7月26日上午10:00，国防科技大学智能科学学院胡德文教授在脑科学与人工智能专题论坛会议进行汇报，学术报告题目为“大脑信息的模式识别”。

        报告开始，胡德文教授先提出一个近10年所重点关注的问题——精神疾病的客观诊断，全球患有精神疾病的人数不断增多。如何进行客观诊断精神疾病的关键成为一个重要的研究方向。胡德文教授因此引出通过生物学标记对精神疾病客观诊断。从脑网络的角度来分析，认为大脑出现了问题。主要分析脑连接的类型，其中包括结构连接（大脑的生理连接结构）、功能连接（观测信号间的时间相关性）以及有效连接（神经活动间的因果效应）。

 胡德文教授说明大脑信息的编码与解码的过程是秉承一个观念，即脑科学与人工智能 ，强调脑科学这个科学发现是可以推动人工智能的发展，人工智能的方法也会反过来进行脑科学的研究。在大脑信息模式识别面临的技术挑战中，胡德文教授列举了4个方面的突出问题：1、样本规模小，很难采集大量的数据。2、中心差异大，主要针对不同的机器采集的数据会有各种各样的差异包括数据精细的质量和标准，这也是很关键的问题。3、个体差异大，主要是在不同的个体差异中寻找共性的问题。4、数据信噪比低，这是信号处理面对的共同问题，怎样做好时间和空间的四维的信号分析，在时间轴的处理问题，如何通过频率处理等等提高信噪比。胡德文教授指出面向精神疾病客观诊断的重大需求，研究大脑信息的模式识别与机器学习方法，揭示精神疾病的神经机理与生物学标记。

胡德文教授接着讲解报告的第二部分内容，多模态脑影像的特征抽取。采用密度聚类方法对精细大脑功能子区划分。这个方法的特点是放开了距离的约束，这样更加适合大脑的功能子区划分。子区划分是与模式识别的效果紧密相关。在任务状态下的激活区边界与功能划分边界一致。

胡德文教授在脑网络的构建与识别中采用功能磁共振成像的组水平稀疏表示方法以及基于Group-SSR的睡眠剥夺条件下的脑连接模式同时教授团队也采取其他的一些方法，成组典型相关分析方法来解决脑网络抽取的交叠性问题。在进行区分大脑的性别，采用三维结构脑影像加权梯度方向直方图描述子，通过基于层次稀疏的大脑皮层三维形态学性别分类以及基于三维深度叠加网络（3D-DANet)的性别二态性研究。

胡教授采用基于全脑功能连接的重性抑郁症患者鉴别，提出降维矩阵与聚类图矩阵联合学习的无监督判别方法，在缺失临床标定数据的前提下，识别处前扣带回不同功能子区，并基于子区连接实现了抑郁症患者高精度分类。基于全脑功能连接的精神分裂症患者分类鉴别，通过提取分类贡献大的连接特征，证实“小脑-丘脑-额叶神经环路功能异常导致精神分裂症症状”的病理假说。在个体大脑成熟度的预测方法主要通过基于多变量分析法，利用动态功能连接的大脑网络模式预测发育年龄。使用面向多模态特征的安全分类方法（SAC），利用多模态脑影像特征和整合所有分类器来搜索安全预测，确保了在利用增强特征时分类器准确率不会减少。

报告最后，胡德文教授主要讲述多中心脑影像的迁移分类。主要通过基于多任务学习的多中心脑影像分类，采用基于判别稀疏自编码的多中心精神分裂患者进行鉴别。

胡德文，长江学者特聘教授，国家杰出青年基金获得者，入选“新世纪百千万人才工程国家级人选”，获国务院政府特殊津贴，国防科技大学智能科学学院教授，一直从事模式识别与智能系统、脑科学与认知科学、控制理论与控制工程等方面的教学科研工作。主持国家重点研发计划等10多项研究课题。在 Science Advances、 Brain、 PNAS、NeuroImage、 IEEE T-PAMI、 Automatica等期刊发表论文300余篇。获国家自然科学奖二等奖2项。教育部长江学者特聘教授，获全国优秀科技工作者、全国创新争先奖状等荣誉。担任Neural Networks、 IEEE T-SMC: Systems等期刊编委。

撰稿人：杨富宙