科研经历
主持研究生科研基金
团队代表性论文-科研项目基金资助（红框标出）
第一作者-科研论文1（BIBM2024）
论文简介
可穿戴传感器结合机器学习为帕金森病（Parkinson’s Disease, PD）病情评估提供了一种有效解决方案。 然而，来自可穿戴设备的时间序列数据通常缺乏窗口级的病情标签，导致监督信号较弱，并引入标签噪声问题。 此外，个体差异带来的分布差异进一步加大了模型学习的难度。 为解决上述问题，我们提出了一种自适应领域对抗多实例学习方法（Adaptive Domain-Adversarial Multi-Instance Learning，ADAMIL），该方法结合并优化了多实例学习（Multiple-Instance Learning，MIL）与领域对抗技术。 我们在传统MIL框架中引入了自注意力机制与可学习位置编码，使ADAMIL能够更有效地捕捉时间依赖关系，从而更适应弱监督时间序列中的标签噪声问题。 此外，ADAMIL优化了领域对抗机制，可自适应地对齐潜在分布，无需依赖预定义标签即可实现稳健的领域不变特征学习。 实验结果表明，ADAMIL在细粒度PD病情分类中达到了 85.29% 的准确率与 80.57% 的 F1 值，优于现有方法。 值得注意的是，该结果仅使用单个腕部可穿戴传感器实现，展示了其在临床与居家场景中的实际应用潜力。
第一作者-科研论文2（ICPADS2023）
论文简介
一个有效的帕金森病（Parkinson’s Disease, PD）病情辅助诊断模型有助于减轻医院的诊疗负担，尤其是在医疗资源有限的国家或地区。 然而，一个关键挑战仍制约着该领域的研究进展。 以往研究采用标签传播技术，对同一位患者的所有活动片段赋予相同的统一标签，忽略了PD症状表现的复杂性，从而引入了标签噪声问题。 为应对这一挑战，我们在临床环境中采集了大量PD患者的活动信号，并提出了一个高效且鲁棒的病情评估框架。 具体而言，我们基于帕金森病统一评级量表第三部分（Unified Parkinson’s Disease Rating Scale Part III，UPDRS-III），采集了来自70名PD患者的14类日常活动可穿戴设备数据。 数据分析表明，许多活动片段存在标签错误，严重影响模型的分类性能。 为此，我们提出了一个基于多实例学习（Multi-Instance Learning，MIL）的新型框架，结合重加权判别性实例映射（Re-weighted Discriminative Instance Mapping，RDIM）机制， 用于建模PD的辅助诊断任务，旨在减轻由粗粒度标签传播引起的噪声影响。实验结果表明， 该框架在PD病情分类中取得了 80.88% 的准确率，有效缓解了标签噪声问题。