2021年1月19日，脑机交互与智能混合团队在软件学院408教室举行研二学生的中期项目汇报，团队负责人潘家辉教授、团队梁艳老师、邱丽娜老师、李景聪老师、周成菊老师、罗胜舟老师和王斐老师以及团队成员所有研究生参加了此次汇报交流会。会议开始，潘老师总结了团队本学期以来取得的成绩，2020年团队审获了8个国家级和省部级的科研项目，本次汇报的研二同学都积极参与团队的科研工作，并均已发表了SCI论文，而研一同学也在第一学期进行了科研入门，他们本学期的科研项目申报取得了优异的成绩。

随后是团队成员的中期汇报，团队研究生廖嘉城围绕《面向在线教育的学生专注度预测》介绍了目前项目的研究进展。在新冠疫情的大背景下,在线教育成为许多国内外教育机构必不可少的授课方式。在线课程中，一方面教师难以实时了解学生的专注情况从而对授课内容进行调整，另一方面学生一旦跟不上课堂节奏就容易丧失学习的兴趣。针对上述问题，该项目提出了基于人脸的深度时空网络(DFSTN)专注度预测算法,对人脸序列的时空信息进行融合，从而更好地感知细微的专注状态,并提高专注度预测的效果。实验表明，本算法在公共在线教育情感数据集(DAiSEE)四分类实验中取得了SOTA的效果，算法的鲁棒性也在EmotiW专注度预测竞赛数据集上得以验证。

团队研究生何志鹏围绕《基于脑电的跨被试情绪识别研究》介绍了目前项目的研究进展。情绪识别是现代人机交互的重要组成部分，由于脑电能客观反映人的生理心理状态，近年来研究人员提出了多种基于脑电的情绪识别方法。目前，大部分研究是对单个被试进行模型构建、训练以及应用，而这就需要在训练模型之前获得该被试大量的脑电数据和对应的情绪标签，极大制约了情绪识别的应用场景。为了解决这个问题，该项目使用基于LSTM-CNN的联合分布自适应方法，并加入了类内距和类间距的计算，在深度网络中进行联合分布的优化。结果表明，基于LSTM-CNN的联合分布自适应方法能够有效地消除不同被试之间的特征数据分布差异,在情绪识别的任务上展现出较好的性能。这为目标被试的无标签情绪识别场景提供了新的可能。

团队研究生张建浩围绕《基于多生理信号的睡眠分期及抑郁症检测系统》介绍了目前项目的研究进展。在临床诊断中，睡眠分期耗时费力且十分依赖经验的工作。该项目开发一个自动睡眠分期系统，通过采集多生理信号，使用ICA-ReliefF算法，对信号的光谱特征、边缘频率、绝对谱、统计特征、Hjorth特征、最大最小距离和能量等进行特征提取和特征选择，随后对睡眠周期做出分类预测。在公共数据集Sleep-EDF上取得90.1%的准确率,证明了该算法的有效性。在此基础上，利用睡眠周期分析患者的REM潜伏期、睡眠潜伏期等睡眠结构指标，做出抑郁症检测判断。在12个正常人和19位抑郁症患者的区分实验中得到了95.24%的准确率。该系统利用医学上睡眠和抑郁症的先验知识结合机器学习的方法，实现了睡眠的自动分期以及抑郁症的检测。

团队研究生黄健勇围绕《面向意识障碍患者的是/否交流评估系统》介绍了目前项目的研究进展。长久以来意识障碍患者由于缺乏交流能力，严重影响了其诊断和预后治疗。针对这一问题，该项目首次将异步多模态脑机接口技术用于意识障碍患者的交流评估，设计了基于“是/否”的交流评估范式，融合了P300和SSVEP多模态信号,采用了滑动窗口进行动态调停。结果表明，利用异步多模态BCI系统，患者的交流评估时间有效缩短，且患者的显著准确性表明其能够与该系统进行简单的沟通，这为意识障碍患者提供一种新型的交流渠道。

团队成员都汇报了相关项目的研究进展、已取得的主要成绩和成果、目前存在的问题以及对未来工作的展望。本次项目中期汇报促进了学生及时的总结与发现问题，也让在座的同学们进一步了解了当前研究领域的研究进展与创新突破点。