勇于冒险 甘于艰苦 乐于和谐

       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

       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

       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

       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

       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

       受南方科技大学生物医学工程系刘泉影助理教授邀请，来自西南大学心理学院的雷旭教授（www.leixulab.net）于腾讯会议平台在线讲解了静息态研究中EEG（electroencephalogram，脑电图）和fMRI（functional magnetic resonance imaging，功能磁共振成像）各自的特点，并提出了能够结合两者优势的静息态研究方向。 一、研究背景 图1 睁闭眼影响EEG频谱能量的重测性        雷教授首先介绍了静息态的定义，以及EEG和fMRI这两种记录静息态神经活动的技术的时空分辨率互补性。紧接着，基于静息态研究中的被试应睁眼还是闭眼的讨论，雷教授进一步讨论了EEG和fMRI在静息态神经信号上的重测性差异。较早的基于fMRI的研究认为睁眼状态下的被试其功能连接网络能被更好地测量。而雷教授团队发现，在多次静息态测量中，被试的EEG信号特征，即频谱能量特征和功能连接指标，在闭眼状态下有更好的重测性（图1）。另外，相比于将其投射到大脑皮层水平上，EEG信号的特征在电极水平的重测性更高（图2）。 图2 影响静息态EEG重测性的因素 二、时间：全脑信号 图3 fMRI与EEG全脑信号        在四个主题中，雷老师首先了在时间方面的一个新颖的指标-全脑信号。全脑信号是由fMRI信号在全脑中简单的叠加平均，并发现全脑计算的全脑信号与仅靠灰质计算的全脑信号高度相关。在最近5-10年，学术界逐渐开始关注全脑信号的意义，并发现的全脑信号具有一些重要的生理意义。雷老师借此联想到EEG全脑信号是否也存在类似的意义。 图4 参考电极标准化技术        但在实际操作中EEG的全脑信号是无法得到的！无论是使用FCz参考电极（信号受参考电极影响）或是进行平均参考（加总后等于0），都无法得到有意义的全脑信号。为了解决这个问题，雷老师使用的参考电极标准化技术（Yao 2001 IEEE BME），尝试将信号反演到源，再通过无穷远参考计算到头表。通过这种方法可以得到反映全脑电活动的EEG全脑信号（即尧信号）。EEG尧信号主要来自灰质中的锥体细胞，覆盖范围主要是全脑的上半部，相比fMRI全脑信号的覆盖范围有一些局限。通过EEG-fMRI同步采集得到信号进行对比，处理后的EEG尧信号（主要是gamma频段）和fMRI全脑信号具有高度的相关性。同时，雷老师还探索了EEG尧信号在生理心理中独特的意义，并发现该信号可以很好地解释被试的困倦度和警觉度。 三、空间：大尺度脑网络 图5 脑网络与大脑节律        在空间方面，雷老师介绍了大尺度脑网络方面的重要工作（Smith et al 2009 PNAS）,该工作通过元分析的方法验证了静息态的脑网络与来自之前研究的各种任务综合得到的一些脑网络具有高度的一致性，表明大脑在静息态状态下很有可能是在重现或预演其他任务。在另一项研究里（Mantini et al 2007 PNAS）,研究者通过同步采集的EEG-fMRI研究了脑网络与大脑节律的关系，发现脑网络和特定节律的对应关系并不明显，往往同时与多个节律具有相关性。接下来雷老师介绍了NCClab刘泉影老师在2017年的工作，该研究使用了高密度脑电采集信号，相比EEG-fMRI同步采集具有更高的信噪比。这项研究非常清晰的展示了不同脑网络与特定节律之间的关系，通过上图可以看到，对于大部分脑网络与节律都只有较为宽泛的对应关系。在MEG的研究（Pasquale 2012 Neuron）中也发现的类似的现象。 图6 静息态皮层节律成像软件        雷老师团队提出了将来自fMRI的功能网络作为空间先验信息引入到EEG源成像中的网络源成像（NESOI）方法。并且进一步将8种fMRI先验得到的大尺度脑网络作为静息态脑电的空间先验，开发了静息态皮层节律成像软件（正在开发2.0），该软件可以完成头表的节律分析，皮层的节律分析以及大尺度脑网络的分析。无论是头表的节律分析还是皮层的节律分析都可以一键完成，脑电预处理的功能也即将加入。还可以在脑网络层面分析具体每个节律的能量，以及不同网络之间的节律的功能连接。 四、频率：无标度性 图7 生物界的无标度性 图8 EEG与fMRI无标度性的相关 图9 EEG的节律成分与非节律成分        雷教授接下来介绍了神经信号在频域上的“无标度性“特征与功能的关系。“无标度性“即信号功率正相关与频率的倒数的特点（图7）。而该正相关的系数可以反映不同个体、功能或脑区的特征。例如，无标度性特征可以预测区分内向与外向的人格特质。另一方面，在对比EEG和fMRI各自的无标度性时，其相关性在睡眠状态下的更高（图8）。基于这些发现，雷教授提出了EEG的节律成分与大尺度网络相关，而非节律成分反映全脑的整体特性的假设（图9）。 五、意义：静息态自发思维 图10 自发思维与EEG和fMRI 图11 EEG与fMRI对自发思维的敏感度        雷教授接下来讲解了如何通过结合EEG和fMRI找到静息态自发思维的神经指标。自发思维指例如意识中断、回忆过去和想象未来等在静息态下发生的思维过程。在10秒到1分钟的时间尺度上，fMRI可以用于发现思维过程与大尺度闹网络激活的关系；而EEG信号可以被切割为长度为100毫秒从而将其电极水平特征对应到不同的“微状态”（图10）。雷教授团队收集了70余个被试的EEG数据，1100余个被试的fMRI数据，并发现EEG和fMRI对不同的自发思维过程有不同的敏感度（图11）。例如EEG对睡眠过程敏感度更高，而fMRI可能对特定脑区相关的功能的敏感性更高。   扫码观看讲座视频   参考文献： Allen, Elena A., Damaraju, Eswar,Plis, Sergey M., Erhardt, Erik B., Eichele, Tom, & Calhoun, Vince D.(2012). Tracking Whole-Brain Connectivity Dynamics in the Resting State. Cerebral Cortex, 24(3), 663-676.doi:10.1093/cercor/bhs352 Anderson, Alana J., & Perone, Sammy.(2018). Developmental change in the resting state electroencephalogram:Insights into cognition and the brain. Brainand Cognition, 126, 40-52. doi:https://doi.org/10.1016/j.bandc.2018.08.001 Andrews-Hanna, Jessica R., Reidler, Jay S.,Huang, Christine, & Buckner, Randy L. (2010). Evidence for the DefaultNetwork’s Role in Spontaneous Cognition. Journalof Neurophysiology, 104(1), 322-335. doi:10.1152/jn.00830.2009 Britz, Juliane, Van De Ville, Dimitri,& Michel, Christoph M. (2010). BOLD correlates of EEG topography revealrapid resting-state network dynamics. NeuroImage,52(4), 1162-1170. doi:https://doi.org/10.1016/j.neuroimage.2010.02.052 Chang, Catie, Liu, Zhongming, Chen, MichaelC., Liu, Xiao, & Duyn, Jeff H. (2013). EEG correlates of time-varying BOLDfunctional connectivity. NeuroImage, 72,227-236. doi:https://doi.org/10.1016/j.neuroimage.2013.01.049 de Pasquale, Francesco,Della Penna, Stefania, Snyder, Abraham Z, Marzetti, Laura, Pizzella,Vittorio, Romani, Gian Luca, & Corbetta, Maurizio. (2012). A CorticalCore for Dynamic Integration of Functional Networks in the Resting Human Brain.Neuron, 74(4), 753-764. doi:https://doi.org/10.1016/j.neuron.2012.03.031 Diaz, B. Alexander, Van Der Sluis, Sophie,Moens, Sarah, Benjamins, Jeroen, Migliorati, Filippo, Stoffers, Diederick, . .. Linkenkaer-Hansen, Klaus. (2013). The Amsterdam Resting-State Questionnairereveals multiple phenotypes of resting-state cognition. Frontiers in Human Neuroscience, 7(446).doi:10.3389/fnhum.2013.00446 He, Biyu J., Zempel, John M., Snyder,Abraham Z., & Raichle, Marcus E. (2010). The Temporal Structures andFunctional Significance of Scale-free Brain Activity. Neuron, 66(3), 353-369. doi:https://doi.org/10.1016/j.neuron.2010.04.020 He, Yong, Wang, Jinhui, Wang, Liang, Chen,Zhang J., Yan, Chaogan, Yang, Hong, . . . Evans, Alan C. (2009). Uncoveringintrinsic modular organization of spontaneous brain activity in humans. PloS one, 4(4), e5226-e5226.doi:10.1371/journal.pone.0005226 Huang, Xiaoli, Long, Zhiliang, & Lei,Xu. (2019). Electrophysiological signatures of the resting-state fMRI globalsignal: A simultaneous EEG-fMRI study. Journalof Neuroscience Methods, 311, 351-359. doi:https://doi.org/10.1016/j.jneumeth.2018.09.017 Killingsworth, Matthew A., & Gilbert,Daniel T. (2010). A Wandering Mind Is an Unhappy Mind. Science, 330(6006), 932. doi:10.1126/science.1192439 Lehmann, D, Pascual-Marqui, RD, &Michel, C. (2009). EEG microstates. Scholarpedia,4, 7632. Lei, Xu, Wang, Yulin, Yuan, Hong, &Chen, Antao. (2015). Brain Scale-free Properties in Awake Rest and NREM Sleep:A Simultaneous EEG/fMRI Study. BrainTopography, 28(2), 292-304. doi:10.1007/s10548-014-0399-x Lei, Xu, Wu, Taoyu, & Valdes-Sosa,Pedro. (2015). Incorporating priors for EEG source imaging and connectivityanalysis. Frontiers in Neuroscience, 9(284).doi:10.3389/fnins.2015.00284 Lei, Xu, Xu, Peng, Luo, Cheng, Zhao,Jinping, Zhou, Dong, & Yao, Dezhong. (2011). fMRI functional networks forEEG source imaging. Human Brain Mapping,32(7), 1141-1160. doi:10.1002/hbm.21098 Lei, Xu, Zhao, Zhiying, & Chen, Hong.(2013). Extraversion is encoded by scale-free dynamics of default mode network.NeuroImage, 74, 52-57. doi:https://doi.org/10.1016/j.neuroimage.2013.02.020 Liu, Quanying, Farahibozorg, Seyedehrezvan,Porcaro, Camillo, Wenderoth, Nicole, & Mantini, Dante. (2017). Detectinglarge-scale networks in the human brain using high-densityelectroencephalography. Human BrainMapping, 38(9), 4631-4643. doi:10.1002/hbm.23688 Mantini, D., Perrucci, M. G., Del Gratta,C., Romani, G. L., & Corbetta, M. (2007). Electrophysiological signaturesof resting state networks in the human brain. Proceedings of the National Academy of Sciences, 104(32), 13170.doi:10.1073/pnas.0700668104 Smith, Stephen M., Fox, Peter T., Miller,Karla L., Glahn, David C., Fox, P. Mickle, Mackay, Clare E., . . . Beckmann,Christian F. (2009). Correspondence of the brain's functionalarchitecture during activation and rest. Proceedingsof the National Academy of Sciences, 106(31), 13040.doi:10.1073/pnas.0905267106 Thomas Yeo, B. T., Krienen, Fenna M.,Sepulcre, Jorge, Sabuncu, Mert R., Lashkari, Danial, Hollinshead, Marisa, . . .Buckner, Randy L. (2011). The organization of the human cerebral cortexestimated by intrinsic functional connectivity. Journal of Neurophysiology, 106(3), 1125-1165.doi:10.1152/jn.00338.2011 Van Dijk, Koene R. A., Hedden, Trey,Venkataraman, Archana, Evans, Karleyton C., Lazar, Sara W., & Buckner,Randy L. (2009). Intrinsic Functional Connectivity As a Tool For HumanConnectomics: Theory, Properties, and Optimization. Journal of Neurophysiology, 103(1), 297-321.doi:10.1152/jn.00783.2009 Wen, Haiguang, & Liu, Zhongming.(2016). Broadband Electrophysiological Dynamics Contribute to GlobalResting-State fMRI Signal. The Journal of Neuroscience, 36(22), 6030. doi:10.1523/JNEUROSCI.0187-16.2016 Yao, Dezhong, & He, Bin. (2001). A Self-Coherence Enhancement Algorithm and its Application to EnhancingThree-Dimensional Source Estimation from EEGs. Annals of Biomedical Engineering, 29(11), 1019-1027.doi:10.1114/1.1415526     本文作者：NCC lab 王正旸、魏晨

       深度学习（Deep learning）是基于人工神经网络的机器学习方法的一部分。深度学习架构，如深度神经网络、深度信念网络、递归神经网络和卷积神经网络等，已被应用于生物信息学、药物设计、医学图像分析等领域。          受南方科技大学生物医学工程系刘泉影博士邀请，来自上海交通大学自然科学研究院的许志钦博士（https://ins.sjtu.edu.cn/people/xuzhiqin/）于腾讯会议平台在线深入浅出的讲解了深度学习（Deep Learning）的频率原则 (Frequency Principle, F-Principle)理论，并利用实验与数学理论结合的方式，阐明了深度神经网络更适用于低频情况（“DNNs prefer low frequency”）这一核心思想。 图1: 深度学习的优势          在讲座伊始，许博士以实验案例说明了深度学习算法的优势。 深度神经网络（DNN）模型中参数复杂，可用于拟合细微的变化，并且DNN 大部分时候不会有过度拟合现象。深度学习与传统学习理论不一样，虽然模型复杂度高，但是具有比较好的泛化能力（generalization ability），也就是算法对新样本的适应能力较强。        然而，深度学习理论在实际应用过程中也可能出现的问题。许博士用轻松幽默的漫画方式（如图2）说明在某些情况下DNN可能并没有全面考察真实问题，只是在能“做事的地方”尝试解决问题。 图2: 深度学习的问题        本次讲座涉及到的模型中的“频率”（Frequency）理解为“输入变化一点点，输出变化的大小”。在了解了DNN模型中所使用的“频率”这一映射（mapping）基础上产生的核心概念之后，从简单函数/一维空间问题出发，频率空间出现了频率原则。首先，直观地，通过实验可以发现，DNN在拟合过程是从轮廓开始的，再随着步数和层数增加，慢慢“抓住”细节。 图3： 频率原则（F-Principle）的研究框架        在图示拟合的过程中，可以发现图像上出现平坦、震荡等特征。许博士解释这些特征可用数学理论上的傅里叶分析中相应的频率概念解释，其中平坦图像对应低频概念，震荡图像对应高频概念。        结合实验与理论解释，得出DNN具有擅长捕捉低频分量，同时将高频分量控制在较小的范围内，并且逐步捕捉高频成分的特点——频率原则（Frequency Principle）。同时，关于“频率还是幅度决定收敛速度”这一问题，许博士的研究发现：收敛是从低频到高频的。 图4: 频率原则（Frequency Principle）        “一维问题类似于在光亮的地方摸索清楚了”，进一步考虑函数维度升高的情况。特别地，对二维到一维的映射，许博士给出了一个详细的实验描述——记住一张图片（如图5），即像素点到该点灰度值的映射。实验中发现随着步数增加，图像的轮廓细节逐渐清晰。多个高维度情况下的实验与思考都体现一个最重要的思想——从频率角度理解深度学习。 图5: DNN二维的实验案例        这些实验案例中，所讨论的频率是反映频率（response frequency），即输入输出映射的频率，而不是相邻像素的变化强度的变化率。因此，高频是指图像中的像素强度的微小变化可能会引起输出的较大变化。实验发现，如果特意设计噪音，DNN就不再进行有效识别，由于映射发生了变化，从而产生了不一样的频率。这也就是说，在DNN中，图像的改变对识别结果的影响本质上是频率的影响作用。结合傅里叶分析、离散化、低通滤波器、卷积定理等数学方法可以有效说明输入输出同时高维的实际问题中的频率原则。实验与理论并行一致验证DNN低频先收敛的性质。 图6: DNN高维的实验案例        最后，许博士结合已有的研究和分析结果说明“深度学习不是万能，只是低频的学习器。在某些高频问题中，强制调参是不容易做出来结果的”。结合深度学习频率原则与计算神经科学，一个值得思考的问题是：大脑是否也执行频率原则——先做低频反应，再做高频反应 ？对于相关的特定神经科学的问题，“频率”要如何理解并定义？更多新想法和理论值得我们去探索并实践！   文字：王海慧   参考文献： Xu, Zhi-Qin John, et al. “Frequency principle: Fourier analysis sheds light on deep neural networks.” arXiv preprint arXiv:1901.06523 (2019).   Xu, Zhi-Qin John, Yaoyu Zhang, and Yanyang Xiao. “Training behavior of deep neural network in frequency domain.” International Conference on Neural Information Processing. Springer, Cham, 2019.   Xu, Zhiqin John. “Understanding training and generalization in deep learning by fourier analysis.” arXiv preprint arXiv:1808.04295 (2018).   Zhang, Yaoyu, et al. “Explicitizing an implicit bias of the frequency principle in two-layer neural networks.” arXiv preprint arXiv:1905.10264 (2019).   Zhang, Yaoyu, et al. “A type of generalization error induced by initialization in deep neural networks.” arXiv preprint arXiv:1905.07777 (2019).   Luo, Tao, et al. “Theory of the frequency principle for general deep neural networks.” arXiv preprint arXiv:1906.09235 (2019).   Cai, Wei, and Zhi-Qin John Xu. “Multi-scale deep neural networks for solving high dimensional pdes.” arXiv preprint arXiv:1910.11710 (2019).   文中所有图片均来自于线上讲座屏幕截图

       近日，南科大生物医学工程系助理教授郭琼玉课题组在肿瘤介入栓塞领域构建透明化离体模型方面取得最新研究进展，相关成果论文以“构建透明化肝脏离体模型评估肿瘤血管栓塞治疗（Decellularized liver as a translucent ex vivo model for vascular embolization evaluation）”为题发表在生物材料领域顶级学术期刊Biomaterials。        生物技术迅速发展的今天，传统体外模型和动物模型已经开始显示出越来越多的局限性，而透明化离体器官模型近几年来在观察研究器官的三维精细结构以及相关疾病机理等方面有很大的应用前景。对于失去手术机会的肝癌患者来说，最普遍的临床治疗方案之一是经导管肝动脉化疗栓塞术（Transarterial chemoembolization, TACE），针对肿瘤供血肝动脉选择性地进行栓塞化疗。然而，TACE治疗缺乏有效模型对栓塞制剂的栓塞化疗特性进行评估，严重影响了该临床治疗药物制剂的研发。此前的相关研究主要使用微流控等体外模型来评估栓塞剂性能，但是此类模型使用的材质与肝脏真实血管的机械性能相差甚远，且模型通道的设计往往过于简单，难以模拟肝细胞癌中复杂的血管分布。而TACE治疗的动物模型由于采用的DSA、CT、MRI等成像系统分辨率较低，无法研究栓塞剂在末梢血管中的栓塞深度，且难以实时动态地监测栓塞效果。因此，如何开发新型TACE模型系统精确地评估栓塞制剂，已经成为该临床领域发展的关键核心问题。 图1. 透明化离体肝脏模型血管系统的量化分析        针对这一问题，郭琼玉课题组提出了一种采用脱细胞全肝器官作为透明化离体模型对血管栓塞进行评估的新策略。近年来脱细胞技术主要应用于可再生器官重建，该研究创新通过严格控制的脱细胞灌注方法开发了透明化离体肝脏，在脱洗细胞的同时保留了肝内的细胞外基质和整个脉管系统。相较于天然不透明的肝脏，脱细胞肝脏获得了半透明的外观，其脉管系统可以通过各种成像工具进行可视化，包括明场显微镜、荧光显微镜和光声显微镜（图1）。 图2. 在透明化离体肝脏模型中评估不同肿瘤介入栓塞剂        课题组采用该透明化离体肝脏模型，针对不同种类的肝癌介入栓塞剂（包括液态栓塞剂碘化油和固体栓塞剂栓塞微球）进行了动态和量化评估。课题组发现，透明化离体肝脏模型肝脏血管网络的物理和生理特性比基于聚二甲基硅氧烷等材料的体外模型更为复杂和精细。因此，通过使用该透明化离体模型，可以获得其它模型难以获得的量化数据，包括栓塞剂渗透深度、栓塞终点以及空间分布等重要栓塞特性参数（图2）。 图3. 动态监测液体栓塞剂碘化油栓塞动力学        此外，课题组首次通过透明化离体肝脏模型动态评估了TACE治疗的栓塞效果（图3），发现液体栓塞剂（如碘化油）的栓塞终点强烈依赖于注射压力，当碘化油到达毛细血管末端时注射压力会急速升高，可能引发栓塞剂泄漏和组织损伤。而对于诸如可降解微球和临床用栓塞微球等固体颗粒栓塞剂，接近栓塞终点的栓塞颗粒密度显著减少。该结果证实固体栓塞剂的颗粒大小和渗透深度是决定颗粒栓塞剂栓塞分布及栓塞终点的两个关键因素，同时这两种因素强烈依赖于血管的尺寸和分布。        郭琼玉介绍，此项研究工作为建立透明化器官模型可视化研究及评估临床治疗手段开辟了新的途径，有望为蓬勃发展的生物技术和生物材料提供更加有效的评估策略。        我校生物医学工程系科研助理高雅楠是论文第一作者，科研助理李志华等对论文做出了重要贡献。郭琼玉为本论文的唯一通讯作者，南科大为第一通讯单位。该研究获得了南科大生物医学工程系副教授奚磊、材料科学与工程系讲席教授王湘麟、生物系教授肖国芝，以及新加坡国立大学教授Hanry Yu和副教授Hwa Liang Leo等研究人员的大力支持。        该研究项目获得了广东省重点领域研究计划“材料基因工程”重点专项、国家自然科学基金、深圳市孔雀计划等项目的资助。        论文链接：        https://www.sciencedirect.com/science/article/pii/S0142961220301010?via%3Dihub   供稿：生物医学工程系 编辑：刘馨 主图设计：丘妍  

       近日，南方科技大学工学院生物医学工程系系主任、讲席教授蒋兴宇因其在“使用微/纳米材料进行多重分析，从而提高了医疗保健的质量和生物医学研究的效率”等方面的贡献，当选2020年美国医学与生物工程学会会士（AIMBE Fellow）。        美国医学与生物工程学会（AIMBE，American Institute for Medical and Biological Engineering）是国际医学与生物工程领域著名的非营利性学术组织，旨在引领和推进医学工程和生物学工程为社会服务。AIMBE Fellow 由世界医学与生物工程领域最杰出（Top 2%）的学者组成，每年经过国际同行提名与严格评选产生。其贡献对生物医学、医疗器械、疾病治疗以及相关公共卫生政策的制定具有重要的影响。今年全球共有156名科学家当选。 蒋兴宇        蒋兴宇研究方向主要包括微流控芯片和纳米生物医学。他于2010年获“国家杰出青年科学基金”，2013年获中组部“青年拔尖人才”，2014年获国务院政府特殊津贴、科技部“创新人才推进计划”，2019年获科技部“国家重点研发计划重点专项项目首席科学家”、首届“科学探索奖”（由腾讯基金会发起）；曾获中国化学会青年化学奖，入选中科院“百人计划”；迄今发表论文200多篇。

       3月27日，中国科学院人机智能协同系统重点实验室研究员李光林老师受我系张明明老师的邀请，在腾讯会议平台上开展了线上讲座。         基于神经机器接口技术的人机交互是实现生机电一体化机器人系统智能控制的核心，运动功能康复和辅助系统是生机电一体化机器人的一个重要应用领域，而利用神经接口技术获取人体活动信息是实现行为与运动意图精确识别的关键。目前，利用各种柔性传感技术精准获取神经肌肉活动的生理信息，来实现运动意图精确识别是人机智能交互研究的重要方向之一。此次报告汇报了该课题组在柔性传感检测技术及应用方面的一些初步研究进展。        当前，人机交互已经是当然人们生活中必不可少的活动，包括手机，电脑的使用等等。交互包括物理交互，语音交互，智能交互等。“智能交互”是要求自然，精准，安全的一种交互。基于神经接口的人机交互系统是智能交互的一个重要实例，即采集脑电信号，外周神经信号或者是肌电信号来解码人的意图，实现人机交互。        但是这也存在问题。首先，这种系统缺乏力反馈，将极大地限制人机交互的发展。为了促进人机交互发展，李教授团队选取了以下几个方面开展研究：利用骨骼肌肉信号来尝试构建一个更好的人机交互系统。这种思想旨在探究肌肉，血液，神经三者之间的耦合关系来提升鲁棒性；研究生理电信号，包括研究EMG信号，以此来改进假肢；改进传感电极，用对皮肤友好的，不受导电膏限制的织物电极，来成功采到各种生理信号。        近期，柔性电极一改传统金属电极的形状，以其柔软性，低电阻的特性受到研究者的广泛青睐。但是这些研究也存在困难，自于“人”的挑战，部分用户很难长时间稳定的输出信息，同时，也存在着来自“机”的挑战，即有决策的算法，以及鲁棒性差的问题。相信如果克服这些困难，自然、精准、安全的人机交互时代会指日可待。   文字：祁是辰