报告人：熊兴良博士

报告时间：2024年4月18日

报告地点：教科楼402会议室

报告摘要：动作意图理解指的是人在观察他人动作行为时自发理解其动作行为背后意图的一种心理思维活动，它对人类心智、语言以及社会发展等具有极其重要的意义。近年来，人们利用各种先进的脑成像技术采集动作意图理解脑信号，以此解码动作意图理解的神经机制并开展其脑信号的分类研究。本文主要针对以往动作意图理解脑信号分类中的不足之处展开研究。动作意图理解脑信号分类是件极具挑战性的工作，以往该领域的研究普遍存在分类准确率偏低的缺陷。本课题研究基于脑电信号（electroencephalogram，EEG）尝试从不同的特征提取方法角度来有效地解决动作意图理解脑信号分类中遇到的困难。我们的具体研究内容主要包括以下几个方面：首先在溯源后的5个频带63个时间窗中使用相位滞后指数（phase lag index，PLI）以及加权相位滞后指数（weighted phase lag index，WPLI）来建立功能连接矩阵，接着在这些功能连接矩阵中计算9种加权脑网络指标作为分类特征，最后使用支持向量机（support vector machine，SVM）分类器执行动作意图理解二分类任务。在实验结果中，PLI与WPLI组合时的分类准确率要高于单一的PLI或WPLI，其中，大多数分类准确率超过70%，有些甚至接近80%。在动态脑网络的统计检验中，许多重要的节点出现在前额叶、后枕叶、顶叶以及颞叶区。实验结果表明，加权脑网络能够有效地保留数据信息，本研究中提出的特征整合方法对动作意图理解研究极其有效，镜像神经元和心智系统作为合作者的角色同时参与到动作意图理解的过程中。其次，我们在源空间5 个频带63个时间窗中使用PLI和WPLI来建立功能连接矩阵，接着在这些矩阵中计算9种脑网络指标作为初始分类特征，然后使用方差分析以及交叉验证计算所有初始分类特征在三种动作意图刺激条件下的方差并按降序排列，依次依据设定的阈值挑选排名靠前的方差所对应的特征作为最终分类特征，最后使用SVM、线性判别分析（linear discriminant analysis，LDA）以及多层感知机（multilayer perceptron，MLP）分类器执行动作意图理解多分类任务。实验结果中，α频带和全频带获得了较好的分类结果，其平均分类准确率都超过了随机水平，最高平均分类准确率甚至超过了70%。此外，MLP分类器的表现最好。与以往其他动作意图理解分类方法相比，新方法具有一定的优势。实验结果表明，动作意图理解脑活动与α频带紧密相关，新特征提取流程对动作意图理解多分类来说是一种有效的措施，神经网络分类器对动作意图理解多分类非常有用。

报告人简介：熊兴良，美国哥伦比亚大学生物信息博士后，东南大学生物医学工程博士，主要研究方向有人工智能相关算法（人脸图像分类算法研究），人工智能在生物医学领域中的应用（使用机器学习以及深度学习算法探究认知行为相关心理活动），单细胞转录组、蛋白组、表观遗传组等相关多组学数据分析。目前作为第一作者已经在多个期刊发表过SCI论文。

诚邀广大师生参与！