報告人：熊興良博士

報告時間：2024年4月18日

報告地點：教科樓402會議室

報告摘要：動作意圖理解指的是人在觀察他人動作行為時自發(fā)理解其動作行為背后意圖的一種心理思維活動，它對人類心智、語言以及社會發(fā)展等具有極其重要的意義。近年來，人們利用各種先進的腦成像技術采集動作意圖理解腦信號，以此解碼動作意圖理解的神經(jīng)機制并開展其腦信號的分類研究。本文主要針對以往動作意圖理解腦信號分類中的不足之處展開研究。動作意圖理解腦信號分類是件極具挑戰(zhàn)性的工作，以往該領域的研究普遍存在分類準確率偏低的缺陷。本課題研究基于腦電信號（electroencephalogram，EEG）嘗試從不同的特征提取方法角度來有效地解決動作意圖理解腦信號分類中遇到的困難。我們的具體研究內(nèi)容主要包括以下幾個方面：首先在溯源后的5個頻帶63個時間窗中使用相位滯后指數(shù)（phase lag index，PLI）以及加權相位滯后指數(shù)（weighted phase lag index，WPLI）來建立功能連接矩陣，接著在這些功能連接矩陣中計算9種加權腦網(wǎng)絡指標作為分類特征，最后使用支持向量機（support vector machine，SVM）分類器執(zhí)行動作意圖理解二分類任務。在實驗結(jié)果中，PLI與WPLI組合時的分類準確率要高于單一的PLI或WPLI，其中，大多數(shù)分類準確率超過70%，有些甚至接近80%。在動態(tài)腦網(wǎng)絡的統(tǒng)計檢驗中，許多重要的節(jié)點出現(xiàn)在前額葉、后枕葉、頂葉以及顳葉區(qū)。實驗結(jié)果表明，加權腦網(wǎng)絡能夠有效地保留數(shù)據(jù)信息，本研究中提出的特征整合方法對動作意圖理解研究極其有效，鏡像神經(jīng)元和心智系統(tǒng)作為合作者的角色同時參與到動作意圖理解的過程中。其次，我們在源空間5 個頻帶63個時間窗中使用PLI和WPLI來建立功能連接矩陣，接著在這些矩陣中計算9種腦網(wǎng)絡指標作為初始分類特征，然后使用方差分析以及交叉驗證計算所有初始分類特征在三種動作意圖刺激條件下的方差并按降序排列，依次依據(jù)設定的閾值挑選排名靠前的方差所對應的特征作為最終分類特征，最后使用SVM、線性判別分析（linear discriminant analysis，LDA）以及多層感知機（multilayer perceptron，MLP）分類器執(zhí)行動作意圖理解多分類任務。實驗結(jié)果中，α頻帶和全頻帶獲得了較好的分類結(jié)果，其平均分類準確率都超過了隨機水平，最高平均分類準確率甚至超過了70%。此外，MLP分類器的表現(xiàn)最好。與以往其他動作意圖理解分類方法相比，新方法具有一定的優(yōu)勢。實驗結(jié)果表明，動作意圖理解腦活動與α頻帶緊密相關，新特征提取流程對動作意圖理解多分類來說是一種有效的措施，神經(jīng)網(wǎng)絡分類器對動作意圖理解多分類非常有用。

報告人簡介：熊興良，美國哥倫比亞大學生物信息博士后，東南大學生物醫(yī)學工程博士，主要研究方向有人工智能相關算法（人臉圖像分類算法研究），人工智能在生物醫(yī)學領域中的應用（使用機器學習以及深度學習算法探究認知行為相關心理活動），單細胞轉(zhuǎn)錄組、蛋白組、表觀遺傳組等相關多組學數(shù)據(jù)分析。目前作為第一作者已經(jīng)在多個期刊發(fā)表過SCI論文。

誠邀廣大師生參與！