近日，团队成员杨钲烺和陈宗楠为第一作者的两篇研究成果于2023年10月13日被CCF B类会议IEEE生物信息学与生物医学国际会议(IEEE International Conference on Bioinformatics and Biomedicine，BIBM 2023)录用，通讯作者为潘家辉教授。

据悉，本次IEEE BIBM 2023共收到1084篇投稿论文，最终录用211篇，录用率为19.5%。IEEE BIBM 2023将于2023年12月5日至8日在土耳其伊斯坦布尔举行。作为生物信息学和生物医学领域的权威研究会议，IEEE BIBM 2023汇集了来自计算机科学，生物学，化学，医学，数学和统计学的学术和工业科学家，并提供了生物信息学和健康信息学业界的最新研究。

Zhenglang Yang, Jiahui Pan*. Automatic Detection of Sleep Spindles and its Application in Patients with Acute Disorders of Consciousness. 2023 IEEE International Conference on Bioinformatics and Biomedicine (IEEE BIBM 2023), 2023.12, Istanbul, Turkey. (CCF B, oral)

1. 设计了一个频率注意力模块(frequency attention module, FA)。该模块通过小波变换等步骤获取脑电事件(EEG events)的频率，并根据该事件频率是否落入目标频率范围内为事件分配一个较高或较低的权重，可以提高方法模型对目标频率范围内的脑电事件的敏感性和预测能力。
2. 提出了多标签事件和默认事件调整策略，实现多种睡眠特征波的实时监测。模型使用带有多个标签 (表示不同类型的特征波)的样本来训练深度卷积神经网络，神经网络通过学习输入的EEG信号与标签相关联的特征表示，来预测特征波的位置、持续时间和类型。
3. 通过计算急性意识障碍患者的纺锤波密度及其预后评分（1个月GOS评分）的皮尔逊相关系数（0.7195），发现患者的睡眠纺锤波密度与其预后情况可能存在较强的相关性，即患者的睡眠纺锤波密度越大，其预后良好的可能性越大。

图1 SpindleCatcher网络框架图

实验结果表明，SpindleCatcher方法模型在MASS2数据集以及一个私有患者睡眠PSG数据集上的F1评分与Recall召回率皆超过了4个基线方法，达到最优。该方法模型在急性意识障碍患者的特征波检测和预后预测上具有重大潜力。

Zongnan Chen, Jiarui Jin, Jiahui Pan*. Spatio-Temporal Swin Transformer-based 4-D EEG Emotion Recognition. 2023 IEEE International Conference on Bioinformatics and Biomedicine (IEEE BIBM 2023), 2023.12, Istanbul, Turkey. (CCF B, oral)

本研究成果设计了一个具有相同大小输入和输出的时空注意模块，它可以作为单独的模块插入到其他模型中，通过多层时空关注脑电信号在时空域的重要信息，剔除冗余信息。模型提取多种时域、频域、空域的特征进行特征融合，使用Swin Transformer作为骨干网络，利用其自注意力机制捕捉脑电信号不同通道之间的局部特征，实现脑电信号的情绪多分类。

实验结果表明，使用融合特征和Spatio-Temporal Swin Transformer在SEED和SEED-IV数据集上有优秀的脑电情绪多分类效果，其中SEED-IV数据集上实现了单被试情绪四分类的优异性能。在情感脑机接口的情感识别任务中，这是将传统机器学习人工提取特征与深度学习特征分类相结合是一种有益的尝试。

图2 Spatio-Temporal Swin Transformer网络框架图