王丹教授的研究团队近年来从事智能健康管理的研究课题，开展了新型计算模型（如大数据、机器学习和深度学习）下医疗感知大数据方面的关键技术研究和软件系统构建以及核心数据采集。
项目组成员先后在重要国内外知名期刊IEEE Transactions on Fuzzy Systems、Neural Networks、 Journal of Neural Engineering、IEEE Transactions on Neural Systems and Rehabilitation Engineering、软件学报、计算机学报和电子学报等刊物发表高水平科研论文。
项目发表的与本项目相关的高水平学术论文如下：
[1].Chen J, Wang D*, Yi W, et al. Filter bank sinc-convolutional network with channel self-attention for high performance motor imagery decoding[J]. Journal of Neural Engineering, 2023, 20(2): 026001.（JCR一区，IF4.69）
[2].Chen J, Yi W, Wang D*, et al. FB-CGANet: filter bank Channel Group Attention network for multi-class motor imagery classification[J]. Journal of Neural Engineering, 2022, 19(1): 016011. （JCR一区，IF4.69）
[3].Xu M, Wang D*, Li Z, et al. IncepA-EEGNet: P300 signal detection method based on fusion of Inception network and attention mechanism[J]. Journal of ZheJiang University (Engineering Science), 2022, 56(4): 745-753, 782.
[4].Chen J, Yi W, Wang D*. Filter Bank Sinc-ShallowNet with EMD-based Mixed Noise Adding Data Augmentation for Motor Imagery Classification[C]//2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). IEEE, 2021: 5837-5841. （EI会议）
[5].Xu M, Chen Y, Wang D*, et al. Multi-objective optimization approach for channel selection and cross-subject generalization in RSVP-based BCIs[J]. Journal of Neural Engineering, 2021, 18(4): 046076. （JCR一区，IF4.69）
[6].Xu M, Chen Y, Wang Y, Wang D*, et al. BWGAN-GP: An EEG Data Generation Method for Class Imbalance Problem in RSVP Tasks[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2022, 30: 251-263. （JCR一区，IF3.54）
[7].Yang P, Wang D*, Zhao W B, et al. Ensemble of kernel extreme learning machine based random forest classifiers for automatic heartbeat classification[J]. Biomedical Signal Processing and Control, 2021, 63: 102138. (JCR二区，IF3.137)
[8].Zhao Q, Wang D*, Li J, et al. Exploiting the concept level feature for enhanced name entity recognition in Chinese EMRs[J]. The Journal of Supercomputing, 2019: 1-22. (JCR二区，IF2.469)
[9].赵青, 王丹, 徐书世, 等. 中文医疗实体的弱监督识别方法[J]. 哈尔滨工程大学学报, 2020, 41(3): 425-432. （EI期刊）
[10].付利华, 赵宇, 孙晓威, 王丹, 等. 基于孪生网络的快速视频目标分割[J]. 电子学报, 2020, 48(4): 625-630. （EI期刊）
[11].Yang P, Wang D, Du X L, et al. Evolutionary dbn for the customers’ sentiment classification with incremental rules[C]//Industrial Conference on Data Mining. Springer, Cham, 2018: 119-134. （EI会议）
项目组成员申请的与本项目相关的相关专利如下：
1.王丹，苟熙，杨萍，杜金莲，付利华. 一种基于高斯函数拟合的ECG信号中P波、T波检测方法（专利号：CN201910297580.8）
2.赵青，王丹，杜金莲，付利华，苏航. 一种基于特征融合的命名实体识别方法.(专利号：CN201910099671.0)
3.赵青，王丹，冯韦玮，杜金莲，付利华.一种基于zero-shot无监督实体关系抽取方法.(专利号：CN201910790569.5)
4.王丹，徐书世，赵青，杜金莲，付利华. 一种基于Attention机制的命名实体识别方法. (专利号：CN201910246935.0)
5.王丹，余悦任，杜金莲，付利华，苏航，李童. 一种基于混合模型的文本情感分类方法（专利号：CN202010091064.2）
课题组重要成果：
1.1 生理信号的分类研究
课题组成员在生理信号的分类研究具有一定的研究基础。在基于脑电信号的运动想象解码研究中，课题组成员提出了基于经验模态分解的混合噪声数据增强方法与多分支网络模型和基于通道注意力的多分支脑电信号分类模型；在基于心电信号（ECG）的心脏疾病分类研究中，提出了基于多核学习核极限学习机的随机森林ECG心拍分类模型和基于概率符号化模式识别和CNN-LSTM的阵发性房颤分类模型。
（1）基于自注意力机制的运动想象特征选择方法
针对现有的基于深度学习的运动想象分类方法需要更有效的特征选择方法的问题，项目组首次在基于深度学习的运动想象解码研究中提出基于通道自注意力的特征选择方法，结合局部信息和全局信息为特征分配权重，强化模型对关键节律特征的表达能力，并基于该方法构建了基于通道自注意力的滤波器组Sinc卷积网络，同步提取θ、μ、β和低频γ四个运动节律的时空特征，基于通道自注意力机制分配注意力权重实现特征选择，从而有效提高模型的解码性能。在三个公开数据集BCI Competition IV IIa、BCI Competition IV IIb和OpenBMI（Open Brain Machine Interface）上的实验结果表明，项目组提出的方法在三个数据集上分别提高了3.05% (p=0.0469)、3.18% (p =0.0371)和2.27% (p =0.0024)的准确率，为基于深度学习的运动想象解码方法的特征选择提供了新的思路。
图1 基于通道自注意力的多分支运动想象解码方法结构图
（2）基于通道注意力的多分支脑电信号分类模型研究
针对运动想象对应目标肢体的识别精度不足的问题，课题组成员研究了现有深度学习方法的改进方法，提出了基于通道注意力的多分支脑电信号分类模型，并结合多分支网络的结构特点，提出了新的频段交换数据增强方法以产生与原始样本相近的生成样本，进一步提高模型的性能，如图2所示。在公开数据集上的实验结果表明，项目组提出的方法可以显著提高多分类运动想象解码的分类准确率，为基于通道注意力和滤波器组结构设计模型的运动想象解码方法提供了新的思路。成果于2022年发表在脑机接口领域高级别期刊Journal of Neural Engineering（SCI检索，JCR一区）。
图2 基于通道注意力的多分支脑电信号分类模型架构图
（3）基于多核学习核极限学习机的随机森林ECG心拍分类模型
在心电信号（ECG）心律失常疾病识别场景下，课题组成员提出了基于极限学习机的心拍分类模型的改进方法，如图3所示。该方法在极限学习机中引入多核学习，形成多核学习的核极限学习机，提高模型对不同个体的ECG信号识别能力，增强模型的泛化能力。成果于2021年发表于生物医学领域的高级别学术期刊Biomedical Processing and Control （SCI检索，IF3.32）。
图3 多核学习核极限学习机的随机森林心拍分类模型结构图
1.2 生理信号的通道选择和数据增强研究
（1）基于多目标优化算法的RSVP通道选择方法
课题组成员针对脑电信号数据通道冗余的问题，提出了基于多目标优化的通道选择方法如图4所示。基于大规模稀疏进化算法（SparseEA）对通道信息进行优化，并实现通道选择结果的跨被试迁移，节省被试校准的时间，以提高单被试实验的分类精度并实现跨被试应用。通过实验验证发现，项目组提出的跨被试通道组合模型可获得比对比方法更好的性能表现。同时，通道选择结果中RSVP诱发区域集中于前额叶和枕叶，与心理学实验结果相印证。成果于2021年发表在脑机接口领域高级别期刊Journal of Neural Engineering （SCI检索，中科院2区）。
图4 SparseEA-HDCA整体框架
（2）面向少数类样本生成的RSVP数据增强方法
针对类别不平衡的问题，课题组成员提出了带有梯度惩罚的平衡瓦瑟斯坦生成式对抗网络（BWGAN-GP），如图5所示。该网络模型从多数类样本中学习和目标最相关的特征，生成少数类的脑电信号样本，以提高深度学习方法的分类性能。通过实验发现，BWGAN-GP可以有效地缓解RSVP任务中的类不平衡问题，并在两类数据平衡时获得最佳性能。该方法可以大幅节省脑电采集阶段的时间，促进脑机接口技术从实验室研发踏入实际使用阶段。成果发表在脑机接口领域高级别期刊IEEE Transactions on Neural Systems and Rehabilitation Engineering（SCI检索，JCR1区）。
图5 BWGAN-GP框架图
目前一些实验室成果：
图6 课题组人员正在进行EEG-FNIRS多模态实验，图为主试者正在给被试者打导电膏
图7 课题组人员正在进行EEG-FNIRS多模态实验，图为被试者正在进行实验
图8 课题组人员正在进行RSVP实验，图为被试者正在进行目标识别实验
图9 课题组成员正在参加世界机器人大赛BCI脑控机器人青年论文大赛现场
图10 获奖证书
