EDUCATION / 01
辽宁大学 211
信息学部 · 电子信息科学与技术
SUBJECT PROFILE / CDR-001
PERSONAL ARCHIVE
个人档案
辽宁大学信息学部电子信息科学与技术专业本科生，研究兴趣聚焦类脑智能、脑电离散表征及生理信号智能分析。
- 出生年月
- 2006.03
- 籍贯
- 辽宁大连
- 政治面貌
- 共青团员
- 研究方向
- 类脑智能
- 微信
- a18642610899
- 英语能力
- CET-4
CAPABILITIES / 02
专业能力
熟悉脑电采集原理、实验范式与认知神经科学基本方法，能够独立完成文献调研、实验设计、结果分析与论文撰写。
MEMORY NODE / 01 · FRONTAL LOBE
01
EEG DISCRETE REPRESENTATION
基于 NeuroLM 的跨任务脑电离散表征与 Codebook 分析
RESEARCH QUESTION
NeuroLM 如何将连续脑电映射为离散 Code，这些 Code 是否保留通道、波形与任务状态信息？
研究依次从 Code—通道分布出发，验证跨语言任务一致性，再扩展到运动想象数据，并回溯原始脑电 Patch 分析波形与标签差异。
- DATA
- Chisco 2.0 · PhysioNet
- STACK
- Python · MNE · NeuroLM · Pandas
- SAMPLING
- 200 Hz · 10 s Window · 1 s Patch
01 / DATA & ADAPTATION
数据处理与模型适配
- 标准化通道名称并映射 NeuroLM 通道词表，完成 200 Hz 重采样与时间窗口切分。
- 部署预训练 VQ 模型并加载权重，解决输入张量形状与位置编码维度不匹配问题。
- 将连续信号划分为 10 秒窗口和 1 秒 Patch，提取每通道、每 Patch 对应的 CodeID。
02 / ANALYSIS
跨任务 Codebook 分析
- 构建 Code—通道计数矩阵和条件概率分布，对比句子语义、音素与运动想象任务。
- 绘制热力图、Code 频率柱状图与平均时域波形，分析 Codebook 利用率和通道偏好。
- 比较静息、左手与右手运动条件下的 Code 分布，探索任务标签特异性。
MEMORY NODE / 02 · PARIETAL LOBE
02
DYNAMIC GRAPH LEARNING
ICU Outcome Prediction Based on Dynamic Graph Neural Network
ROLE / STUDENT FIRST OR SECOND AUTHOR
面向 ICU 院内死亡与剩余住院时间预测，动态学习患者之间随表征阶段变化的关系。
现有 GNN 通常依赖预定义、固定不变的患者图。D-GNN 在多个 Temporal Graph Reasoning（TGR）Block 中反复更新患者特征与加权邻接矩阵，从多阶段表示中捕捉更有效的患者关联。
FIGURE / D-GNN MODEL ARCHITECTUREINPUT → TGR BLOCKS → OUTPUT
01 / DATASET
数据集
使用覆盖美国 200 余家医院、约 20 万名患者的 eICU 数据库。筛选年龄大于 18 岁、ICU 住院超过 24 小时且至少存在一次有效观测的患者，共得到 66,176 个样本。
- 时间范围：入 ICU 24 小时后开始按小时采样，最长分析前 14 天。
- 数据划分：训练集、验证集和测试集按 70%、15%、15% 划分。
- 静态特征：17 项人口统计、医院、入院及 APACHE 相关变量。
- 时序特征：42 项生命体征与实验室变量，并加入观测掩码和小时特征。
- 诊断特征：来自 diagnosis、pastHistory 与 admissionDx，编码为 multi-hot 向量。
- 缺失处理：先构建观测掩码，再前向填充；首次观测前的缺失值置零。
02 / MODEL · PRIMARY
模型：D-GNN
INPUT MODULE
静态特征经 FC 层编码为 S；时序特征由 TempFeat Initializer（Temporal Pointwise Convolution）提取初始表示 X⁰；诊断特征经 FC 编码为 D，并由 EdgeInitializer 生成初始患者图 A⁰。
ITERATIVE TGR BLOCKS
第 i 个 TGR Block 接收 S、Xⁱ⁻¹、Aⁱ⁻¹。首先将静态与时序表示拼接并送入 LSTM 编码历史上下文；EdgeGenerator 再根据处理后的患者特征计算 Pearson 相关矩阵 Cⁱ。
相关矩阵与上一层邻接矩阵逐元素相乘并进行 z-score 标准化，随后通过 Top-K 选择保留最相关邻居，以 ReLU 后的相似度生成当前加权邻接矩阵 Aⁱ。Feature Aggregation 利用 Aⁱ 聚合邻域信息得到隐藏状态 Hⁱ，TPC 再将其更新为下一层时序表示 Xⁱ。
邻居数按 Kᵢ = ⌊K₀exp[-SC(i-1)]⌋ 逐层递减，初始 K₀=8，使图从粗粒度患者关系逐步收缩到更相关的局部邻域，并缓解深层 GNN 的过平滑与噪声传播。
OUTPUT & LOSS
累积隐藏状态 H、诊断表示 D 与最终时序表示 Xⁿ 共同输入两层 FC 预测头。IHM 使用 Sigmoid 输出死亡概率并以 BCE 训练；RLoS 使用指数函数保证非负，再以 Hardtanh 限制在 0.5–2400 小时，并采用 MSLE 降低长尾异常值影响。
03 / RESULTS
结果
IHM / AUROC0.914Accuracy 0.913 · AUPRC 0.720 · F1 0.827
RLoS / MAE2.726MSE 43.321 · MAPE 30.751 · MSLE 0.209
RLoS / AGREEMENT0.783R² 0.365 · Cohen's Kappa 0.783
D-GNN 在 IHM 与 RLoS 两项任务上均超过 LSTM、Transformer、TPC 和 DTSC-CAFF 等基线；RLoS 的机器学习模型也整体优于 Mean、Median 统计预测器。
消融实验表明，将动态图替换为预定义图或固定邻接矩阵会明显降低两项任务性能，验证了逐层更新患者关系的必要性。移除 Top-K 后个别指标略有提升，但整体表现不如完整模型均衡，说明稀疏邻居选择有助于控制噪声并稳定预测。
MEMORY NODE / 03 · TEMPORAL LOBE
03
PHYSIOLOGICAL SIGNAL MODELING
An Robust Two-Step Respiratory Rate Prediction Method Employing a Time-Frequency Joint Deep Learning Model with ECG and PPG Signals
ROLE / STUDENT SECOND AUTHOR
先由 ECG 与 PPG 重建呼吸信号，再从预测波形计算呼吸频率，以两阶段策略提升预测精度与跨数据集鲁棒性。
TF-RR 将长序列时域建模与呼吸相关频谱增强结合，避免直接学习生理信号到单一呼吸频率数值的复杂映射。本人负责跨受试者、跨数据集及消融实验结果整理，完成波形、性能对比与论文图表制作。
FIGURE / TF-RR MODEL ARCHITECTUREECG + PPG → RESPIRATORY SIGNAL → RR
01 / DATASET
数据集与预处理
使用 BIDMC 与 CapnoBase 两个公开数据集，统一将 ECG、PPG 与参考呼吸信号重采样至 125 Hz，并通过信号质量筛选保留可靠片段。
- BIDMC：53 名成人 ICU 患者，每人约 8 分钟记录；质量过滤后纳入 49 名患者的有效片段。
- CapnoBase：42 名成人、儿童及新生儿患者，每人约 8 分钟记录；质量过滤后纳入 41 名患者。
- 质量控制：使用模板匹配评估 ECG 与 PPG，阈值分别为 0.66 与 0.86。
- 窗口设置：0.1–0.6 Hz FIR 带通滤波，切分为 16 秒、2000 点窗口，步长为窗口长度的 90%。
02 / MODEL · PRIMARY
模型：TF-RR
TWO-STEP STRATEGY
第一阶段以 ECG 和 PPG 为输入预测连续呼吸信号；第二阶段使用 Count-adv 方法从预测波形中计算呼吸频率。中间呼吸波形提供可解释的周期与相位信息，并降低端到端直接回归 RR 的学习难度。
EMBEDDING & TIME MODULE
ECG 与 PPG 先经 Conv1D 映射至 D=64 的特征空间。时域分支采用两层 Multi-scale S4-UNet，通过 S4-Dilated Encoder / Decoder 及膨胀率 1、2、4、8 的多尺度卷积同时捕捉局部形态和长程依赖，并减少下采样造成的信息损失。
FREQUENCY MODULE
Spectral Enhancement Block 对时域特征执行 FFT，选择呼吸相关低频分量并增强幅值，同时保留相位后通过 iFFT 返回时域。模型另引入频率位于 0.1–0.6 Hz 的可学习节律信号 S，以 S 作为 Query、增强后的 ECG/PPG 频域特征作为 Key 与 Value，执行 Frequency-domain Cross Attention，聚焦与呼吸节律一致的频率成分。
FUSION & JOINT LOSS
时域输出 Otime 与频域输出 Ofreq 相加得到预测呼吸信号。训练目标联合 MSE 与负 Pearson 相似度，在波形数值误差和整体形态相关性之间平衡，权重 α=0.4。
03 / RESULTS
结果
CROSS-SUBJECT / BIDMC1.19RR MAE · RMSE 1.50
CROSS-SUBJECT / CAPNOBASE1.16RR MAE · RMSE 1.47
CROSS-DATASET / BEST MAE1.33BIDMC → CapnoBase · reverse 1.41
跨受试者实验采用 leave-one-patient-out，并以三个随机种子重复训练。呼吸信号重建在 BIDMC 上达到 MSE 0.13、MAE 0.31，在 CapnoBase 上达到 MSE 0.16、MAE 0.34。
跨数据集实验中，BIDMC → CapnoBase 的 RR MAE / RMSE 为 1.33 / 1.64，CapnoBase → BIDMC 为 1.41 / 1.74，显示模型在不同采集环境和人群间保持较稳定的预测能力。
消融实验分别移除频域模块、时域模块、S4、多尺度结构与可学习节律信号 S。移除频域模块后波形形态与相位对齐下降最明显，说明时频联合建模对呼吸信号重建具有关键作用。
COMPETITION ARCHIVE / 02 RECORDS
ENGINEERING PRACTICE
学科竞赛
负责人 / 华为 ICT 大赛
基于鸿蒙生态的端云协同智能用药安全分析系统
基于 ModelArts MaaS 构建双模型推理架构，接入多模态大模型提取药品包装结构化信息；负责大模型 API 与分层提示词设计，并参与基于 session_id、近三条用药历史滑动窗口的连续对话记忆、用药风险评估和个性化建议模块。
队长 / 第十三届大学生新一代信息通信科技大赛
存储器地址译码器与自动测试激励生成器
基于 Digiblock 完成电路设计，通过 GowinEDA 完成工程综合、管脚约束、码流生成与板卡烧录，并使用 XCOM 串口工具进行 HEX 数据收发，实现上位机—FPGA 输入输出结果的闭环测试与功能验证。