我院2020级本科生以第一作者在IJCNN 2023上发表研究成果

2023年4月7日，脑机团队成员谢尚宏、郭梓健等2020级本科生团队分别在潘家辉老师和梁艳老师的指导下，在CCF推荐的国际会议IEEE International Joint Conference on Neural Networks 2023（IJCNN 2023）发表了2篇研究论文。

伍庆富、谢尚宏、黄奇安、曾祯的“A Multiple Command UAV Control System Based on a Hybrid Brain-Computer Interface”，针对当前脑控无人机指令少、飞行自由度低、控制准确率差、适用性低等问题，提出了一种基于混合脑机接口和人体姿态信号的无人机控制系统（如图1所示）。该论文的主要贡献为：（1）提出了一种符合人体直觉的、结合了三种生物信号输入源的脑控无人机系统。该系统具备多指令和高飞行自由度的特点。（2）提出了一种用于处理SSVEP信号的深度学习网络(CL-NET)，如图2所示，该网络在公共数据集和自建数据集的分类处理上，均取得了最优的结果。（3）在信息传输速率、控制精确度、系统响应时间等各项指标对比中，我们所提出的系统均优于现有的脑控无人机系统。

图1 无人机系统

图2 CL-NET网络

郭梓健、周卓沂的“Engagement Recognition in Online Learning Based on an Improved Video Vision Transformer”，针对线上教育时空分离的问题，提出一种基于改进ViViT的专注度检测模型（如图3所示），用于检测学生实时专注度，教师可根据反馈的学生专注度调整授课方式、进度等，该文的主要研究内容和工作如下：（1）提出了一个基于改进ViViT的模型来检测学生的专注度。该模型兼具计算复杂度低和性能高的优点，有助于应用在线上教育场景。（2）设计了一种名为TELC的transformer encoder（如图4所示）。一方面，采用UFO-attention代替Self-attention，将复杂性从方形水平降低到线性水平，同时提高了时空特征的有效性。另一方面，采用Patch Merger模块来融合patch，在不损失性能的前提下，显著减少了输入patch的数量。（3）提出的方法在Dataset for Affective States in E-learning Environments（DAiSEE）数据集进行评估，在四分类任务中取得了63.91%的准确率，优于其他先进的方法。

图3 专注度检测模型

图4 Transformer Encoder with Low Complexity (TELC) 架构图

IEEE IJCNN是神经网络及相关领域的权威国际会议，由国际神经网络协会（INNS，International Neural Network Society）和IEEE计算智能协会（IEEE-CIS，IEEE Computational Intelligence Society）共同举办。今年将在2023年6月18日至6月23日在澳大利亚昆士兰州的黄金海岸会展中心举行。

撰稿人：郭梓健  谢尚宏

审稿人：梁艳  潘家辉