报告题目：深度学习在功能近红光光谱分类中的应用
报告人：章军，博士，安徽大学人工智能学院教授，博士研究生导师
报告时间：2023年11月4日（周六） 9:00
报告地点：电气楼304
报告对象：感兴趣的教师、研究生等
主办单位：电气与十大网投平台信誉排行榜
报告人简介：
章军,博士，教授，博士研究生导师，1995年毕业于合肥工业大学计算机应用专业，2004年和2007年分别毕业中科院合肥智能机械研究所和中国科学技术大学自动化系模式识别与智能系统专业硕士和博士学位，并于2009年-2011年在美国路易斯维尔大学从事博士后研究工作。国际神经网络协会International Neural Network Society (INNS)会员，CCF会员。
近年来在国外重要学术刊物与国际会议上发表SCI、EI收录论文50余篇，其中近30篇被SCI检索，其中以第一作者在JCR分区一、二区杂志和CCF A类会议发表论文多篇；发表论文中最高他引600余次；作为项目负责人，主持和完成国家自然科学基金3项，教育部留学基金一项。同时也为多个著名国际杂志审稿人。
目前主要研究领域为：深度学习及相关应用，包括深度学习在视频分析及生物信息学方面应用,目前专注于工业缺陷检测和人体运动健康分析等研究和应用领域。
报告内容：
功能性近红外光谱成像（fNIRS）是一种应用广泛神经影像技术，广泛用于监测大脑活动，用于疾病诊断和脑-机接口（BCI）。基于深度学习的fNIRS分类面临三个主要障碍：有限的数据集、混乱的评估标准和领域障碍。针对如何将深度学习技术应用于fNIRS分类中，主要开展以下三个工作：1、将Transformer应用于fNIRS分类。受到自注意机制在自然语言处理和计算机视觉领域的成功启发，我们提出了一种基于Transformer的fNIRS分类网络，命名为fNIRS-T。2、提出了一个通用且可扩展的视觉fNIRS框架。该框架使用格拉姆角差场（GADF）将多通道fNIRS信号转换为多通道虚拟图像，从而很容易的使用基于计算机视觉的深度学习技术。3、将fNIRS的先验信息引入神经网络，提出一种精简的深度神经网络fNIRSNet。考虑到卷积的核大小和感受野，我们将延迟的血液动力学响应重新思考为fNIRS分类的领域知识，并提出了一种简洁高效的模型，名为fNIRSNet。我们经验性地总结了fNIRSNet的三项设计准则。
欢迎全校师生踊跃参加！
