ENG

勇于冒险 甘于艰苦 乐于和谐

Adventurous Arduous Amiable

2020-07-06 | 教学新闻

南方科技大学生物医学工程系2020年暑期夏令营圆满结束

       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

2020-07-06 | 科研新闻

从神经影像计算与分析到视觉信息编解码

       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

2020-07-06 | 教学新闻

南科大2020届毕业典礼 | 研究生毕业生代表生医工系张子一:带着“南科印迹”笃定前行

  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!

2020-06-23 | 科研新闻

复旦大学类脑智能科学与技术研究院宋卓异研究员为我系开展线上报告

       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

2020-06-12 | 教学新闻

喜讯 | 恭喜我系邓雨晴荣获2020届“十佳毕业生”

       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  

2020-06-10 | 教学新闻

先健科技公司首席医学官曾乐朋、迈瑞公司生命信息与支持事业部副总经理岑建受聘为我系产业教授

       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。  

2020-06-04 | 科研新闻

中国科学技术⼤学陈勋教授为我系开展线上学术报告

       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

2020-05-22 | 科研新闻

南科大张明明课题组在柔性康复外骨骼按需辅助策略方向取得研究进展

       南方科技大学生物医学工程系张明明助理教授研究团队2019级博士研究生钟斌在机器人工程领域旗舰期刊IEEE Transactions on Automation Science and Engineering(IF=5.293)上发表最新研究成果,该研究提出了一种基于滑模控制策略的下肢外骨骼关节位置及柔性同步控制算法,适用于人造气动肌肉驱动的康复设备,实现了按需辅助的柔顺控制提升了康复的效果。        按需辅助策略能够显著提升患者在机器人辅助康复过程的积极性从而提升康复效果,同时人机交互的安全性是所有康复设备的首要考虑因素。人造气动肌肉其独特的柔性使得它可以作为康复设备驱动器的良好选择,而气动肌肉自身固有的非线性特点也使得构建精确的数学模型极具挑战。该研究提出了一种采用人造肌肉的平均压力作为反馈来评估患者的实时参与程度,并同步实现关节位置控制和关节柔性控制。关节的柔性及辅助力大小通过反馈评估进行实时调节,最终实现按需辅助的康复策略。验证实验一共12受试者参加,实验结果表明,系统在该算法下能够以较小的误差跟随下肢关节的运动,同时评估受试者的参与程度进行辅助力调节。该研究结果对人造气动肌肉在康复设备中的广泛应用具有重要意义。        The comparison between the desired and actual gait trajectories of the two actuated joints during the validation experiments. The trajectories have been normalized to one gait cycle. The red lines are the predefined reference gait trajectory. The blue lines represent the average gait trajectories over the experimental period. The shaded area stands for the standard deviations of the average trajectories over the recorded gait cycles. Subplots (a, c, e, g) are the trajectories of the knee joint and subplots (b, d, f, h) are for the hip joint. The subplots in the top, second, third and bottom rows are for experiments with desired average antagonistic PM pressures 160, 240, 320 and 400 KPa respectively.          南科大2019级博士生钟斌为本文第一作者,张明明助理教授为通讯作者,南科大为第一单位和通讯单位。该研究获得了国家自然科学基金、广东省自然基金和广东省普通高校青年创新人才项目的资助。   供稿:钟斌

2020-05-22 | 综合新闻

南方科技大学生物医学工程系内部审计进点会议顺利举行

       2020年5月22日上午9:00南方科技大学生物医学工程系内部审计进点会议在台州楼323会议室顺利举行,会议由纪检监察室(审计法务室)张永宁副主任主持,纪检监察室(审计法务室)主任潘景辉、成员管馨、审计组成员(深圳正先会计师事务所)项目负责人于莉、黄子玥、赖丽蓉、生物医学工程系系主任蒋兴宇及多名生物医学工程系职工代表出席会议。        潘永辉主任表示,内部审计进点工作是学校每年例行的一个工作,同时也是一个学校各单位之间学习交流的机会。今年我校需要接受审计的单位共有十三个,希望大家能积极配合,加强协调,按要求完成审计工作。今年也是我校建校第十周年,我校自建校以来一直处于蓬勃发展中,当然还有很多需要建立健全制度体系发展的地方,通过内部审计工作,我们从客观事实的角度去发现问题并解决问题,形成良性的工作机制,希望接受审计的单位一定要跟纪检监察室和事务所的同事加强沟通,认真核实每一项需要接受审计的事项,共同推进学校审计工作进展。        张永宁副主任对审计内容和具体事项进行了简要说明,介绍了在接下来的现场审记工作中将主要核查到院系近年来的的财务收支情况,涉及预算、收支、资产、采购、合同、劳务费、科研经费和基建工程相关等多项事务,并出具详细审计报告,院系层面要协助做到各方面细节表述准确清晰,并根据审计报告积极进行问题整改。        系主任蒋兴宇老师对我系基本情况作了简要介绍,并表示,使用纳税人的钱进行教学科研工作并接受审计是我们应尽的职责和义务,我们全系职工一定会全力配合,感谢审计部门帮我们一起发现问题、解决问题。审计工作的进行是为了今后进一步规范合理使用经费,同时内部审计也是一个帮助我们教职工学习和了解国家经费财务制度管理的一个很好的机会。在接下来的工作中我们一定多和审计组的同事们多请教多沟通。        据悉,根据《审计署关于内部审计工作的规定》第十二条及学校年度审计工作计划,我校纪检监察室(审计法务室)委托深圳正先会计自2020年5月18日起对我系2017-2019年度财务收支及内部控制情况进行审计。   供稿:张艺真

2020-05-21 | 科研新闻

清华大学计算机系胡晓林副教授受邀开展线上讲座

       受南方科技大学生物医学工程系刘泉影助理教授邀请,来自清华大学计算机系胡晓林副教授(http://www.xlhu.cn/)于腾讯会议平台在线讲座,通过深度学习模型对脑的视听觉环路建立计算模型这两个案例,阐释了:1)利用层次化结构的深度学习计算模型能够很好地展现视觉、听觉的高层皮层神经元的功能特点,2)神经元的稀疏发放与神经元表征的分层特异性密不可分。同时,本讲座还回顾了脑智能(Brain Intelligence)和 人工智能(Artificial intelligence)之间是如何相互促进发展的。   一、脑智能(BI)和人工智能(AI)        不管是Werbos 和 Rumelhrat 等人,在80年代从McCulloch, Pitts和Rosennblatt等人的基础上提出的多层感知机和反向传播算法(Back-Propogation, BP),还是LeCun在1989年基于Fukushima和Wiesel的工作,结合BP提出的卷积神经网络(CNN),都离不开脑科学的指引。因为在1943年McCulloch 和Pitts提出阈值逻辑单元;Wiesel 等人在50年代末,在猫上做的一个实验,发现了简单细胞和复杂细胞,随后Fukushima在这个发现基础上提出了认知机(Neocognitron),最先出发点都是为了揭示大脑的工作原理。后来发现这些模型在工程上有很重要的应用价值,所以人工智能的发展是和脑科学有密切相关的(见图1)。 图1:脑智能与人工智能双线发展历程   二、从深度学习的角度看大脑        视听觉系统的结构都是层级化的结构,这个和深度学习计算模型的结构是一致的(见图2)。虽然两者之间有一些显著的差别(例如在视觉系统广泛存在反馈(Feedback)和循环(Recurrent)的机制,在深度学习计算模型尚没有广泛被应用),但是这两者整体都是层次化的结构,这样我们可以研究两个系统之间的联系与相同之处。 图2: 视觉环路,听觉环路,人工神经网络(从左到右)   三、视觉通路和人工神经网络        MIT的James Dicarlo早期的工作中,通过比较发现:视觉环路和人工神经网络在高层的神经元有比较一致的发放(firing)。这个工作证明了,这两个系统,在这种层级的联系下具有一定的联系。Freeman等人通过给一些图片刺激发现,V1的神经元对这些图片特异性不大,而V2的神经元对这些图片有一定的特异性。Okazawa 等人发现在V4的神经元也会对这些图片有一定的特异性。        为了研究到底是什么导致了v2和V4的神经元对这些图片有一定的特异性,而v1的神经元对这些图片的特异性不大,只有通过计算模型来解释视觉环路中的机制。传统的计算模型都是单层模型,很难去解释环路上多层级上神经元的特异性,因而深度学习计算模型一个很好的选择。因为他是一个层级化的模型,可以对比不同层级的神经元反应。        具体做法如下:        首先,通过算法在原图片基础上合成光谱匹配噪声图片(Spectrally matched noise images,SM)和自然纹理图片 (Naturalistic texture images,NT)(见图3A),这里的SM图片的光谱的原图片是一样的,NT 图片具有和原图有很高的高阶统计特性。 其次,分别把原图,SM,NT图片输入到一个深度学习计算模型(见图3B),记录低层级和高层级的人工神经元的反应。类似在神经科学里面做生理实验,把这个计算模型看作一个小白鼠,给它看图片。这样的一个好处就是所有的人工神经元都可以记录,而小白鼠只能记录部分的真实神经元。此外,通过正则化的系数来调控神经元发放的稀疏性,从而研究稀疏性对层级特异性的影响。        最后,定义一个 Modulation Index(MI)(见图3 )指标来衡量神经元对NT图片的特异性,基于MI指标来量化各层级神经元的特异性。 图3:  A. 原始,SM 和 NT图片,B 视觉深度学习计算模型        实验结果发现:在Pretrained 的VGG和Alexnet(有监督模型)做了实验发现,从计算模型的低层级到高层级的神经元的MI是一个上升的趋势,单个的神经元的MI在低层级基本也是没有特异性的,在高层级的神经元是有一定的特异性的(见图4)。前面的计算模型是有监督的,但类似的结果也在SHMAX(无监督模型)计算模型上得到验证。 图4 : MI在视觉深度学习计算模型的各层级的MI 和层级单神经元的MI值        视觉环路与深度学习计算模型的联系,总结如下: 1. 深度学习计算模型层级神经元的特异性和真实视觉环路有较好的对应得益于深度学习计算模型的层级化结构 2. 深度学习计算模型层级神经元的特异性与有监督和无监督学习无关 3. 深度学习计算模型随着层级越高,所对应层级的神经元的特异性越显著 4. 深度学习计算模型的层级稀疏性(sparsity )越强,所对应层级的神经元的特异性越显著   四、听觉环路和人工神经网络        听觉环路也是一个层级结构(见图5),声音从耳蜗(Cochlea)传到下丘(IC)再到听觉皮层。一共6层,不同层级的神经元的反应特异性性不一样。De Boer和de Jongh等人发现耳蜗对声音有不同波长的处理 ;Lesica和Grothe等人发现在下丘的神经元对某些声音有抑制和兴奋;,Mesgarani等人发现在听觉皮层的神经元会对辅音,元音,鼻音有一定的特异性。 图5: 听觉环路        为什么在不同层级的神经元有不同的特异性呢?        类似于深度学习计算模型在视觉环路的研究,胡教授利用深度学习计算模型来研究听觉环路,建立了听觉稀疏发放计算模型(见图6),把声音输入经过耳蜗过滤得到的stimuli 作为计算模型的输入,就可以得到听觉皮层的神经元对声音的特异性。 图6: 视觉深度学习计算模型        研究发现,视觉深度学习计算模型的Layer S2的神经元和猫的下丘神经元的统计特性很一致(见图7),听觉深度学习计算模型的Layer C6(见图8)的神经元也会对辅音,元音,鼻音有一定的特异性,与猫的更高级的听觉皮层类似。 图7: 听觉深度学习计算模型 S2层的神经元和猫下丘的神经元的统计结果 图8: 听觉深度学习计算模型 C6层神经元的F-Ratio        听觉环路与深度学习计算模型的联系,总结: 1. 深度学习计算模型高层级神经元能够展示视听觉皮层的高阶区域的神经元的特异性。 2. 稀疏编码对塑造神经元的反应有非常重要的意义。 3. 深度学习计算模型层级人工神经元和真实的生物系统神经元长的太不一致了,只是在抽象上是有相类似的层级化结构,并不能用深度学习计算模型做一些细致的神经科学研究工作。   参考文献: Chengxu Zhuang, Yulong Wang, Daniel Yamins, Xiaolin Hu*, “Deep learning predicts a correlation between a functional signature of higher visual areas and sparse firing of neurons,” Frontiers in Computational Neuroscience, 2017. Doi: 10.3389/fncom.2017.00100 Qingtian Zhang, Xiaolin Hu*, Bo Hong, Bo Zhang, “A hierarchical sparse coding model predicts acoustic feature encoding in both auditory midbrain and cortex,” PLOS Computational Biology, 15(2): e1006766, 2019.   胡晓林老师的talk视频已经上传B站。如有兴趣可点击下方链接观看完整的报告视频: https://www.bilibili.com/video/BV1q5411473N/ 注:本文的描述如有跟视频内容不符之处,以胡老师的talk视频为准。     本文作者:冉旭明 视频录制:王正旸 校对:刘泉影

2020-05-21 | 科研新闻

南科大李凯课题组在《德国应用化学》发表低温光热疗法研究成果

       近日,南方科技大学生物医学工程系副教授李凯课题组在小分子光热剂的机制研究及其在协同HSP70抑制策略的低温光热治疗的应用取得最新进展。研究成果以“Photoinduced Nonadiabatic Decay-guided Molecular Motor Triggers Effective Photothermal Conversion for Hyperthermia Cancer Therapy”为题发表于化学类国际顶尖期刊《德国应用化学》(Angewandte Chemie International Edition)。        光热疗法(PTT)已成为癌症治疗的重要研究方向,然而目前传统的PTT面临诸多局限,比如无机/有机光热剂(photothermal agents, PTA)合成复杂、激光功率密度依赖较高、高温PTT易造成正常组织损伤等副作用。因此,开发新型光热剂介导的低温(43℃)PTT策略具有重要意义。在本项工作中,课题组合理地设计出一种基于光诱导非绝热衰退(PIND)效应的新型有机小分子,并利用Apoptozole(Apo)对细胞热损伤修复蛋白HSP70的表达抑制作用,实现了808 nm激光器低功率密度下的43℃高效PTT肿瘤治疗。 图1.光诱导非绝热衰退(PIND)型有机小分子的光物理性质及其工作原理。        生物医学工程系、前沿与交叉科学研究院研究副教授倪侦翔介绍,此次研制的新型有机小分子是一种亚胺基分子马达,该类亚胺基分子马达在受到激光照射而跃迁到激发态时,会受到较强的分子内扭曲电荷转移(TICT)效应的影响,这种影响有助于其通过圆锥交叉(CI)过程,以非辐射衰退的方式释放能量回到基态,而此过程可被视为一种光诱导非绝热衰退(PIND)现象。相较于商业化探针ICG,该类激发态分子几乎无荧光的释放,因此能更完善地将光能转换成热能,实现高达90%的光热转换效率。 图2. C6TI/Apo-Tat NPs介导的低温PTT肿瘤治疗。(a) 808nm激光器(0.5 W cm-2)照射小鼠肿瘤部位随时间变化的温度曲线图;(b) 不同治疗组肿瘤大小随时间变化的肿瘤生长曲线;(c) 不同治疗组第14天解剖所得肿瘤照片;(d) 原位肿瘤组织切片的HSP70免疫组化和TUNEL染色分析,标尺= 100 μm。          在动物实验方面,课题组通过纳米沉淀法和细胞穿膜肽的表面修饰,构建出热响应肿瘤细胞递送系统,并且以裸鼠的4T1皮下移植瘤作为肿瘤模型,研究C6TI/Apo-Tat 纳米微粒介导的低温PTT肿瘤治疗效果。如图2a所示,小鼠尾静脉注射C6TI/Apo-Tat 8小时后,使用808 nm激光器(0.5 W cm-2)照射小鼠,肿瘤部位快速升温至43℃,并达到平台期保持稳定。以此功率分别进行C6TI/Apo-Tat和C6TI-Tat介导的PTT肿瘤治疗,结果显示C6TI/Apo-Tat对肿瘤的治疗效果显著优于C6TI-Tat,且C6TI/Apo-Tat治疗组肿瘤复发明显低于C6TI-Tat治疗组(图2b、2c)。通过对两个治疗组原位肿瘤组织切片HSP70免疫和TUNEL组化染色分析(图2d),课题组发现热触发释放的Apo可有效抑制肿瘤部位细胞热损伤修复蛋白HSP70的表达,导致C6TI/Apo-Tat介导的低温PTT肿瘤细胞凋亡率显著高于C6TI-Tat治疗组,证明了该联合治疗策略的有效性。因此,本研究开发出新型高效光热转换分子马达,避免了传统光热剂需要引用长烷基链或复杂取代基的合成方式,结合对热损伤修复蛋白HSP70表达的抑制机理,有效突破了传统高温PTT治疗的局限性,为小分子高效光热剂的开发提供了新思路。        南方科技大学为论文第一通讯单位,倪侦翔为论文第一作者,李凯为唯一通讯作者,课题组成员杨光、康天怿、查梦蕾、李迓曦等为共同作者。研究得到国家自然科学基金及深圳市基础研究计划等项目的资助。   论文链接: https://www.onlinelibrary.wiley.com/doi/10.1002/anie.202002516     供稿:生物医学工程系 通讯员:肖然 编辑:吴一敏 主图设计:丘妍

2020-05-20 | 科研新闻

中国科学院心理研究所伍海燕老师受邀开展线上讲座

       受南方科技大学生物医学工程系邀请,来自中国科学院心理研究所的伍海燕副研究员于腾讯会议平台以专业又不失幽默的方式通过最近的研究案例阐释了突发公共卫生安全事件(如,新冠肺炎)下产生的焦虑等心理反应。此类问题相关的研究角度多样,例如心理理论、社会影响、文化影响,情绪因素等,也包括决策的计算模型等定量研究。研究方法则主要涉及在线实验,脑刺激,脑影像处理和EEG-fMRI同步技术等。        围绕着“焦虑”这一核心主题,本报告对以下三个具体的研究案例进行了生动的介绍:1)焦虑、共情与亲社会行为;2)焦虑、隔离与好奇心;3)焦虑、隔离与生命意义感。   一、疼痛共情与亲社会行为与疫情爆发的影响关系        首先,简单介绍几个共情研究的例子。如下图所示,图a研究了观看他人闻令人厌恶气味的视频与自己闻令人厌恶的气味的脑激活对比图。脑激活对比中可以看出两种条件有相似的脑激活。图b是客观观察他人肢体触摸的视频和主观体验被触摸两种条件下的脑激活对比,可以看出在客观条件下,被试脑激活也与主观体验条件类似。图c是人自身感知疼痛相比于感知同伴的疼痛的共情脑区激活特征。图d是女性观看对她公平的被试接受疼痛刺激时激活共情相关脑区。图e 观看潜在产生疼痛的图片刺激激活共情相关脑区。图f是面部表情为中性和疼痛反应的脑区激活共情脑区。图g 是看手被针扎产生共情。 图1 共情研究示例        那么灾难的发生是否会导致亲社会行为增加呢?COVID-19从爆发至今也有几个月的时间了,人们是否会由于长期接触和接受灾难信息而产生共情疲劳呢?        关于这个两个问题的解答,有两种相反的背景理论作为假设支持,分别是心理台风眼效应与涟漪效应。针对COVID-19疫情,以武汉为起点,考虑被试距武汉的距离及其共情能力之间的关系,并作出如下假设:1)随着COVID-19的突发,共情导致的亲社会意愿(疼痛分享意愿)会在疫情期间降低,并且这种亲社会意愿的转变会被共情的水平显著调控,表现为对疼痛表现者的评分降低。2)过度暴露于多种信息可能会影响共情。3)疫情爆发所产生的焦虑对共情和亲社会行为的影响可能受到距疫情中央地区的距离影响。   心理台风眼效应: 心理台风眼效应来自早期心理所李纾研究员在汶川地震发生时的相关心理学研究。发现越靠近汶川的居民,对汶川地震灾难事件表现的反而越平静。而距离汶川越远的民众的焦虑和担忧反而更多。 涟漪效应: 涟漪效应较为传统,认为风险中心区的群体风险知觉水平最高,随着风险事件的影响一圈一圈的向外扩散,非风险中心区个体的风险知觉水平将逐渐下降。          第一批实验材料在2019年11月份制作和投放,采集了520名控制组数据收集数据。当时虽然未能预期疫情的发生,但是从数据构成的角度刚好可以被用到此研究中。疫情期间的实验材料同样是以网络实验的方式与2020年2月23号至2月24号期间采集。2019年的实验材料来自电击实验(此实验已经伦理审核通过,电流不会造成安全隐患,但能引发疼痛感)。被试在摄像头前描述自身对这些电击所引发的主观感受。这些材料与被试谎称被电击的描述视频混合并经过筛选(筛选出可被猜中撒谎或真实描述的概率为随机水平)后被在线投放。并在2020年2月23-24日重新采集了570名被试疫情期间数据。 图2 研究一的实验流程        以一个视频为例,报告中与观众互动发现,观众对视频判断也在随机水平,不过有意思的是,在伍老师公布了视频是经过50%准确性后,观众朋友们多判断为假。被试看完视频后,需要做四种反应。 1.这个人是否真实的遭到了点击?(真/假); 2.共情水平:请你判断你觉得这个人被电击时候的疼痛程度?(1完全不疼~7非常疼痛); 3.替代性体验:请你判断你在观看这个人视频时候自己的疼痛程度?(1完全不疼~7非常疼痛); 4.亲社会意愿:请你判断,如果可能的话,你在多大程度上愿意帮助这个人减轻疼痛?(1完全不愿意~7非常愿意)        经过分析发现,在IRI量表分数和视频评价的三个水平上(共情水平,替代性体验和亲社会意愿)均有显著性差异。其中在共情关心、观点采择和想象角度,疫情时相比疫情前有显著降低。但在个人悲伤角度,疫情后相比疫情前显著升高。并且疫情后,相比疫情前被试的共情水平,替代性体验和亲社会意愿均有所下降。        这项研究提出疫情发生与共情水平和亲社会意愿间存在中介效应。即在疫情发生前,共情水平与亲社会意愿的相关性高于疫情发生后两者的相关性程度。另外对于疫情发生后,被试的状态焦虑与特征共情,共情水平和亲社会行为间关系的假设模型如下图: 图3 共情水平的中介效应        状态焦虑与特质共情的关系可能是受到武汉距离调控的。即在强焦虑状态下的被试中,距离武汉越近的被试的特质共情越低。 图4 新闻辨别力的抑制作用        除此之外,新闻的辨别力在状态焦虑与特质共情关系上有负向抑制作用。在疫情爆发后,人们对铺天盖地的新闻感到困惑,并且对特质共情产生了消极影响。        在武汉解封后,重新采集了一批数据以作为模型的验证。加入新的数据后,发现在真假判断上,疫情发生的时间条件不存在差异。但是在解封后,特质共情持续下降,观点采择和想象有所回升,个人悲伤水平在解封后有所降低。        在解封之后,共情水平、替代性体验和亲社会意愿水平仍较低。同样的状态焦虑和特征焦虑均在解封后有显著下降。   研究结论: 1. 疫情发生使得人的亲社会意愿下降。可能的原因是:从共情水平和特质共情水平的下降可以推论,被试可能产生共情疲劳。 2. 状态焦虑能负向影响特质共情,并且它们的关系是受到离武汉的距离这一变量调节(越接近武汉的居民的特质共情受到疫情的影响越严重)。这一点可以用涟漪效应解释。   二、传染病爆发时的焦虑诱发抑制了好奇心        疫情发生后,人们对周边事物的好奇心减弱了吗?疫情产生的焦虑是否会抑制人的好奇心呢?心理学对好奇心的研究可以追溯到1890年,William James提出“好奇心除了是一种被环境的纯粹新奇性唤起和刺激的敏感性,也是一种直接作用于特定信息的科学好奇心”。至今较为广泛接受的定义是Grossnickle在2016年提出的“个体在经历或寻找某个对照性变量时,对知识或信息的渴望,并伴随着积极的情绪、强烈的唤醒或探索性的行为”。 表1 心理学者的好奇心研究观点        受疫情影响,自我隔离、增加社交距离等防控措施在全世界范围内普遍实施。据此,从焦虑和好奇心的角度出发,可提出以下问题:1)疫情期间的焦虑和自我隔离等措施,如何影响人们对事物的好奇心?2)增加社交距离对自闭、社交焦虑的影响如何?3)自闭的特质如何调节焦虑对好奇心的影响?        在疫情发生期间,伍老师在线进行探索性研究,收集了570例被试的数据,收集了有关自闭、状态特质焦虑、好奇心和探索性、知识性好奇等量表和COVID-19相关问题。在3月13号,收集了500名中国被试的模糊任务、社交焦虑、人际好奇心、隔离问卷等相关测评。与此同时,收集了200名美国被试基于同样问卷的数据,旨在进行跨国家、跨文化对比。 图5 研究二的实验流程   图6 Blurred Task任务示例        在第一个阶段,被试需要猜测模糊背景下的图片内容,并在对话框中填写。在第二阶段,提问被试是否想要知道图片内容(1表示无好奇~5表示非常好奇)。第三阶段有两种条件,分别为提供答案和不提供答案。在提供答案的条件下,让被试评价对图片的惊讶程度(1不惊讶~5非常惊讶)。在不提供答案的条件下,提示被试此问题不提供答案,请评价你的失望程度(1不失望~5非常失望) 图7 社会距离对知觉好奇心的中介效应        那么结果显而易见,在疫情下产生的焦虑的确影响知觉好奇心。受隔离的社交距离中介调节。同时人自闭属性也会调节人际好奇心。人的自闭属性越高,越对他人不感兴趣。 图8 中美知识好奇心对比        结果发现,越高水平的社交焦虑能够预测更低水平的人际好奇。在自闭属性上,随着自闭属性的增加,人际好奇呈现增加趋势。随着特质焦虑的增加人的特质好奇水平会降低,但是对于知识的好奇心不会随着状态焦虑的变化而变化。 研究结论 1.状态焦虑对知觉好奇心有负性影响。这一关系也受到社交隔离的影响。 2.状态焦虑对人际好奇有正性影响,在社交隔离状态下,人们的人际好奇心会增加,这一点受到自闭倾向的影响。 3.特质焦虑对特质好奇心有显著的负向预测作用,特质/状态焦虑对知识认知好奇无显著影响。   三、疫情之下的生命意义感、焦虑和抑郁的关系        本研究调查分别在三种角度开展。首先对人生期望角度做了四个维度的测量。其次在重要性和代价角度做了四个维度的测量。第三,完成某体验对生命长度上的代价。初步分析结果发现人评定自我成功的重要性和人对普通体验的重要性角度有一些有趣的结果,有可能预测生命意义感的寻求。        这一部分结果还在分析过程中,但是有一些初步结果可以汇报给大家。初步分析结果发现人评定自我成功的重要性和人对普通体验的重要性角度有一些有趣的结果,有可能预测生命意义感的寻求。但是,以金钱换取体验的相关实验发现:年长者似乎更不愿意为不平凡的体验和自我成功的体验买单。在较高抑郁分数的被试数据中发现,他们似乎更愿意为了个人的成功付出更多金钱和寿命,并且将平凡和不平凡的生命体验都看的十分重要(这些与抑郁相关的结果在2020年5月的第二批数据中得到验证)。 图9 社会地位等级与消费、生命付出观念雷达图        将自我评价的社会地位进行评级,分为低、中、高三个组。初步结果发现,社会经济地位较低的组与社会经济地位较高的组之间的生命体验消费和生命付出观念存在一定程度的互补。社会经济地位低的人群不太愿意为社交关系和个人成功付出时间和生命。恰恰相反,社会经济地位高的人会更愿意为自我成功付钱,家庭和伴侣关系付出时间。而中等程度的人群更加关注家庭和伴侣关系。对于社会地位高的人,相比现在的生活状态不愿意得到更长的寿命。而如果一切理想,不同年龄段的人都希望能获得更长的寿命,但是同比之下社会地位高的人对寿命长度的期望要仍较低。(这些结果尚为初步结果。因数据在进一步采集和分析,此结论可能有异于最终结论。)   伍老师给大家的建议 疫情毫无疑问会对我们的生活和工作造成一定程度的消极影响。在讲座最后,伍老师给大家几个复工后的生活学习工作建议: 改回正常生活规律,让身体提前进入状态。 主动屏蔽四面八方的信息。 集中注意力在可控的事物上。 继续保持适宜的卫生习惯。   名词解释: 共情是指通过观看或者想象能够感知、理解他人的处境,能对他人的处境产生相似的情绪反应,并对导致这种情绪状态的来源有清楚的认识的一种能力。 亲社会行为:一种有益于他人的行为,如助人,合作,捐赠等。 共情疲劳:助人者在向服务对象提供援助服务的过程中,因共情投入或承受救助对象的痛苦而使得助人者对救助对象共情能力或兴趣减低。 好奇心:个体在经历或寻找某个对照性变量时,对知识或信息的渴望,并伴随着积极的情绪、强烈的唤醒或探索性的行为。 死亡焦虑(death anxiety)是指当死亡必然性被提醒时,个体的内心深处收到死亡威胁而产生的一种带有惧怕或恐惧的情绪状态。 生命意义(meaning in life)指让你们对自己生命的理解和体会,以及对目标、任务或使命的领悟。Steger认为生命意义包含意义体验(the presence of meaning)和意义寻求(the search for meaning)两个维度。 主观幸福感:人对幸福的主观感受。柏拉图认为,有王者气质的人最幸福,最不幸的是专制的独裁者。他用一种独特的方法计算出,王者的生活比独裁者的生活快乐3^6 = 729倍。   参考文献: Batson, C. D., Duncan, B. D., Ackerman, P., Buckley, T., & Birch, K. (1981). Is empathic emotion a source of altruistic motivation?. Journal of personality and Social Psychology, 40(2), 290.De Vignemont, F., & Singer, T. (2006). The empathic brain: how, when and why?. Trends in cognitive sciences, 10(10), 435-441. Bernhardt, B. C., & Singer, T. (2012). The neural basis of empathy. Annual review of neuroscience, 35, 1-23. Hein, G., & Singer, T. (2008). I feel how you feel but not always: the empathic brain and its modulation. Current opinion in neurobiology, 18(2), 153-158. Cao S Q.(2020). Emerging infectious outbreak inhibits pain empathy mediated prosocial behavior. http://psyarxiv.com/5p8kd/ 张向葵, 郭娟, & 田录梅. (2005). 自尊能缓冲死亡焦虑吗?——自尊对死亡提醒条件下大学生死亡焦虑的影响. 心理科学(03), 91-94.   伍老师的报告视频已经上传B站。如有兴趣观看完整的报告视频,请扫描下面的二维码观看:     作者:NCC lab于浩 校对:NCC lab王海慧

联系我们

广东省深圳市南山区
学苑大道1088号

bme@sustech.edu.cn

关注微信公众号