近日，团队成员余杨祖怡和陈树宇分别在潘家辉教授指导下，于2023年9月在第32届人工神经网络国际会议（32nd International Conference on Artificial Neural Networks，简称ICANN）（CCF-C类会议）发表2篇研究论文《MCASleepNet: Multimodal channel attention-based deep neural network for automatic sleep staging》以及《MADNet: EEG-based Depression Detection using a Deep Convolution Neural Network Framework with Multi-dimensional Attention》。

ICANN是一个以脑启发计算、机器学习和人工神经网络为主题的会议，具有很强的跨学科互动和应用，同时也是中国计算机学会（CCF）推荐的 C类会议，会议论文集由Springer公司在《Lecture Notes in Computer Science》中出版，EI检索。

潘家辉教授指导的2022级研究生余杨祖怡的论文《MCASleepNet: Multimodal channel attention-based deep neural network for automatic sleep staging》于2023年9月在ICANN 2023会议发表。

论文链接：https://link.springer.com/chapter/10.1007/978-3-031-44204-9_26

图1 MCASleepNet框架图

该论文的主要工作为:

提出一个混合模型，使用双流CNN结构从多模态数据中提取睡眠表征特征，使用LSTM模块来学习睡眠阶段之间的过渡规则，使用多模态通道注意模块从脑电图（EEG）和眼电图（EOG）信号中提取特定睡眠阶段的有意义特征。实验结果表明，本研究中提出的算法模型可以在睡眠分期实验方面取得良好的性能。

潘家辉教授指导的2022级研究生陈树宇的论文《MADNet: EEG-based Depression Detection using a Deep Convolution Neural Network Framework with Multi-dimensional Attention》于2023年9月在ICANN 2023会议发表。

论文链接：https://link.springer.com/chapter/10.1007/978-3-031-44204-9_24

图2 MDANet框架流程图

该论文的主要工作为:

提出了一种新的深度学习方法，用于重度抑郁症的自动检测。该算法可以有效地利用基于通道和空间注意机制的卷积模块对脑电信号进行局部时空特征学习，以及多头自我注意模块进行全局特征学习，全面地提取有效特征。实验结果表明，本研究中可以在自动检测重度抑郁症方面取得良好的性能。