王磊团队在人体传感数据拓扑分析领域取得系列研究进展

  深圳先进院微创中心王磊研究员团队针对人体传感数据小样本、强干扰及高度个性化的特点，基于计算拓扑学的理论框架，提出了具有高阶、自组织特性描述能力的传感特征分析方法，并在多种典型人体传感信号与应用中完成了概念及方法验证。相关研究成果近期陆续发表在IEEE Transactions on Instrumentation & Measurement, IEEE Sensors Journal, IEEE Transactions on Cognitive and Developmental Systems等领域重要期刊上颜延助理研究员为论文的第一/共同第一作者，通讯作者为王磊研究员。在2023年4月20-21日召开的香山科学会议第744次学术讨论会 “主动健康理论、方法与技术”上，王磊研究员受邀对研究成果进行了专题报告。 

  传感特征工程是医学人工智能领域的研究热点，如何利用现代人工智能技术设计有效、可靠的特征描述方法，是提升疾病诊断及医疗设备技术水平的重要途径。通过计算拓扑学的相关理论工具来实现多元时间序列分析，可以有效地表征系统的非线性特性和高阶自组织特性。王磊研究员团队创新地将拓扑学理论工具引入人体传感器网络的数据分析中，并在人体运动、脑电状态等不同场景给出了拓扑学的传感特征工程解决方案: 

  针对帕金森病人冻结步态事件检测能力的不足，团队在运动传感信号相空间重建特征分析的基础上，首次提出了一种基于状态点云拓扑结构描述的传感特征分析方法，通过对重建空间状态点云的空间结构拓扑建模，实现了基于运动传感信息的步态变化规律描述，与相空间分形维数、李雅普诺夫指数等参数相比，拓扑非线性分析的描述方法具有更好的状态表征性能。在相关开放评估数据集上的验证结果表明，基于拓扑非线性特征的运动传感特征识别方法实现了对冻结步态事件的精准识别，与现有方法对比，AUC、准确度均取得了优异的性能。相关研究工作 “Topological Descriptors of Gait Nonlinear Dynamics Toward Freezing-of-Gait Episodes Recognition in Parkinson’s Disease”发表于中科院Top期刊IEEE Sensors Journal（DOI: 10.1109/JSEN.2022.3142750 ）。 


图1：研究团队提出的传感拓扑非线性特征分析框架和冻结步态检测方法

  团队进一步将拓扑非线性传感特征分析方法拓展到脑电状态的分析应用中。情感计算是人体传感器网络的重要内容之一，通过对脑电信号的相空间的拓扑特征进行深入研究，团队发现拓扑非线性传感特征表现出了优秀的情绪状态辨识能力，通过构建脑电信号的子频带拓扑特征融合分析模型，在基于Arousal-Valence情绪模型的开放脑电情绪数据集DEAP和DREAMER中的验证中表现优秀。实验结果表明，根据曲线下面积、准确度、灵敏度和特异性指标，该框架显著优于传统的非线性参数特征指标，并且在单通道的脑电验证中也取得了良好的分类性能。相关研究工作“Topological EEG Nonlinear Dynamics Analysis for Emotion Recognition”发表于IEEE Transactions on Cognitive and Developmental Systems,（DOI: 10.1109/TCDS.2022.3174209）。


图2：研究团队提出的脑电多频带拓扑非线性特征分析框架和情绪分类验证

  与此同时，团队将拓扑数据分析方法拓展到网络的拓扑特征分析中，通过分析基于脑电的动态功能连接网络的拓扑不变量参数与特征，研究不同认知任务中的脑负荷状态差异。研究团队提出的拓扑功能连接特征分析方法在不同类型的认知任务（SIMKAP同步认知能力评估、心算/心算质量评估、带运动负荷的MATB-II认知评估）中进行了验证，模型性能的曲线下面积、准确度、灵敏度和特异性指标证实拓扑功能连接特征分析方法的有效性。相关研究工作“Topological EEG-Based Functional Connectivity Analysis for Mental Workload State Recognition ”发表于 “IEEE Transactions on Instrumentation & Measurement”（DOI: 10.1109/TIM.2023.3265114)。


图3：研究团队提出的基于脑电功能连接网络拓扑特征的脑负荷分析方法

  上述研究工作得到了国家主动健康重点研发计划项目及课题、国家自然科学基金重点支持项目和深圳市重大技术攻关项目的资助。