学过程都是从类似的线性方程出发。差别在于连接矩阵的定义，包括具体的状态转移矩阵A和控制矩阵B的设置。        一是基于结构矩阵的分析。基于邻接矩阵，构造结构控制模型的A矩阵，我们使用节点的连接数目进行定义A矩阵，也可以使用流线(streamline)的密度(density)等等。如果有时间序列或者仅仅从结构出发，这种情况下B矩阵设为单位矩阵。        二是功能脑网络分析。这个时候可以使用不同区域的时间序列的信号推断状态转移矩阵A，考察不同区域之间的关联性。从功能连接的角度，不同区域之间的时间序列具有一定相关性。这个相关性可能是从某种程度编码一些交互(interaction)的具体模板(pattern)。例如，构造一个随机的动力学过程，通过推断A和B的具体值，然后基于推断的区域间的方差矩阵和区域间的有效连接，构造基于功能时间序列的控制方程，探究它们的控制集或者控制量等关系。 5. 脑网络控制系统的可控性 5.1 可控性度量        这里介绍两种可控性度量方法，平均可控性(average controllability)以及模式可控性(modal controllability)。        平均可控性主要是衡量单位能量下系统能达到不同状态的平均情况。也就是说，把一份能量放在哪些区域，平均来说它更容易影响到整个系统的变化。大家可以理解成，给定单位能量，能到达的状态的一个面积。在这种情况下，如果把这份能量放到连接边数比较多的区域，那么它就更容易影响其他相连接的区域。从平均的意义上，这些区域就是一个更有效的选择。        而模式可控性，它考虑相对来说最坏的情况。系统遍历它所有可能的球面，最坏的情况就是某些状态会消耗特别多的能量。在这个策略下，希望控制能量在最坏的情况下要最好。也就是说，在比较偏的连接比较少的区域，如果把影响施加在连接比较强的区域，那么控制能量分散较少部分到比较偏远的区域。也就是说，在改变最坏情况的时候，能量消耗就相对比较大。希望最坏情况最好，比较直观的策略就是直接控制这些区域。   5.2 可控性地图        这里展示了两种可控性的大脑地图(map)分布，即基于前面我们定义的度量，这两种可控性度量在大脑的具体哪些区域的数值比较高(红色)，哪些脑区比较低(深蓝色)。左边展示了基于结构脑网络，右边展示了功能脑网络的具体情况。        可以发现两个脑网络的平均可控性是有区别的。整体数值比较高的区域都是连接比较强的。比如，结构脑网络，它倾向于去选择结构的hub，而功能脑网络倾向于选择功能的hub。基于这个策略，在默认网络中比较强连接的一些hub被选取为高效的控制节点。从某种程度上，解释了为什么在静息态下，默认网络的相对激活性会更高。因为相对常规的想法是在静息状态下，大脑处于相对低耗的状态，那么维持低耗的有效状态，就需要考虑在哪些区域影响整体使之更有效率。        前面提到的一些最坏情况也就是需要能量更多的情况，即相对更复杂的任务。在执行这些任务的时候，对应的控制区域就是它们自身。像frontal-parietal区域，不管从结构脑网络，或者从功能脑网络，相对来说在模式可控性(modal controllability)数值上相对更高。某种程度上也就帮助大家理解为什么说这些相对弱连接的区域它们的功能会更细化，有些时候也会更特殊的辅助大脑执行复杂任务。        这里用另一种方式展示大脑的可控性地图(controllability map)，它是定义的认知度量在大脑上的分布与认知区域的关联性。这里的LV1其实是用线性回归(linear regression)得到的一些变量(variables)，也可以理解成，用主成分分析方法看第一个主成分与第二个主成分可能覆盖哪些区域。可以看到，因为平均可控性涉及到整体平均的效率，所以和一些综合性指标，比如晶体认知(Crystallized Cognition)、流体智力(Fluid Intelligence)等综合性指标具有关联性。那么在这些关联的区域上，其可控性的差别能显示出个体差异(Individual Differences)。相应的在模式可控性，所定义的一些特征呈现负相关特性。 5.3 可控性的可靠性        在同一篇论文中，分析了另外两种度量：可重复(Reproducibility)和遗传性(Heritability)。        左图表示在同一个项目中，通过扫描多次，针对基线(baseline)做可重复性的时候，观测控制性度量的分布，验证分布的一致性，判断是否是随机的过程。但是这很大程度依赖于它的连接情况，即连接结构的可重复性。        右图反映了遗传性关系，观测遗传基因的表达，或者测量不同子代之间的亲代和子代之间的关联性。可以发现prefrontal的区域，在平均可控性上它的遗传性相对来说更高。而在模式可控性，遗传性更多的是在Pre-temporal和Supramarginal的区域，它可能是衡量可遗传的具体特征。   5.4 可控制之间关系        平均可控性和模式可控性两个度量(average controllability and modal controllability)之间具有一定的关联性。这种关联性依赖于不同矩阵的选择。如何刻画这两个度量，可以通过：1)它们自身的直接关联；2)随着时间推移或者神经发育的具体过程，两个度量之间具体的tradeoff关系。随着年龄的增长，更多的是两个都有所增强，还是说一部分能力去抵消或者促进另一方面能力的发展。Tang 2018年的论文，具体描述了模式可控性和平均可控性之间的tradeoff关系，是一种Pareto最优的方法，平均可控性跟整体的同步性具有负相关性。但从个体考虑，对brain做整体值考虑，平均可控性与模式可控性两者是呈现正向相关，但不是单纯的线性关系。        如果说不同区域有两种考察方法，一是对整个大脑定义一个具体的值(average across subject)，另一个是对不同区域(average across region)。在这两种情况下，它们间的关系是不太一样。在Gu et al.(2015)论文中也发现，如果在区域取平均，以及在样本空间取平均，考察两者之间的关系，两者呈现出很强的负相关区域。总结性的说，模式可控性的分布和平均可控性的分布呈现出很强的负相关。但是从整体考虑的话，就包括像前面的平均可控性和模式可控性的关系，就不是简单的线性关系。而在功能脑网络的控制分析，相应的情况就会更复杂。因为它涉及到连接转换矩阵以及控制矩阵，矩阵的选择不再是单位矩阵，它涉及到区域间的具体作用。        不同的状态转移矩阵和控制矩阵的选择，会对两个度量之间的关系产生影响，它涉及到一些具体的设定，也就是说两个度量反映了脑网络上相应的拓扑性质，而这种拓扑性质是受到控制区域之间的关联，还有状态转移矩阵的影响。   5.5 可控性和图度量        这里探究说这两个控制度量跟传统度量(连接的度、communicability)之间的关联性。从结构的角度来说，连接性就是连接的度，就是把每个区域的连接情况，连接强度求和。平均可控性与连接的度呈现出很强的正相关，这是从样本空间上求平均得到每个区域的具体结果。        communicability可以理解成是在脑网络上从一个区域到另一个区域，路径长度的加权平均。实验发现communicability与可控性呈现出较强的正相关。从控制的角度，信号的传播(propagate)是沿着脑网络进行，random walk也是沿着同样的脑网络信息。基于这样的假设，控制网络会有具体的路径设置和筛选。右图是在功能脑网络上做的实验，基于功能连接方式(functional connectivity)以及有效连接(effective connectivity)，实验发现基于有效连接，它与模式可控性呈现强的正相关，而平均可控性与功能连接有很强的负相关。   5.6 可控性的应用举例 应用实例1: 可控性预测任务表现        上图讨论了我们定义的度量与实际应用的关联。检验的标准涉及到它们是否能预测感兴趣的东西以及发现临床上不同群体之间的差异。这里从静息态以及工作记忆(working memory)两个角度进行分析，研究发现，在working memory task它们的预测精度相对更显著，在静息态下则相对不显著。        在具体的working memory task，我们可以发现平均可控性和模式可控性可以预测具体任务的分数。尤其在frontal和parietal脑区承担重要角色，从某个角度印证了这两个控制度量从某种程度确实是可以刻画大脑在认知任务的效率问题。 应用实例2:可控性标记双相情感障碍组 另一个例子，如果使用传统的度量标准，两组(Control group与bipolar disease)区分不显著。而采用平均可控性，control和bipolar disease两组呈现显著的差异。这从侧面印证了控制度量相对于传统的脑网络度量，具有更强的敏感性，是一种更灵敏的biomarker。 应用实例3: 可控性与TMS效果的关系        这是在TMS’ effect上的研究。在低模式可控性(Low Modal Controllability)以及高模式可控性(high modal controllability)的大脑区域上分别进行TMS的干涉。        在open language task中，在低模式可控性以及高模式可控性区域进行不同控制，呈现出不同的Log(RT),（RT: Response Time响应时间）。从某种程度初步验证了模型的可行性，因为在不同区域上的差异可进一步开展后续的研究，即如何去理解和利用这些差异。 应用实例4:控制能量鲁棒性区分轻度脑损伤        这个工作是验证灵敏性指标，从控制能量的角度定义系统的稳定性。比如说把某些区域从整个系统中移除，那么控制路径以及控制能量也会发生偏差。移除不同区域产生不同的影响，通过对整体求平均从某种程度上刻画系统的稳定性。        这个工作是基于轻度脑损伤mTBI(mild Traumatic Brain Injury)进行验证。使用控制度量，healthy group与mTBI group具有非常显著的统计差异。而使用传统的度量方法，比如度(degree)或者路径长度，聚类系数等等一些指标，就无法体现出这两组之间的统计差异。在具体的状态转移过程中，把相应的指标转换成能量指标，相对来说会更敏感及显著。如果可控性指标作为大脑整体的指标考虑的话，相当于从能量角度进行更灵敏的刻画，而不是简单的从connectivity关系的一个重复。 应用实例5:可控性支持神经发育        这个研究证明了可控性与神经发育的关系。结合图a和图b来看，在不同年龄段，发展的一个趋势是由变化，即tangent斜率决定的，在8到12岁和18到22岁，它们的tradeoff关系不是线性的。图c和图d为不同年龄段的平均可控性与模式可控性的tagent。平均可控性相对来说是一个线性变化。而模式可控性表示执行复杂任务，它的变化是一个非线性的过程。从8到12岁和18到22岁的发育过程，对于复杂任务的处理或者相对复杂任务的发育，呈现出非匀速的过程。平均可控性的tangent在两组之间相对没有差异，也就是说青春期之后的大脑的过程，可能涉及到两个度量之间的tradeoff，对复杂任务和平均任务来说，更多的是平均发育过程。 应用实例6: 可控性支持认知        这个图是Cui et al. elife(2020)的工作，它基于控制能量的角度，描述具体的认知任务中控制能量的关系。右图表示控制能量越低，任务的执行表现越好。这个与最初的观点一致，即控制能量低表明效率高，网络的控制效率高。相应的我们就猜测执行认知任务的效率也会更高。下面的调解分析(mediation analysis)支撑这个结果。 6. 未来发展方向 1.首先是把动态过程从线性到非线性的一个延拓。大脑是个非常复杂的非线性系统。如何比较好的平衡模型的复杂性及可研究性之间的关系，进一步通过构造相对合适的非线性模型刻画大脑的可控性。 2.针对功能脑网络，功能脑网络并不是一个stable的过程，如何添加temporal信息，并且在没有interaction的时候，如何去考虑外界随时间变化的信号，对刺激、对大脑的影响。 3.在具体的临床应用，针对健康人群或者疾病人群诊疗，我们需要设计科学有效又安全的干预方案，进而影响大脑动态，调控大脑的神经回路。并在实际应用中，验证和应用所提出来的理论假设。   Q & A Q1:请问使用不同时间分辨率重构出来的神经动力学系统的特征一致吗？ A1:这个问题取决于你是否做temporal model。如果说就像我们刚刚所说的，其实是相对把连接做static的过程。在这种情况下，我们也试过使用不同的时间序列，得出来的结果相对比较稳定。因为很大程度上是对effective connectivity还有noise covariance的估计。如果说时间分辨率对这两个的估计不产生影响的话，那么推出来的结果它其实就比较稳定可靠。   Q2:请问controllability指标的灵敏度如何，能否与复杂的认知实验设计相结合？ A2:这个是比较好的问题啊。根据我们之前和后面介绍的研究。不管是working memory，还有一些与结构相关的mTBI等等的指标。我们的经验是，跟认知还有整个系统的特征相关的性质、相关的能力上还是比较灵敏的。但是具体的复杂认知实验，因为实验设计这块不是我的专长。我觉得如果这些任务跟整体性有关的话，相对应该是会比较敏感的。   Q3:controllability指标在不同意识状态下是否会一样的。比如说麻醉状态或者昏迷状态。 A3:比如说它的一些指标，它本身也是要从信号角度出发。如果你所感兴趣的信号。在这两种状态下，呈现出差别，那么我们要问的问题是说controllability是否能从系统动力学的角度，或者从控制的角度去阐述系统的控制性。在这两种状态下是否有差别。如果说有差别，那么我们希望是这个指标，这个方式能去刻画。而如果定义的某种东西可能只是跟纯结构的关联性。那么，在麻醉或者说昏迷状态下，它的结构本身不发生变化。那么这个指标当然也不会发生变化。而如果你感兴趣的一些功能信号的具体的pattern发生了变化，那么这个pattern如何去影响系统的一些控制性。那么这是一个可以研究和探究的内容。   Q4: controllability这些指标是针对每个被试有个单个的数值，类似于度聚类系数这样的吗？ A4:这个是可以的，就是你刚刚所说，你一方面把它具体算出来的话，像我们所谓average controllability，还有一些modal controllability这两个指标的话，每个个体，每个区域都是有一个值，然后你可以考虑到一些群体效应，既可以在subject level去求平均，也可以在region level去求平均。就是说，每个个体得到一个值，或者说每一个区域得到一个值，都是可以。   Q5:这套方法在eeg或者meg上应用是可行的吗？ A5:是可以的，我们这边有个合作方(Scheid, B. H. 2020)，他们做的是利用可控性去探究癫痫的一些性质，用的是eeg还有ecog的信号。   Q6:您使用到的指标，观察过结构网络连接和功能网络连接的关系吗？ A6:我们之前有过一个工作。那个不是从控制角度出发，因为那个是从纯能量角度去构造的一个随机模型。就是说你可以从结构出发去预测功能。然后这里模型也是类似的啊。就是比如说你去刻画它的状态转换，就是基于结构去刻画它的状态转换，符合hemodynamic的过程，然后去预测功能连接，你就说通过这个模型去探究结构与功能之间的similarity，这样是可以的。   Q7:能否量化脑网络中加工中的自动化加工。神经信号活动本身的variability是否属于controllability的范畴。 A7:这是一个比较好的问题啊。但是这个具体去做的话可能涉及到一些具体的定义问题。就比如说神经活动本身的variability，这个variability是否涉及到它本身，而网络controllability的一些变化。比如说不同神经活动，它从连接上，或者说从时间序列在某段区域的变化，当然都是有区别的。那么从controllability的角度去阐述这个variability也是非常有意思的方向。这块工作我目前还没有做过，但是这个问题我觉得很有意思。   Q8:请问可控性度量和网络度量的相关性说明了什么问题呢？ A8:他其实就是可靠性度量，尤其是比如说回到结构那个地方，我们其实可以看出来，他很大程度上是基于连接去定义了这么一个度量。因此其实它跟网络度量的一些相关性其实是相对比较可预测的结果。然后这里展示了他的一些关系，主要也是相当于去帮助大家理解它可能会是跟哪些网络度量，哪些跟传统网络度量之间可能会有一些什么联系。比如说像跟communicability，就是刚刚举得一个例子，communicability它相当于去刻画random walk，可是相对于比较random的信号的propagation。而control的话其实相当于说你有规律的去控制它的propagation，那么这两者之间就是，有什么差异性或者说有什么关联。主要是辅助理解，可控性度量跟传统网络度量的关联和差异。倒也不是为了说明什么具体的问题，也不存在是谁诱导出了谁的关系。   Q9:首先是为什么做结构网络的可控性研究，选用的是DTI这个模态啊，还有其他的模态吗？第二个问题是做功能网络的可控性研究，对时间序列的长度有要求吗？现在常用的时间长度是怎样的？ A9:为什么选用DTI这个模态，因为我们一般做结构网络的话，你要有结构连接，然后结构连接DTI或者说DSI等等是比较常用的刻画区域和区域之间结构性连接的方式。所以我们就选用了DTI这个模态，然后功能可控性的话对时间序列的要求，我们之前用的是HCP的数据，时间序列长度还是有一定要求。因为时间序列过短的话，去估计noise covariance是没有什么问题，但是去估计effective connectivity问题的时候。在时间序列短的时候会很不稳定。最起码你的长度肯定是要比你的区域多。比如说，划分90个区域，你时间序列的长度200左右应该就没有什么问题。   Q10:功能可控性反映的是灰质类的信号，而DTI是白质。这样的话可能没有办法做一个比较。 A10:一般我们也没有去直接比较功能和结构可控性的特征。但是， DTI的白质其实也是你可以理解成他是上面那些灰质区域的一个连接，灰质区域一方面它本身有一些近距离的连接情况，但另一方面它也有一些通过白质的连接。所以你不能说这两个之间的信号就是完全独立开来。这也就是大家去研究结构和功能连接关系的同样的出发点。但你可能说去单纯比较它的可控性，也不能说完全就没法去做一个比较。因为出发点也是一样的嘛。就是说那些灰质区域它的一些连接跟白质不是一个独立的东西。 Q11:是否已经有比较方便的工具可以做这一类的控制分析。 A11:Bassett教授的网站上，他们分享的一些代码是我写的，有一些就是跟控制相关的一些工具。大家可以去他们那个网站上找。然后我们的话我前阵子也做了一个相关于论文的一个collection，我回头分享到群里面。大家感兴趣的话。可以去根据另一个论文的collection去找一些大家感兴趣的部分读一下。   Q12:能否找到一个指标去量化脑网络中的自动化加工。就是这个自动化加工，我个人的一个理解就是比如说你在静息状态下，他其实更多的是一个自发性的，比如说spontaneous activity或者是他是一个反应内在的，而不是说你是有意识去控制的这样一种活动。所以就比如说包括决策过程中，他有很多就是说bias。然后这个可能是自下而上的，或者说从subcortical到cortical的一个自下而上，或者是从情绪诱发的这样一种就是区别于纯粹的一个认知活动，就是里面可能包含了这一部分信息。然后我就是想知道就是说能不能有这样一个指标。因为controllability他是你可能更多的是跟自上而下的这样一种活动有关。那有没有一个指标可以量化，这种就是自下而上的这种活动。然后因为我看到就是说您那个就是用controllability去预测它的那个resting state那个activity他的效果不是很好，因为静息状态下，它更多的是一种自发性的一个信号。所以我觉得这可能是一个原因之一。 A12:我觉得这个点挺好啊。然后我再稍微说一下那个地方我们是拿静息态去刻画它的一些任务的执行情况。这个可能是有这方面的原因。您刚刚也说了，静息态可能是说涉及到一些自发性的，不一定涉及到它具体任务的执行的效率。那么自发性的去预测它整体效率的执行，就相对可能不是一个feasible的事情。但是controllability度量本身就不管用，从结构可控性还是功能可控性。就是从功能可控性的角度来说，他对静息态和功能态两个本身其实是非常明显的。但只是今天做slides的时候，就是没有去把这一块作为一个特征给他放出来。我们那个论文里面，我们已经挂在arxiv (Deng, S. (2020))，然后是可以看到里面也列了它在对静息态还有功能态本身的区别。     顾老师推荐： 1. Must-read papers on Brain Control Analysis https://nangongwubu.github.io/posts/2020/06/blog-post-3/   2. Controllability of Structural Brain Networks Toolbox: https://complexsystemsupenn.com/s/controllability_code-smb8.zip     参考文献： Cole, M. W., & Schneider, W. (2007). The cognitive control network: integrated cortical regions with dissociable functions. Neuroimage, 37(1), 343-360. Bassett, D. S., Wymbs, N. F., Rombach, M. P., Porter, M. A., Mucha, P. J., & Grafton, S. T. (2013). Task-based core-periphery organization of human brain dynamics. PLoS Comput Biol, 9(9), e1003171. Tang, E., Giusti, C., Baum, G. L., Gu, S., Pollock, E., Kahn, A. E., … & Gur, R. E. (2017). Developmental increases in white matter network controllability support a growing diversity of brain dynamics. Nature communications, 8(1), 1-16. Lee, W. H., Rodrigue, A., Glahn, D. C., Bassett, D. S., & Frangou, S. (2020). Heritability and cognitive relevance of structural brain controllability. Cerebral Cortex, 30(5), 3044-3054. Tang, E., Giusti, C., Baum, G. L., Gu, S., Pollock, E., Kahn, A. E., … & Gur, R. E. (2017). Developmental increases in white matter network controllability support a growing diversity of brain dynamics. Nature communications, 8(1), 1-16. Deng, S., & Gu, S. (2020). Controllability Analysis of Functional Brain Networks. arXiv preprint arXiv:2003.08278. Gu, S., Pasqualetti, F., Cieslak, M., Telesford, Q. K., Alfred, B. Y., Kahn, A. E., … & Bassett, D. S. (2015). Controllability of structural brain networks. Nature communications, 6(1), 1-10. Gu, S., Betzel, R. F., Mattar, M. G., Cieslak, M., Delio, P. R., Grafton, S. T., … & Bassett, D. S. (2017). Optimal trajectories of brain state transitions. Neuroimage, 148, 305-317. Jeganathan, J., Perry, A., Bassett, D. S., Roberts, G., Mitchell, P. B., & Breakspear, M. (2018). Fronto-limbic dysconnectivity leads to impaired brain network controllability in young people with bipolar disorder and those at high genetic risk. NeuroImage: Clinical, 19, 71-81. Medaglia, J. D., Harvey, D. Y., White, N., Kelkar, A., Zimmerman, J., Bassett, D. S., & Hamilton, R. H. (2018). Network controllability in the inferior frontal gyrus relates to controlled language variability and susceptibility to TMS. Journal of Neuroscience, 38(28), 6399-6410. Cui, Z., Stiso, J., Baum, G. L., Kim, J. Z., Roalf, D. R., Betzel, R. F., … & Ciric, R. (2020). Optimization of energy state transition trajectory supports the development of executive function during youth. Elife, 9, e53060. Scheid, B. H., Ashourvan, A., Stiso, J., Davis, K. A., Mikhail, F., Pasqualetti, F., … & Bassett, D. S. (2020). Time-evolving controllability of effective connectivity networks during seizure progression. arXiv preprint arXiv:2004.03059.   讲座观看地址： https://www.bilibili.com/video/BV1kk4y1q7vB?from=search&seid=8807585475690151569   写作：梁智超 校对：顾实、刘泉影 编辑：王海慧

       2020年7月10日下午14：30，王大平教授到访南科大生物医学工程系（以下简称“生医工系”），于台州楼324会议室召开上半年工作总结及下半年工作安排会议。会议由我系主任蒋兴宇老师主持，生医工系多位老师出席参加。        王大平教授指出，为保证科研项目的顺利进展，年初应定好目标做好项目进展规划，末年应对项目进展情况做详细的总结，保证高水平科研成果的产出，对于未达到预期目标部分应加以分析，为后期改进做好准备。同时，王大平教授指出应增加生医工系各课题组与医院、以及课题组与课题组之间的项目合作，汇总各方优势尽可能的将科研成果转化到实际应用，促进骨科疾病诊断及治疗手段的提升。        系主任蒋兴宇老师对于各课题组之间以及课题组与医院之间的合作交流表示鼓励并会给予大力支持。同时也会跟进各课题组的项目进展，与各课题组负责人保持实时沟通，提高生医工系优秀科研成果的产出，促进系里未来发展。   王大平教授简介：            王大平教授研究领域为骨关节相关疾病的分子机制、早期诊断及治疗康复。曾创建深圳市首个国家级临床重点专科-骨科，创建创伤外科、创伤骨科、运动医学科等三个深圳市医学重点专科，并组建了深圳市组织工程重点实验室、深圳市数字骨科技术工程实验室以及广东省智能化数字骨科技术工程研究中心。任深圳医学会理事、深圳市创伤骨科学会副主任委员、深圳市中西医结合骨科学会副主任委员、深圳市手外科学会副主任委员以及《中国现代手术学杂志》常务编委、《中华创伤骨科杂志》、《中国临床解剖学杂志》、《中国现代医学杂志》等杂志编委。被评为深圳市首批名医工程名医，深圳市青年科技带头人。曾担任深圳市第二人民医院副院长、深圳市公立医院管理中心主任等职务。             王大平教授于近期依托南方科技大学生物医学工程系，组建了智能骨科重点实验室，开展骨关节炎等运动系统疾病的分子机制与诊疗工作。分子机制方面主要由张华威博士负责开展，利用冷冻电镜等结构生物学手段研究骨关节炎病变过程中重要蛋白质的的结构与功能，并与深圳市第二人民医院骨科研究团队合作，将其应用于骨关节炎的智能诊断及精准治疗。   文字：王佩蓉

       受新冠疫情影响，2020年生物医学工程系暑期夏令营活动通过线上线下形式同时开展。6月30日至7月2日间，来自全国各地十几所高校的40多名优秀学生线上线下汇聚一堂，激扬青春，畅谈理想，留下了许多生动美好的记忆画面。        6月30日晚，夏令营开营仪式线上线下同步进行，生物医学工程系副主任奚磊老师主持介绍了我系发展概况，随后我系各课题组老师也一一为同学们介绍了课题组情况，并回答了线上线下同学的提问，最后与线上线下同学一起合影留念。          7月1日我系对线上线下同学进行了面试考核，以考查学员的专业知识素养与综合素质。结束之后，经面试老师评选，共选出了线上线下共6位优秀营员。        下图为我系副主任吴长锋教授为获奖的线下营员颁发优秀营员证书和奖品。 吴长锋教授与优秀营员李煜民   吴长锋教授与优秀营员赵文璞   吴长锋教授与优秀营员刘宇        7月1日下午，为展现我校优美的校园环境，加深营员对于南科大的了解，我系为营员组织了听取学校沙盘讲解、观看我校宣传片、参观校园环境等线上线下活动。在此期间，同学们都感叹着学校给予的良好学习环境，也更加深了自己要来南科大学习的信念。 校园沙盘参观   校园参观   图书馆参观   冷冻电镜参观   检测中心参观   直播中——线上营员“云参观”        7月2日上午，我系为夏令营同学安排了实验室参观环节，线上同学也同步参与实验室云参观活动。在这期间，各个课题组的老师为同学们耐心讲解了课题组研究发展现状和实验设备。参观完毕之后，营员们对我系各个课题组的科研发展方向有了一定的认识，这也使得他们更加清晰明确地选择自己感兴趣的老师进行深入交流。 参观蒋兴宇老师实验室   参观刘泉影老师实验室   参观张明明老师实验室   参观何俊龙老师实验室        在为期三天的夏令营活动中，营员们与我系老师进行了充分的交流互动，充分展现了当代大学生的风采。7月2日下午，来自全国各地的营员们陆续离营，“南方科技大学生物医学工程系2020年优秀大学生暑期夏令营”圆满结束。     以下为部分营员对于此次夏令营的感想：        很荣幸可以作为南科大生医工线下夏令营的一员得以亲自进入这样令人着迷的校园。短短三天时间，我体验到了这里堪称奢华的硬件设施，看到了这里丰富多彩的校园生活。不光如此，这里有着史诗级的教育资源和科研平台，导师和老师们都很亲切和蔼，给予我们无微不至的关怀。同时，来到这里我结识了好多优秀的小伙伴，也见识到了自己的不足。总之，很庆幸自己能有这样的机会来体验生医工的点点滴滴。一旦来到这里，便会爱上这里！ ——李凯          我是刘宇，南方科技大学生物医学工程系2020年暑期夏令营营员。很荣幸，很开心，在今年这样一个特殊的时期，能够来到向往已久的南科大，感受这里的生活、学习氛围。        首先，生医工的行政老师们人美心善，温柔体贴，热情接待我们。舒适的专家公寓，可口的美味佳肴，耐心周到的接待。我真是受宠若惊，满满的幸福感涌上心头。        其次，我觉得生医工是一个非常温暖的大家庭，这里不仅有一流的软硬件设施，更有实力非凡的老师。生医工的导师，个个都对科研充满热情，每个课题组的研究方向都很有特点、很前沿。课题组之间大多互相合作，互相学习。老师待学生如家人，实验室氛围非常融洽。        最后，必须为南科大秀美的校园环境点赞，出了公寓，几分钟就能迎来一辆校园巴士，蓝天白云，青山绿水，远处袭来阵阵花香，乘车游览于校园中，再惬意不过了。        魅力鹏城，美丽南科。感恩在这里与老师、同学们的相遇，期待自己能在不远的未来与南科大生医工系再相逢！ ——刘宇          感谢各位老师，我很荣幸能够参加这次南科大的线下夏令营，并且能够来到深圳参观校园。在这几天的时间里，我感受到了各位老师的热情，体会到了这里丰富的校园生活，见识到了生医工一流的设施，并且和科研经历丰富的导师进行了深入的交流。我已经被南科大生医工深深的吸引了。同时，在这次夏令营活动中也结实了很多优秀的朋友，让我认识到了自己的缺点和不足。总的来说，这次的经历让我印象深刻，我也很希望自己能够有机会来到南科大生医工学习。最后，感谢生医工的各位老师能够给我这次机会！ ——于永波          很感谢各位老师的热情，也很荣幸可以在疫情期间参加南科大的线下夏令营。这三天来，我感受到了各位老师的热情，感受到了南科大校园清新的环境，也看到了生医工强大的师资力量和先进的实验设备，这些让我更加喜欢南科大的生医工系。同时也很开心可以认识各位老师和同学们，虽然只有短短的三天，但是相识便是一种缘分。很庆幸自己可以有这次机会来到南科大参加夏令营，期待可以加入南科大学习！ ——黄梦璐     文字：罗淑芳 照片：肖然

       本讲座中，何晖光教授首先介绍课题组在医学影像分析方面的几个工作，进而介绍视觉信息编解码的工作。        视觉信息编解码是通过计算方法建立从视觉系统与外界视觉刺激信息之间的映射模型，探索大脑视觉信息处理的过程和机理，其研究不仅有助于探索视觉的加工机制，而且可促进计算机视觉的类脑研究。        2020年6月19日中国科学院自动化研究所何晖光研究员受南方科技大学生物医学工程系刘泉影助理教授邀请在生物医学工程系生物医学讲堂进行了题为《从神经影像计算与分析到视觉信息编解码》的讲座。本文为该讲座的总结推文。 一、研究背景        视觉信息编解码涉及到的问题非常广泛，其中有很多重要问题长期得不到解决。视觉系统是人类感知外部世界的最主要途径，大脑视觉皮层基于视网膜感受器采集到的信息，在我们脑中准确地重建出外界环境的样子。一方面视觉加工过程最快约在200ms以内完成，是一个瞬间、动态的过程。另一方面，外部视觉刺激是多种多样、杂乱无章的，人类的视觉系统却能稳定地识别和理解这些视觉输入。这些问题都需要我们更深入的了解大脑中视觉信息的编解码问题来解决。        从视觉皮层的编码特征上来看，视觉信号从V1-V2-V4-PIT-IT 信息的逐层处理过程中，对应的神经元的感受野越来越大；每层之间感受野增大的系数大体为2.5；高级别的神经元将信息集成在具有较小感受野的多个低级神经元上，编码更复杂的特征。分别来说，V1区是编码的边缘和线条等基本特征；V2区神经元对错觉轮廓有反应，是色调敏感区；V3区是信息过渡区；V4是色彩感知的主要区域，参与曲率计算、运动方向选择和背景分离；IT区是物体表达和识别区（图1、图2）。从近些年来深度学习和机器视觉的发展可以看出，深度卷积网络也与视觉皮层的编码特征呈现出了类似的形态（图3）。 图1 视觉信号分层编码   图2 不同区域神经元编码不同特征   图3 深度卷积网络与大脑分层解码结构 二、视觉信息编解码        视觉编解码是建立视觉刺激和大脑反应之间的关系，编码是将视觉信号转化为大脑反应，解码为将大脑反应转化为视觉信号。何老师认为编码问题在这个过程中有更重要的地位，反映了神经信号加工的机理，更加具有科学价值。在神经信号编解码过程中，往往不会直接使图像对神经信号进行映射，而是先从图像通过非线性变换提取特征，再使用线性编解码器将图像特征和神经信号特征相互连接（图4）。这样做可以降低数据维度，减少计算量和需要的数据量；又能避免编解码过程成为一个黑盒，具有更好的可解释性；同时还能一定程度上避免非线性运算造成的过拟合。 图4 视觉信息编解码过程        在介绍了几个重要的解码模型后，何老师提出了目前视觉信息解码研究中存在的问题。首先，大多数方法只针对分类或辨识任务；其次，重建算法的效果不佳；最后，常用的线性变换手段缺乏生物学基础。其中一部分原因是由于视觉信息解码中的（fMRI）数据特点造成的。这些数据具有维度高、样本量小、噪音严重的特点，对我们应用编解码模型会造成很大的困扰。根据此，何老师提出了《基于视觉信息编解码的深度学习类脑机制研究》项目，该项目有两点目标：1）建立人类视觉系统与外部视觉刺激信息之间的映射模型，利用深度学习对大脑视觉信号进行编解码，探索深度学习的类脑机制；2）通过对视觉信息的编解码，引导深度神经网络建模。        比较直接的办法是将深度神经网络（例如convolutional auto-encoder 卷积自编码器）作为图像和神经信号的特征提取器，再将其特征相互映射（图4）。这种方法被称为两阶段法，即特征提取和映射分开进行。同时也可以使用统一训练的方法，将自编码器图像特征提取和与神经信号相互映射两个步骤合并为一步，进行统一训练（图5）。 图5 卷积自编码器用于图像与大脑信号特征提取 三、多视图生成式自编码模型        然后何老师介绍了多视图生成式自编码模型（Deep generative multi-view model（DGMM）），该研究由何老师课题组博士生杜长德（已毕业）完成。该模型基于这样一个假设，即视觉图像和大脑响应是同一客体在不同特征空间中的外在表征。由该假设可得视觉图像和大脑响应可以由同一隐含变量通过不同的生成模型得到。这样一来，视觉图形重建问题就转变为了多视图隐含变量模型中缺失视图的贝叶斯推断问题。        所以基于图像我们采用深度神经网络（DNNs）建立推理（Inference）网络和生成（Generative）网络，这样一组推理网络和生成网络构成了变分自编码器（VAE）架构，可以模拟大脑视觉信息处理机制（层次化，Bottom-up, Top-down）（图6，左上到右上）。对于大脑响应，建立稀疏贝叶斯线性模型（图6，左下到右下），模拟体素感受野和视觉信息的稀疏表达准则。这样做可以自动降低体素空间维度，避免过拟合；同时可以利用体素间相关性来抑制噪声，鲁棒性更强；最后由于对体素协方差矩阵施加了低秩约束，降低了计算复杂度。        在训练好这两组推理与生成模型后，给定新的视觉图像输入，就可以通过Bottom-up的推理网络得到隐含表征，再通过线性生成模型预测大脑活动，这就是视觉信息编码通路。反之，给定新的大脑响应，将先验知识（表征相似性分析）融入到贝叶斯推理中，得到隐含表征，再通过Top-down的生成网络预测视觉图像，这就是视觉信息解码通路。 图6 多视图生成式自编码模型结构          在实际训练中，我们将图像和神经信号输入同一个推断模型，来保证生成的隐含表征在同一个空间中，再分别进入各自的生成模型中进行重建（图7）。在测试中，我们通过对输入的大脑响应与一直大脑响应的相似度矩阵，通过贝叶斯推断得到对应的隐含表征，再通过生成网络预测视觉图像（图8）。该研究在三个公开数据集中都进行了测试，这些数据集主要记录了大脑V1和V2的活动。在与多个方法的对比结果中，该模型无论是肉眼观测的图像重建效果还是在数值指标上，均有最好的表现（图9）。在被试差异和模型可解释性上，该研究也进行了分析。最后，通过对fMRI中体素权重的可视化，该模型展现出了在神经科学研究中的潜力。这项研究得到了MIT Technology Review的高度评价，认为该研究在脑机接口方面做出了一项重要的贡献。 图7 多视图生成式自编码模型训练   图8 多视图生成式自编码模型测试   图9 多视图生成式自编码模型生成效果 四、进一步工作 先前研究也存在一些不足之处，例如： · 多用线性模型：不能学习到深层次的特征 · 单一任务 · 单一模态：只能学到单模态信息 不能利用大量非成对数据 在进一步工作中，将对这些问题进行一一改进： · 使用深度学习：能学习到层次化的特征，表达能力强 · 多任务：能同时进行分类和重建任务 · 多模态融合：多个模态互相补充有利于解码效果的提升 · 半监督：能对大量的非成对数据，或者对缺失模态补全        随后的研究不仅对图像进行重建，还对其进行了分类；不仅使用了fMRI信号，还使用了EEG信号，不仅使用了成对的监督学习数据，还使用了大量非成对数据进行半监督学习。   五、多模态融合的对抗神经信息编码        在多视图生成式自编码模型基础上，何老师课题组博士生李丹搭建了新的网络，以用于基于多模态融合的对抗神经信息解码。从图10中，我们可以了解该网络的框架。最上层输入图片到标签的过程是一个AlexNet，该网络可以学习图片的分类标签，并在fc7层输出一组语义特征。对于文本或EEG信号这样的非图像信息，作者也训练一个网络来提取语义特征fc2和分类。当这两个网络的数据是成对数据的时候，在两组语义特征间计算一个损失，使两组特征相互联系。对于非图像的网络，作者提取了语义特征和分类标签输入一个生成器生成图像。生成图片之后，将图片输入一个判别网络判断图片是真实图片还是生成图片。如果是成对数据生成的图片，还要将生成图片和原始图片一起输入另一个判别网络，以判断两张图片是否对应。        在测试中，我们就可以输入非图像信息（大脑信号或文本）提取语义特征和分类，再输入训练好的生成器重建图像信息。 图10 基于多模态融合的对抗神经信息解码网络结构        在以上网络结构的条件下，基于fMRI信号的半监督跨模态图像生成，在实践中取得了较多视图生成式自编码模型更好的效果。基于EEG信号的半监督跨模态图像生成（图11）中也可以看到，由于使用了GAN，生成的图片较之前更为清晰；且由于输入了语义信息，包含了明确的语义特征。总的来说，这个研究将大脑活动的语义学习和图像重建任务统一在同一个框架下，使得解码结果语义明确。同时充分利用非成对的图像数据可以很好的辅助跨模态图像生成任务，使图片重建质量提升，变得更加清晰。 图11 基于EEG信号的半监督跨模态图像生成示例 六、其他思路        接下来何老师分享了其他的一些思路。同样是对之前模型的扩展，将多视图生成式自编码模型中添加了语义这一输出，就可以得到语义信息的解码（图12）。由于图像刺激的类别或者向量包含了图像刺激中的高层次语义信息，该模型可以把大脑响应解码到高层次的语义空间。 图12 语义信息的解码示例        将不同人的大脑信号看做不同的视图，再利用多视图生成式自编码模型，就可以得到多被试解码与脑-脑通讯模型（图13）。该模型可以综合利用多个被试的大脑响应数据，提高模型的泛化能力。如果我们将一个人的大脑响应解码到另一个人的大脑响应上，则该模型不仅可以实现单个被试的大脑响应解码，还可以实现多个被试间大脑响应的相互转换。 图13 多被试解码与脑-脑通讯模型示例          类似的，多视图生成式自编码模型还可以应用在更加复杂的工作上，例如动态图像（视频）重建。如何根据大脑响应重建动态的视觉刺激场景是一个更具挑战性的问题。将“推理网络”和“生成网络”的类型从多层感知机（MLPs）或卷积神经网络（CNNs）升级为可以处理时间序列数据的递归神经网络（Recurrent Neural Networks, RNNs），便可以尝试进行动态视觉场景的重建。 图14 动态图像（视频）重建模型示例   七、总结和展望 何老师对视觉信息编解码的工作做了如下总结和展望： 本质：建立外界视觉刺激信息与大脑响应之间的映射模型 编码：通过研究视觉信息编码，建立类脑计算模型 解码：通过研究视觉信息解码，服务于脑机接口研究 模型：提出了基于多视图生成模型的双向建模框架 结果：在图像重构（信息编码）方面性能优异 展望： · 复杂自然场景的重构工作还在进行中 · 将采用动态编解码，比如变分RNN，进行视频重建 · 借鉴机器翻译、图像翻译、对偶学习、自监督学习等思想 · 尝试其他类型的深度生成模型，如GAN等 · GAN与VAE的结合   该讲座介绍的研究的原文和代码如下，欢迎感兴趣的同学进一步研究： 代码：https://github.com/ChangdeDu/DGMM 网站：http://nica.net.cn       参考文献： 1. Mauro Manassi, Bilge Sayim, Michael H. Herzog, When crowding of crowding leads to uncrowding, Journal of Vision 2013;13(13):10. doi: https://doi.org/10.1167/13.13.10. 2. Kendrick N. Kay, Jonathan Winawer, Aviv Mezer, and Brian A. Wandell, Compressive spatial summation in human visual cortex, Journal of Neurophysiology 2013 110:2, 481-494 3. Chang de Du, Chang ying Du, Lijie Huang, Huiguang He, Reconstructing perceived images from human brain activities with Bayesian deep multiview learning, IEEE Transactions on Neural Networks and Learning Systems, 2019/8(2018/12/12),30(8), pp:2310-2323, 4. Dan Li, Changde Du, Huiguang He, Semi-supervised cross-modal image generation with generative adversarial networks, Pattern Recognition, 2020/4(2019/11/12),100,pp:107085, 5. Changde Du, Lijie Huang, Changying Du, Huiguang He. Hierarchically Structured Neural Decoding with Matrix-variate Gaussian Prior for Pereceived Image Reconstruction. AAAI 2020   本文作者：NCC lab 魏晨 校对：何晖光

  尊敬的各位领导、各位来宾，亲爱的老师们、同学们：       大家晚上好！我是工学院生物医学工程系的硕士毕业生张子一。非常荣幸作为研究生毕业代表进行发言。       在今年的特殊疫情下，我们仍能在分别的前夕相聚在一起，要感谢奋战在一线的抗疫工作者，感谢给予我们关怀的师长和亲友们。特别要感谢学校的安排，在周全的部署下，给予我们如此隆重而特别的星空毕业典礼。       此时此刻，站在这个讲台上，往事历历如在眼前。我回想起一同踩着闭馆铃声走出琳恩图书馆的同学，由于忙着实验而错过巴士深夜结伴走过登山栈道的伙伴们，还有在创园路边提着“实验鼠盒”行色匆匆的生医同行……奋斗着的南科人和美丽的校园，组成了我青春年华最温暖的回忆。两年的硕士生涯转瞬即逝，还没有来得及仔细品读校园的美景，今天过后，我们就要带着梦想奔向新的远方。       临行之时收拾行装，独特的“南科印迹”将陪伴我们笃定前行。       第一个“南科印迹”，是永葆无负时代、勇于担当的责任意识与崇高使命。       大三那年，我曾前往阿坝高原参加公益医疗援助活动，洁白的哈达、藏民患者期待的眼神和高原医疗资源的匮乏给我留下了深刻的印象，也在我心中埋下一颗种子——为人类健康贡献自己的力量。带着这样的理想我来到南科大，成为硕士研究生联培项目的一员。今年以来，面对百年一遇的疫情挑战，我见证了周围老师和同学们齐心协力、共赴使命、科技抗疫的行动。在深圳市科创委发布的“新冠病毒感染应急防治”专项中，南科大共申报了17个项目，而我所在的生物医学工程系就申报了7项。在人类健康的问题上，生医工人始终试图通过交叉学科的融合特色给出答案。特殊时期，处于南科大“科技抗疫”的队伍之中，我感受到空前的使命感和责任感，也让我更加坚定了为人类健康贡献自己的力量的信念。       改革创新是南科大的立校之本。无惧困难，勇于攻坚，母校把第二个“南科印迹”装进了我的行囊。       从传统理工科跨进前沿交叉学科，我希望能解决医疗领域的需求。带着这样的想法，我确立了自己的研究方向。即使如此，做实验时仍常常因不理想的实验结果而感到崩溃。带着失败的结果和一身的疲累回到寝室，已经是半夜了。此时此刻，心情有点复杂。放弃？是不可能的。我想，当我站在前沿交叉学科的平台上时，我应抓住机会提升本领，努力打破专业的壁垒，不断拓展新的领域。在导师和师兄师姐的帮助下，我坚持着课题研究，在反复试错中逐渐得到要领。最终，我通过化学方法制备出具有非线性光学性质的纳米材料，这些材料在生物成像时不再出现光毒性发射过程。这一特点，契合新型医学诊疗的大趋势，有助于提升诊断的人性化水平。       开放包容，追求卓越，第三个“南科印迹”赋予全体南科人孜孜以求的人生目标。       在两年的科研中，我的导师吴长锋从未对我设限，并给予我很大的自由度，从前期调研的结果到实验设计的想法，他都愿意聆听、讨论，并及时指导。他的办公室永远为我们敞开。很幸运，我在南科大遇到了这么包容温暖的课题组。我知道，我所在的课题组、我的导师，都只是南科大的一个缩影。这样的导师、这样的课题组，在南科大还有很多很多。正是他们夯实了南科大的科研大厦，筑起了南科大的科研高度，构建了南科大的学术声誉。       此时此刻，请把最热烈的掌声，献给南科大所有的老师们！同时，也请将掌声献给我们自己，永不言弃的南科学子们！       感谢始终呵护并引领我们持续成长的母校。作为一名南科人，我庆幸自己在青春年华受益于她的清新、大气、开放、包容和坚定不移的使命感。       十年风华共筑南科梦，一路向南再谱新华章。下一程，我将带着装满了“南科印迹”的行囊，进入香港科技大学从事医学材料方向的研究，并致力于科研产品化，决心将为人类健康而奋斗的青春热血播洒在中华大地上。       感谢母校给予我们勇于担当的意识，面对风雨的勇气和撑起梦想的能力。南科大建校十周年之际，我仅代表全体毕业生祝母校永远朝气蓬勃，在创新之路上启航未来。最后，请允许我向远在家中收看直播的父母表示感谢，谢谢你们的支持和陪伴。       经历一次毕业就会懂得，“前程似锦”的祝福其实是一句美好的道别。感谢大家共同经历的时光和青春。祝全体2020届毕业生前程似锦，不负韶华！       谢谢！

       感受器神经元在根据环境变化（适应性）的能力上取代了人造传感器，但其基本机制仍然是感受神经科学中的传统挑战。为了研究这种适应过程，宋卓异博士构建了感受受体的多尺度计算模型，旨在将信号传导动力学从分子到系统层面联系起来。        在6月12日的讲座中，来自复旦大学类脑智能科学与技术研究院（ISTBI）青年研究员，宋卓异博士介绍了多尺度建模方法，以及所揭示的一种随机的自适应采样机制。该讲座主要分为感知系统自适应与随机自适应采样机制两部分。在开始之前，先让我们欣赏一下宋卓异博士的代表作成果吧。   代表性成果1：揭示光感受器感知大范围光强变化的自适应机制 照相机vs人眼        照相机光圈小时，进光量小，能看到亮处的背景，但暗处的背景细节会丢失；相反，照相机光圈大时，进光量多，能看到暗处的背景，亮处的背景会引起系统（即芯片）的饱和，从而导致亮处细节信息丢失。        然而人眼并不会有这种问题。那么，动物是如何实现这种大范围的、动态的感光范围呢？这种思想能否用于仿生眼的构建呢？         解决方案：构造从微观到宏观的光感受器仿生模型。        图中左上角为果蝇的光感受器的细胞（可感受单光子信号），右上角为一个单光子所产生的QB（Quantum Bump）的电流信号。在整合电流信号时，一个光子到一个Quantum Bump电荷间的放大倍数是6000。这样的机制，就可以让动物在极暗光的环境下看到物体，这是现在的照相机所做不到的。从宏观角度来看，在千亿数量的光子情况下，仿生神经元模型依然能够正常运作。        上图的左上角图中底部NS为光强序列，黑线为实验测的光感受器的响应，红线为模型的仿真结果。可以看到，模型的复现结果非常好，而且该模型无需进行参数调整。现在，让我们打开这个白箱模型，来进一步看其内部的运作机制。该模型是如何解释神经元拥有大的高动态感光范围。这里我们提出了四个机制（右上角图中，黄字为新提出的创新机制），具体细节见本文硬件层面分析。下方的两个子图中表示了捕食者苍蝇与被捕食苍蝇的光感受器之间的区别：捕食者苍蝇第一层感光神经元的视觉反应比被捕食苍蝇的反应要快，这与其生存压力息息相关。   代表性成果2：光感受器微跳视机制帮助复眼抵消运动模糊        光感受器遇光会发生抖动（微跳视）的现象，即也拥有压力感知器的特性。这令人惊讶！因为这种抖动现象通常是在压力感知器或听力感知器上存在。2012年Hardie和Franze初次在光感受器上发现微跳视现象，其成果发表在Science上。但是这种微跳视现象对视觉产生什么样的影响呢？我们知道，拍照时照相机的抖动会造成糊片；那么本来果蝇复眼看到的就是马赛克图像，如果再加上感受器的抖动现象，这不会让复眼看到的图像更糟糕吗？当然实验证实，果蝇拥有高分辨率的视觉行为。那么微跳视到底是怎么样影响视觉的呢？ 微跳视可以调制光信号的变化        图中上排显示，当两个光点经过感受野时，峰谷差值小，这会使果蝇把经过的两个光点当成一个光点。图中下排显示，微跳视使感受野移动，使得峰谷差值变大，从而果蝇能更容易的区分两个光点，增加空间分辨率。 Part1 感知系统自适应（sensory adaptation）：         神经元具有自适应性，即不断的刺激输入的情况下，神经元放电输出会随时间减少。那么如何理解这种自适应，它是如何产生的？        根据Marr’s three levels of analysis（三级计算理论分析框架），即一个系统需要从以下三个层次进行研究： 1.计算理论（计算目标是什么？） 2. 算法（如何设计算法，来实现输入输出映射关系？） 3. 硬件实现（芯片或生物学系统如何物理实现？）        对于光感受器系统，我们需要从以上三个层面来理解系统。传统的方式是自顶到下进行分析。即首先明确：感知自适应的计算目标是什么，是什么原则决定着感知自适应。        物理学家们过去曾对此提出三种不同的理论：1）需要把能量提供给新颖的事件，自适应的计算目标是为了在新颖事件上保持注意力；2）不变的信号不含有信息，自适应是为了移除冗余信息；3）自适应是为了最大化神经元所刻画的信息量。        下面我们集中于第三个理论，即信息最大化理论（information maximization theory），展开讨论。        光信号在大脑中处理过程的框架如下：        如何最大化得到输出的信息？即在输出范围（dynamic range K）有限的情况下，如何设计Pn(neural filter神经元)使R（信息量）最大。        下面是基于信息最大化理论的两种预测：        预测一：假设channel noise与neural filter相互独立，可在neural filter上增加G增益，使得R’大于R，如下图所示。（Brenner et al. 2020）        预测二：neural filter的自适应滤波性质。如下图所示，高信噪比情况下，neural filter的频谱特性与输入谱成倒数关系，具有高通或带通的滤波器特性；而低信噪比情况下，neural filter的频谱特性与输入谱成正比关系，具有低通的滤波器特性。（Sharpee et al.证明，自适应滤波有利于视觉皮层的信息传输。）        这个框架的局限性： 1.自适应滤波为确定性过程，忽略了神经元本身具有随机性的量纲。 2.假设中channel noise与neural filter是独立关系，才能最大化信息，但如果Pn和G是相关关系时，在Pn上添加G，就相当于在Nc上添加G，就会相互抵消，导致R没有增大。 3.没有说明filter低通到高通变化过程以及具体机制。        在从三级计算理论框架自顶向下的研究中我们遇到了局限性，那么自底向上的研究能不能突破这些局限性呢？        物理学家Yakov Frenkel认为:“一个好的复杂系统的理论模型，需要突出其中重要的特点而忽略不重要的细节。”但是在研究的时候，我们很难知道哪个是重点哪个不是重点。因此，我们采用自底向上的方法先去研究现象，看能否在其中找到重要与不重要的信息。这里需要一个系统让我们能够采用自底向上的模式，这就需要系统满足自适应和足够的背景知识让我们来构建模型两个条件。我们最后选择了果蝇光感受器，因为它具有强大的光自适应能力，一个神经元可处理任意光强。过去的研究工作主要集中在两个领域，其中物理学家通过自顶向下的方式研究，通常提出计算理论来预测神经元的机制，而生物学家通过做各种实验来研究生物物理机制。宋卓异博士提出构建全细胞（whole-cell）模型（即生物物理模型，从基因分子层级开始搭建系统直到搭建到细胞模型并将映射出输入输出的关系为止）来将两个领域的工作联系起来，填补这两个领域之间的空白。 硬件层面分析：       果蝇光感受器的模型：左图为一个胞体（非感光部分）与微绒毛（感光部分，数量为三万个），中间图表示微绒毛的分子反应网络，将光子转导为电流响应（右图，Quantum Bump）。主要针对单细胞对于单光子相应的过程来构建分子反应链，这并不是系统模型，不能模拟细胞在持续响应光子输入情况下的输出。        上图为宋卓异博士设计的一套模型系统，能够将整个光感受器的输入映射到电压信号的输出，共分4个环节： 1.三万个微绒毛吸收光子的过程。 2.对于每个微绒毛，都有一系列的分子反应链的模型来转导光子的能量。 3.仿真三万个微绒毛所产生的光电流并集成起来输入到胞体上。 4.使用Hodgkin-Huxley模型模拟胞体上的钾离子通道的动态特性来产生电压信号。        图中显示了在不同的光强序列、暗光、亮光条件下，真实神经元的响应结果与模型仿真结果十分接近。而且模型具有无需调参，扩展性好的优点。        在具有一个比较好的模型的情况下，我们可以打开模型，向三级计算理论分析中的上面两层前进。首先我们对计算理论分析的最下层hardware implementation进行分析。模型可以响应一个光子输入序列，这是之前业内没做过也是实验中做不到的，因为微绒毛太小，不能够测得单个微绒毛对于光子序列的响应，只有在计算机仿真里可以看到每个微绒毛对光子响应序列的反应动态。分析提出了使光感受器有大范围感光能力的4个机制： 1.大量微绒毛来感光。 2.单光子反应的不应期。 3.单光子响应，暗光响应大，亮光响应小，Quantum Bump(QB) Adaptation亮光暗光反应相差可达50倍。 4.在反应过程中，内部为随机机制。        其中红色的两项机制为宋博士提出的新的机制。传统观点认为这两点都不利于信息编码，反应不应期会丢失信息，随机过程会降低信噪比。然而，这并不全面，这两点对于系统的自适应是十分有益的。 算法层面分析：            Jhon Von Neumann认为参数个数多的复杂模型拟合数据好并不能说明什么，所以简化模型更能方便研究其内部机制而且有利于构建大型仿真系统。根据四个机制简化模型，减少原参数数量（50个）到4个关键参数，即绒毛的数量，光子到来到响应的延迟（Delay），Quantum Bump(QB)形状，两个QB之间的时间间隔即不应期。             上图表示反应不应期分为两种情况：光子在不应期期间到来，光子会被丢失；光子在不应期之后到来，会形成QB。        图A为不同随机量的分布，图B为在不同的光强条件下，QB的Interval有自适应的调节，即在暗光条件下，更趋向于long tail的分布，在亮光条件下更趋向于不应期的分布。 Gain control by refractory sampling分析：        QE(quantum efficiency)为光子形成QB的比例。由于这种bump interval分布的自适应，使得系统拥有自动增益控制机制：在暗光条件下，每个光子都可产生QB，所以QE为100%。而强光条件下，光子会通过不应期丢掉，QE会下降（可降至1%）。 Adaptive filtering分析：        通过分析transfer function，由于随机的反应不应期得出adaptive filtering的机制：在暗光条件下，图中标记叉号的大括号中反应不应期的那项为0，即大括号中只剩下1，所以transfer function为低通，主要由QB频谱决定。在亮光条件下，反应不应期不为0，所以具有带通性质。             这样也就复现了之前信息最大化的两个预测，先前也提到了理论框架的局限性，现在来看看该模型是否克服局限性： 1.没有假设noise和filter是否独立，无论独立与否都可产生自适应性。 2.通过refractory（不应期） sampling来解释了高通与低通转换机制。 3.对于先前忽略随机性的局限性，提出了随机性对于信号处理的重要性。 不应期的随机性分析：        根据奈奎斯特定理（Nyquist’s Theorem），还原图像，采样频率需大于2倍的原频率，采样的信号才不会失真。采样频率低于原频率2倍时，会出现图B中的圆圈即为混叠效应也称为振铃效应。随机采样可以消除振铃效应，不过与噪声要有权衡。在视觉上，噪声可以通过平均消除，不过在感受器上形成的振铃效应是无法消除的。在时间上来也存在振铃效应问题（下图）。随机性的不应期（黑线）不容易产生震荡，然而确定性的不应期（灰线）容易产生震荡（类似于振铃效应的圆圈）。 自然界物种的自适应分析：        捕食苍蝇比被捕食苍蝇的神经元反应要快，响应快三倍，具有以下几种机制： 1. 单光子响应QB窄（图中红色曲线，显示捕食者苍蝇QB分布比被捕食者苍蝇窄）。 2. 不应期分布窄（图中黄色区域，显示捕食者苍蝇不应期的分布比被捕食者苍蝇窄）。 3. 微绒毛数量多（捕食者苍蝇拥有9万个微绒毛，而被捕食者苍蝇只拥有3万个）。 Part 1 总结： 1. 构建全细胞模型，可以把神经元的输入与输出都映射出来。 2. 有2个创新发现，亚细胞反应不应期可以作为强大的自动增益控制以及自适应的filtering机制；随机采样有利于应对信号处理的抗混叠。 3. 四个随机自适应采样机制也解释了自然界不同物种之间的神经元响应的不同特性。   Part 2 随机自适应采样机制:        先前提到模型解决了理论框架所存在的3个局限性，不过没有说明到底是什么样的刺激可以让神经元编码信息最大化。        从传统的框架来分析，如何设计Sp来让R最大化。通过信息论可以得到一定是高斯白噪声来让Sp最大化，因为高斯白噪声是一定的带宽下含信息量最大的信号。但是生物学家（Rleke et al. 1995）通过实验得出前端感知的神经元并不是对高斯白噪声响应最强烈而是对自然信号响应最强烈（是高斯白噪声的2到6倍）。        然而一直没有机理解释为什么对自然信号的响应更强烈，直到宋卓异博士使用模型系统解释了其中的原因（Song & Juusola，2014）。使用不同的输入信号来刺激模型，图（c）中显示神经元可以对自然信号编码更多的信息。这是因为在自然光信号中，暗光信号附近很大概率还是暗光信号（而高斯白噪声相邻两点是不相关的），在连续的暗光信号时期，系统内部的微绒毛更容易从反应不应期之中恢复过来，从而采样更多的光子，编码更多信息。这也说明了光感受器对于变化的光强序列处理能力很强。对于动物来说，它们可以利用时空相关性来进行信息编码。那么到底是什么样的信号才能驱动光感受器呢？        于是我们设计了各种不同频段高斯白噪声以及pink noise等。图中黑色线为输出，彩色线为输入。在红色区域的两段对比可以看到，感受器对于高斯白噪声（右下角红色区域）反应不强，而对于五指山似(burst)的输入（左上角红色区域）反应强烈。那么动物是如何与环境互动来获得五指山一样的信号呢？        通过对比动物三种不同的方式saccadic walking，linear walking, shuffled walking，发现saccadic walking可以产生burst形状的信号。其中大片暗光的视觉区域，可以使系统更容易地从不应期中恢复过来，从而编码更多信息。这就说明动物是可以通过自身行为、跟环境互动来调制光信号，来进行感知。   最后用Marr的三级计算理论分析来总结讲座： 1. Hardware Implementation Level：全细胞模型给出了生物物理的机制。 2. Algorithm Level：全细胞模型的研究设计了算法。 3. Computational theory Level：随机自适应采样理论，弥补了传统理论的不足，可能是神经信息编码最优采样方法之一。同时我们也期待新理论的出现。     Reference: [1] Hardie, R. C., & Franze, K. (2012). Photomechanical responses in Drosophila photoreceptors. Science, 338(6104), 260-263. [2] Brenner, N., Bialek, W., & Van Steveninck, R. D. R. (2000). Adaptive rescaling maximizes information transmission. Neuron, 26(3), 695-702. [3] Sharpee, T. O., Sugihara, H., Kurgansky, A. V., Rebrik, S. P., Stryker, M. P., & Miller, K. D. (2006). Adaptive filtering enhances information transmission in visual cortex. Nature, 439(7079), 936-942. [4] Song, Z., & Juusola, M. (2014). Refractory sampling links efficiency and costs of sensory encoding to stimulus statistics. Journal of Neuroscience, 34(21), 7216-7237. [5] Rieke, F., Bodnar, D. A., & Bialek, W. (1995). Naturalistic stimuli increase the rate and efficiency of information transmission by primary auditory afferents. Proceedings of the Royal Society of London. Series B: Biological Sciences, 262(1365), 259-265.   文中图片来源：宋卓异博士讲座截图。 欢迎感兴趣的同学与宋卓异老师联系。宋老师接收博士、硕士、RA申请。 联系方式为songzhuoyi@fudan.edu.cn。     本文作者：NCC lab 曲由之 校对：刘泉影、宋卓异 如需转载请先发邮件咨询：刘泉影，liuqy@sustech.edu.cn

       2020年6月11日下午，南方科技大学2020届本科十佳毕业生评选大会在学生公寓11栋101活动室举行。我校党委书记郭雨蓉，党委副书记李凤亮，我系系主任蒋兴宇等部门负责人出席担任评委。本次评选采取了现场答辩+线上直播的形式，近3.4万名观众通过南科大社交平台观看评选直播。                2020年，我校有近千名本科毕业生，他们分布于6个书院，16个院系。经过前期层层筛选，19名同学脱颖而出，成为“十佳候选人”。这19名同学通过师生投票、现场答辩的方式角逐2020年南科大十佳毕业生。        在此期间，我系科研实践“两开花”的邓雨晴一路过关斩将，荣获了2020届十佳毕业生！评选大会上，邓雨晴因正在麻省理工学院进行为期一年的交流学习，通过视频的形式展示了自己在学习、科研、社会实践、校园活动等方面的经历和收获。在短短几分钟的视频展示里，她自信洋溢、侃侃而谈，充分展现了生医工学子的综合素质和风貌风采。 邓雨晴获奖感言：        一觉醒来上演真实躺着拿奖相当激动与惊喜。看到台上9位获奖者都上去而我却无法到场还是有些遗憾的。每个人轮流发言发表获奖感言都说出了自己对书院 院系 以及南科大的感谢唯独我却没有机会在台上说出。真的很感谢生物医学工程系，给了我很多的机会还有帮助。尤其是生医工的老师们，即使只有短暂接触的任课老师都给过我很多的帮助。        而最想感谢的还是我的学术导师唐斌老师。记得之前一篇关于毕业生故事汇对我写的报道是：如果有疑惑就去聊天吧，一次不行，那就两次。真的很真实的概括了我和唐老师的相处。从选专业开始我接触到了唐老师，他从我如何选专业课、如何安排自己的学习重心分配精力、如何做科研等等给了很多很多很多很多帮助。也给了我很多的机会，让我多去接触新事物，多学习新东西。虽然只有短暂的一年时间在实验室，但是唐老师给我的资源让我学到了很多的实验技能以及科研方法。也带我发出了自己的一篇SCI一作。而对我来说，最大的遗憾可能就是没能为他招到很多学弟学妹了吧。           另外系主任蒋老师给我的帮助也让我很感动，从来没有想过自己会受到这样的关心。记得在答辩的前一天晚上11点多，蒋老师还特意打电话跟我交待了一些要点，答辩当天由于我时差原因没有办法参与问答，也是后来有同学跟我说是他在答辩结束后支持我说可以帮我回答问题。          BME的老师们给了我好多好多令我想象不到的感动，十佳候选时给自己选的标语为：幸运的人中最努力的。也大概从选择生医工开始吧。   唐斌老师课题组简介：        唐斌副教授，2001年获得同济大学材料科学与工程专业学士学位，2006年获取香港大学机械工程系博士学位。2006年至2011年期间在香港大学机械工程系任职助理教授(研究类) , 2012年至今在南方科技大学任副教授。曾荣获深圳市“孔雀计划”B类人才、“MostCited Author 2005-2008”等荣誉,主要从事疾病中组织力学及细胞力学方向的研究，在国际一流学术刊物如《Osteoarthritis and Cartilage》及《Soft Matter》等.上发表SCI论文40余篇，被引用800余次。  研究领域   1. 骨科生物材料 2. 疾病中的细胞及组织生物力学 3. 微观材料机械表征及制造技术   导师说        一起做点好玩儿的东西吧！        我想不出这世界上还有什么比发现未知，创造新事物更让人觉得兴奋和好玩的事情。在我的实验室内，我们自由探索所有感兴趣的未知，我们希望用我们的努力满足自己的求知欲和好奇心，顺便让人类更健康，更长寿，更幸福。        和谐，欢乐，脑洞大是本实验室的特点，笑点低的慎入。研究方向偏小众，但好处是出国率相应非常高。正经在实验室混上几年，踏踏实实干活的都拿了PhD 全奖（UCLA,NUS,HKU等）。目前实验室本科生出现断档了（原因是实验室3朵金花大三..忽然全部出去交流，一个MIT，一个哥大还有个是UCI）。嗯，招募人手中，只要你对生物，医学，材料，力学，工程，计算机等等学科感兴趣，那就来吧。   唐斌老师课题组官网链接：https://www.sustech.edu.cn/zh/tangbin.html  

       2020年6月10日，先健科技有限公司首席医学官，有源医疗器械部总经理曾乐朋、迈瑞公司生命信息与支持事业部副总经理岑建受聘为南方科技大学生物医学工程系产业教授，受聘仪式在腾讯会议上举行。生医工系系主任蒋兴宇及生医工系副教授陈放怡出席了授聘仪式。        授聘仪式上，蒋兴宇介绍了曾乐朋、岑建的简介信息，并宣读了聘书内容。随后，两位教授分别为我系师生带来了“中国心脏管理有源医疗器械市场现状与机会”、“国产医疗设备发展之路”的讲座。      先健科技公司是业内领先的心血管微创介入医疗器械供应商，集研发、制造和销售于一体，其高品质的、具自主知识产权的创新型产品畅销全球100多个国家，分销商网络广泛覆盖欧洲、南美洲、亚洲、非洲等地，目前为全球第二大、金砖四国最大的先心病封堵器供应商及亚洲第二大大支架产品供应商。2011年11月，先健科技公司于香港联合交易所成功上市，目前市值近百亿港币。 公司于2008年被评为“国家级高新技术企业”，拥有“博士后科研工作站”，“国家地方联合工程试验室”等高水平科研资质，承担国家“十五”科技攻关课题、国家“973”计划和国家“863”计划等政府科研项目共计50余项。公司共有6个产品获CFDA批准为创新医疗器械，是目前中国获CFDA批准创新医疗器械产品最多的医疗器械企业。        产业教授曾乐朋有着丰富的医疗器械的产业化经验：建立了美国美敦力公司心脏节律疾病管理部门的中国研发分部。中国的唯一植入专家成功支持国内知名医院开展无导线起搏器的临床试验和上市。 曾完成先健科技左心耳封堵器作为中国首个同类产品在欧洲和中国的上市前临床试验并成功获监管当局批准。曾完成先健科技左心耳封堵器的美国IDE临床试验批准。 完成先健科技二代胸主覆膜大支架完成上市前临床试验并成功获中国药监局批准上市。 实现了国家创新医疗器械芯彤心脏起搏器国产化，填补了国内空白，并于2017年底成功上市销售。2019年销售额达到2200万人民币。 自主研发的临时心脏起搏器获国家创新医疗器械，填补了国内空白，已获得美国FDA三类器械上市批准，预计2020获中国药监局批准上市销售。        迈瑞公司是中国领先的高科技医疗设备研发制造厂商，同时也是全球医用诊断设备的创新领导者之一。自1991年成立以来，迈瑞公司始终致力于面向临床医疗设备的研发和制造，产品涵盖生命信息监护、临床检验及试剂、数字医学超声成像、临床麻醉系统四大领域，将性能与价格完美平衡的医疗电子产品带到世界每一角落。时至今日，迈瑞公司在全球范围内的销售已扩展至140多个国家和地区。2019年全年营业收入165.56亿元，同比增长20.38%。 迈瑞公司总部位于中国深圳，全球员工6000余名，在中国32个主要城市设立分公司以及美国、加拿大、英国、土耳其、印度等国家设立了18个子公司，在世界各地建立了强大的分销和服务网络。2006年9月迈瑞公司作为中国首家医疗设备企业在美国纽约交易所成功上市，10月获科技部批准正式挂牌成立“国家医用诊断仪器工程技术研究中心”，担纲引领民族医疗设备发展之重任。        产业教授岑建负责监护、除颤、呼吸、麻醉、输液泵等生命监测和支持类产品的技术规划研究、产品开发、研发管理工作。监护、除颤等产品均为国内市场份额第一。曾作为第一完成人，《高端转运监护仪》获得2017年广东省科学技术奖二等奖；曾作为第二完成人，《基于实时统计分析的高可信生命体征监测关键技术及产品应用》获得2018年广东省技术发明奖二等奖。曾作为主要完成人获得一项国家集成电路布图著作权，作为主要发明人获得30多项国内发明专利和美国发明专利授权。曾主导完成8项医疗设备国家和行业标准起草，参与多项医疗设备国家和行业标准的制修订工作 参与除颤仪、脉搏血氧计等多项国家医疗器械审评指导原则编写。        两位产业教授加入我系之后，将持续深化产教融合，推动所在企业与高校联合申报国家和省级科研项目，推动所在企业承担高校科研成果中试放大和产业化基地建设。同时，两位教授还将参与我系学科团队建设，对提升本学科水平和支撑、引领产业发展提出战略性、前瞻性、创造性构想，并与校内导师联合指导博士、硕士研究生，推动校企良性互动。  

       当下，脑电信号（EEG signal）在临床医学诊断、⼈际交互、认知科学等众多研究领域已经得到了⼴泛的应⽤，但由于脑电信号⼗分微弱，很容易受到各种噪声（如眼电、⼼电、肌电、运动伪迹等）的⼲扰，因而对其降噪就格外重要。受南⽅科技⼤学⽣物医学⼯程系刘泉影助理教授邀请，来⾃中国科学技术⼤学的陈勋教授于2020年5⽉29⽇晚，在腾讯会议平台以专业的知识和⽣动的例⼦从4个层次介绍了受肌电信号污染的脑电信号降噪问题：简要理论基础（如独⽴成分分析、联合盲源分离等）、动机、在该⽅向上的若⼲新探索、总结与挑战。   一、内容简介        盲源分离（Blind Source Separation, BSS）[1,2]是脑电降噪领域非常“有价值且有效的⽅法”。在盲源分离应用于脑电去噪之前，对于脑电信号的降噪主要使⽤的是基于滤波器或者回归思想的⽅法。但是这些传统⽅法都或多或少存在⼀些难以回避的问题，⽐如需要测量各噪声通道来得到参考信号等。与之相⽐，盲源分离⽅法的优势在于其只需要测量信号⽽不需要参考信号，即能通过统计上的推断将噪声信号分离出来。 图1.鸡尾酒舞会问题（Cocktail Party Problem）示意图          如上图1所示，盲源分离技术源于鸡尾酒舞会问题（Cocktail Party Problem）。即有 N个⼈同时在⼀个舞会⾥聊天（即图中S, sources），同时有在舞会的周围布置有N⽀⻨克⻛，这些⻨克⻛也都同时在不同的⻆度记录了舞会中所有⼈声⾳混合之后的信号（即图中 X, observations）。针对这个问题，盲源分离技术要实现的就是在没有额外信息的基础上，将N个⼈的声⾳独⽴地分离出来。该技术的实现原理是统计独⽴性。例如上述问题中的N个⼈产⽣的N个声⾳信号⼀般在分布、（⾼阶）统计特性上是不同的，即是独⽴的。但要注意的⼀点是，恢复后的信号（recovered sources）⼀般模式相同，但顺序、幅值会发⽣变化，这是因为混合矩阵A是未知的。我们可以⽤图2所示“公式”X=AS来表示这⼀关系，其中矩阵X, A, S与在 上述问题中的意义相同。 图2.盲源分离（Blind Source Separation, BSS）的公式表示          对于脑电信号和其中各种噪声分离的实现中使⽤盲源分离技术的思路由图3所示。 图3. 盲源分离技术在脑电及噪声信号分离中的应⽤思路          之后，陈教授借由对帕⾦森病⼈的脑⽹络分析项⽬介绍，进⼀步引出了联合盲源分离（Joint Blind Source Separation, JBSS）技术[3]。在这个项⽬中使⽤联合盲源分离的技术主要是为了实现对多个数据集同时进⾏盲源分离，并提取出其中具有共性的特征或模式。        如图4所示，盲源分离技术只能够实现在⼀个数据集中提取出多个不相关（或独⽴）的数据组，⽽使⽤联合盲源分离技术则在单个数据集中实现提取多个不相关（或独⽴）数据组的前提下，横向保证了不同数据集内对应类型的数据组（即图中深浅不⼀但颜⾊相近的⽅块）是相关联的。         图5则展示了在多个通道的脑电信号处理中应⽤联合盲源分离技术之后的效果，其中前3⾏信号均具有相同的模式（例如第1⾏代表了脑电信号，第2⾏代表了⼼电信号等），第4⾏则是各个通道⾃有的特殊的模式。使⽤联合盲源分离技术的意义在于，可以代替⼈⼯“对⻬”各个通道分离之后信号的⼯作，特别是在通道数较多时更有其优势。同时，因为联合盲源分离考虑了“相同意义”数据组的相关性，所以对单通道的盲源分离也会因此有更⾼的准确度（即其增加了⼀个维度的信息，使得分解更为有效）。 图4. 盲源分离与联合盲源分离对⽐模式图 图5.联合盲源分离技术在对多通道脑电信号分解时的例⼦   二、研究动机        陈教授简要介绍了联合盲源分离技术在两类问题中的应⽤： 1. 在多模态（Multimodality）分析中的应⽤； 2. 在组分析（Group Analysis）中的应⽤。        在图6所示的多模态分析任务中， 医⽣可能已经测得了病⼈的sMRI、fMRI、SNP等信息，便可以使⽤联合盲源分析技术对这些模态之间的关联进⾏分析。例如，可以通过该⼿段分析出精神分裂症患者的脑部在结构上有哪些缺陷，因此导致了怎样的功能上的失常，同时这样的结构缺陷⼜是由哪些基因位点所控制的。 图6. 联合盲源分离技术在多模态分析中的应⽤举例          同时，在下图7所示的组分析任务中，我们已知同⼀种疾病在不同⼈群中表现的形式和症状可能是“相似⽽⼜不同”的，即其存在共性⼜在个体间存在独特性。因此，在医学上对于个体的分析有时候可能并没有太⼤的意义，此时便需要进⾏组分析，以得到群体⽔平上相同或相似的⼀些特征。        接着，陈教授就联合盲源分离的⽬标函数（Objective Functions）做了⼀定的阐述和分析。例如在图8中展示的IC-PLS or Parallel ICA模型（⼀种独⽴和相关同时优化的模型）的公式中，我们的⽬标便在于使得数据集之间是有关联的，同时各个数据集内数据组是相互独⽴的，其中权重w是可调的以使其能够优化。基于此可以推导出适⽤于多模态分析和组分析的变形。 图7. 联合盲源分离技术在组分析中的应⽤举例 图8. IC-PLS 或 Parallel ICA模型的⽬标函数   三、近期进展        在这一部分中，陈教授先介绍了目前同样广泛运用的一种盲源分离方法：典型相关分析（Canonical Correlation Analysis，CCA），接着介绍了他近年在脑电信号去噪方面研究的一些进展，从独立向量分析开始，再到单通道分析和少通道分析，之后再将这两个方法运用到多通道分析。        多通道的盲源分离方法除了ICA以外还有典型相关分析(Canonical Correlation Analysis, CCA)，不同于ICA假设不同来源的信号相独立，CCA通过利用脑电的自相关系数比肌电大这一特性将脑电与肌电分开。仿真结果显示（下图9） CCA相对ICA及其他滤波器效果更好[4]。 图9. CCA去噪仿真结果          ICA虽然已经可以较好地完成脑电的去噪任务但在处理复杂肌电噪声的时候面临一些问题。陈教授也着眼于ICA的改进，通过保留ICA的独立性并且借鉴了CCA的自相关性，构建了一个联合盲源分离方法（下图11）：独立向量分析(Independent Vector Analysis, IVA) , 该方法通过对数据进行k次延时获得k个数据集，以利用数据集之间的依赖信息使数据集之间的对应源相互依赖（CCA），而在每个数据集中利用信息论的相关准则（下图10）把源分解为相互独立的部分（ICA）[5]。 图10. 互信息 图11. IVA方法模式图 图12. 肌电噪声信号模拟          在验证IVA的去噪能力时，陈教授混合四种不同的肌电信号（上图12）并与干净的脑电信号叠加，以定量分析算法的去噪能力，最后发现无论是频域还是时域的，以及相关性上，IVA都优于CCA和ICA，尤其是在污染严重的情况下，见下图13。 图13. IVA去噪仿真结果          接下来陈教授尝试使用IVA算法对癫痫患者的脑电信号进行了降噪，该信号被肌电严重干扰，但是IVA算法也取得了很好的效果（图14）从图中可以看出IVA相比ICA和CCA既在高频段有效压制高频肌电信号，又没有在低频段（即有效脑电信号波段）破坏脑电信号。 图14. 癫痫信号降噪频率图          随着科技的不断发展，医疗系统有着从传统的以医院为中心向以手机为基础的方向发展的趋势。在这样的一个趋势下，脑电采集设备的体积也越来越小，甚至有些设备只有一个通道，而此时传统的多通道方法无法应用，那该如何只从一个通道去除噪声信号呢？ 图15. 单通道降噪架构图          陈教授设计了一个构架（图15），先将单通道通过小波变换、经验模式分解（Empirical Mode Decomposition， EMD）、奇异谱分解等方式将其分解为多通道信号，再采用BSS方法对其进行降噪后进行重建。通过仿真实验（图16），我们可以看到虽然在污染较为严重的地方不是特别完美，但也有着不错的效果[6]。 图16. 单通道降噪仿真结果          接下来陈教授又研究了单通道联合盲信号分离时，延时的次数（也就是数据集个数）与降噪性能的关系。虽然理论上延时的次数越多降噪的效果越好，但研究发现：当延时次数为三次或者三次以上（也就是有三个或三个以上的数据集）时，性能就比较稳定了（图17）。 图17. 延时次数与降噪能力的关系          既然已经做出来了单通道降噪方法，那将它引入多通道降噪会不会让产生比传统的多通道降噪更好的效果呢？        理论上多通道包含着更多的信息，也意味着具有更好的去噪效果。这种猜想对EOG、ECG和运动伪迹可能是对的，它们的模式相对简单。 然而，考虑到肌肉伪迹噪声源比较多的特点，脑电图通道的增加很可能意味着肌电来源的复杂性也增加了。在这种情况下，多通道技术可能会失去其固有的优势。在进行仿真后发现单通道降噪（EEMD-CCA）相比多通道降噪（CCA）确实有更好的效果（下图18）[7]。 图18. EEMD-CCA与CCA的降噪能力仿真检验 图19. 适用于不同通道数的统一降噪架构          因为单通道降噪相对多通道降噪有着更好的效果，陈教授以此为基础设计了一种统一的架构（EEMD-CCA）（上图19），无论是单通道、多通道还是少通道，都能进行降噪处理并取得不错的效果。通过定量分析（下图20）我们可以看出该架构相对于传统的ICA和CCA在19通道、9通道、5通道时都能取得更好的效果 [8]。 图20.适用于不同通道数的统一降噪架构降噪模拟结果 图21. MEMD-CCA架构          未来多数商业化的便携式脑电图设备可能都是少量通道设计，如2至8通道。此时如果单纯使用多通道BSS方法性能会比较有限。单通道方法也可以以逐通道的方式应用，但是没有考虑到通道间的相关性。陈教授针对这一需求设计出了一种基于多通道EMD（MEMD）和CCA的新架构（上图21），相比于之前通过EEMD对每一个通道单独分解，MEMD将所有通道一起分解，利用不同通道相同的频率成分，分解更为精确。 在定量测试中，无论是全仿真（simulated）还是半仿真（Semi- simulated），MEMD-CCA相对于其他分解方法都能取得更好的效果（下图22）（详细信息见陈教授的论文[9]）。 图22. MEMD-CCA仿真结果          接下来陈教授又将少通道的降噪方法用于多通道去噪，将空间上相近的几个通道划为一组，充分利用近邻直接的相关性，对每一组使用MEMD进行联合分解，最终通过仿真验证（下图23）证明了MEMD-CCA相对于CCA有着更好的效果[10]。 图23. MEMD-CCA用于多通道降噪仿真结果          陈教授的降噪架构也在实际运用中获得了良好的效果。Prof. Daniel Ferris采用了EEMD-CCA方法作为重要的工具，从高密度脑电图记录中去除重肌电噪声，从而找到平衡学习背后的潜在机制。Prof. Jung的小组在他们的少通道移动BCI系统中采用了MEMD-CCA方法来去除肌肉活动，提高了分类的准确性。          本次讲座，陈教授在Joint BSS的基础上，探讨了多通道、单通道和少通道三种通道构型以及它们之间的关系。        在不同的应用中，肌肉伪影可能有非常不同的特征，例如在睡眠、脑磁刺激、电刺激、癫痫、脑电图-功能磁共振成像中，肌肉源数量、污染程度、可用信道数、时间样本数量、放电的肌组织都不一样，而相应降噪方法都会有所差别，需要研究者结合不同的引用来设计不同的方法。陈教授建议大家如果想要在这方面更进一步的话可以从降噪的深度（开发新方法，如欠定、动态、非线性）和广度（探索一种混合的、循序渐进的方式来结合多种方法的优点）入手。        陈教授也在2019年写了一篇Review（Removal of Muscle Artifacts From the EEG: A Review and Recommendations [11]），包含了近几年脑电中肌电的降噪工作。        本文的最后，陈教授送给各位研究者的降噪大礼包，因为在不同应用条件下噪声的情况是多种多样的，没有一种方法能适合所有情况，陈教授开发了一个免费的工具箱（ReMAE），鼓励脑电图研究人员和临床工作人员广泛研究各种应用中的各种方法。（下图24）。 图24. ReMAE工具箱     如何下载降噪工具包？ 请访问链接:  http://staff.ustc.edu.cn/~xunchen/resource.htm        要获得工具箱包，请下载网站内的许可协议。将其打印、签署、扫描并通过电子邮件发送至xunchen@ustc.edu.cn，邮件主题为“ReMAE使用请求”。请使用您所在机构的电子邮件发送申请，并在电子邮件中说明您的职位、您所在的机构以及研究目的。收到后，下载工具箱的链接会被发送到您的机构电子邮件。     参考文献： 1. Martin J. Mckeown, Scott Makeig, Greg G. Brown, et al. Analysis of FMRI Data by Blind Separation into Independent Spatial Components[J]. Human Brain Mapping, 1998, 6(3):160-188. 2. Jung T P , Makeig S , Humphries C , et al. Removing electroencephalographic artifacts by blind source separation[J]. psychophysiology, 2000, 37(2):163-178. 3. Chen X , Wang Z J , Mckeown M J . A Three-Step Multimodal Analysis Framework for Modeling Corticomuscular Activity With Application to Parkinson’s Disease[J]. IEEE Journal of Biomedical & Health Informatics, 2014, 18(4):1232-1241. Clercq W D , Vergult A , Vanrumste B , et al. Canonical Correlation Analysis Applied to Remove Muscle Artifacts From the Electroencephalogram[J]. IEEE Transactions on Biomedical Engineering, 2006, 53(12):2583-2587. 4. Chen X, Peng H, Yu F, et al. Independent Vector Analysis Applied to Remove Muscle Artifacts in EEG Data[J]. IEEE Transactions on Instrumentation and Measurement, 2017:1-10. 5. Chen X, Liu A, Peng H, et al. A Preliminary Study of Muscular Artifact Cancellation in Single-Channel EEG[J]. Sensors, 2014, 14(10):18370-18389. 6. Chen X, Liu A, Chiang J, et al. Removing Muscle Artifacts From EEG Data: Multichannel or Single-Channel Techniques?[J]. IEEE Sensors Journal, 2016, 16(7):1986-1997. 7. Chen X, Chen Q, Zhang Y, et al. A Novel EEMD-CCA Approach to Removing Muscle Artifacts for Pervasive EEG[J]. IEEE Sensors Journal, 2018:1-1. 8. Chen X, Xu X, Liu A, et al. The Use of Multivariate EMD and CCA for Denoising Muscle Artifacts From Few-Channel EEG Recordings[J]. IEEE Transactions on Instrumentation and Measurement, 2018, 67(2):359-370. 9. Xu X, Liu A, Chen X. A novel few-channel strategy for removing muscle artifacts from multichannel EEG data[C]// IEEE Global Conference on Signal & Information Processing. IEEE, 2017. 10. Chen X, Xu X, Liu A, et al. Removal of Muscle Artifacts From the EEG: A Review and Recommendations[J]. IEEE sensors journal, 2019, 19(14):5353-5368. 11. Chen X, Xu X, Liu A, et al. Removal of Muscle Artifacts From the EEG: A Review and Recommendations[J]. IEEE sensors journal, 2019, 19(14):5353-5368.   文中所有图片均来自陈勋教授网上讲座的屏幕截图。     本文作者：NCC lab李哲汭，张皓铭