一种面向精神分裂症脑电信号的时空特征映射系统及方法

1.本发明涉及脑电信号提取技术领域，尤其涉及一种面向精神分裂症脑电信号的时空特征映射系统及方法。


背景技术：

2.精神分裂症是一种破坏性的精神疾病，其广泛的临床表现从“消极的”缺陷症状，包括情感、思维和社交能力普遍减弱，到“积极的”症状，如绚丽的幻觉和妄想。它在全球的患病率约为1％，即使采用最新的治疗方法，大多数患者仍遭受慢性恶化。对与精神分裂症相关的神经机制的详细了解仍然是一个难以实现的目标，这不仅是因为人脑是一个极其复杂的器官，还因为它在生活中相对难以研究。精神分裂症症状因人而异，通常是用精神病学量表和医疗诊断手册或通过成像进行诊断，这无法在发病早期发现疾病。如果不及时发现和治疗，后续的治疗效果会不理想。精神分裂症患者会严重丧失工作能力，预期寿命缩短，给社会和社会带来沉重的长期负担。基于精神分裂症的研究，研究人员多次观察到大脑不同区域之间的功能断开，功能断开反映了大脑区域之间的连接强度异常。脑电图(electroencephalography,eeg)是一种测量活跃大脑产生的电场的大脑绘图和神经成像技术，广泛应用于临床领域内外。目前，无创、低成本的脑电图广泛应用于精神分裂症的研究。
3.目前脑电时空特征的映射的技术仍存在二维特征数据上，没有完全融合时序数据和空间位置特征数据，此外普通的迁移学习仍需要大量的先验知识和大量的数据已经长时间来训练分类模型。
4.深度学习的最新进展已被应用到不同的医疗领域，用以早期检测或预测某些异常。在脑电信号处理和分析领域，使用深度学习方法的医学领域的分析开始受到广泛关注。深度学习相对于传统机器学习的优势在于其基于多层特征学习的结构，通过结合较低层次特征，形成属性类或特征的更抽象的高层表示形式，发现数据中隐藏的分布式特征表示形式。
5.迁移学习是一种利用其他相关领域的大量先验知识，在特定领域执行新任务的过程中模仿人类视觉系统的学习方法。采用迁移学习的方法，在医学信号数据集数量较少的情况下，也可以利用较少的资源和少量训练次数快速训练出理想的效果。因此，实现一种面向精神分裂症脑电信号的时空特征映射的方法具有重要的现实意义。


技术实现要素：

6.本发明要解决的技术问题是针对上述现有技术的不足，提供一种面向精神分裂症脑电信号的时空特征映射系统及方法，针对脑电数据的特性进行时空特征映射并进行深度学习模型的构建，提高分类网络的分类效果并充分融合脑电的时序信息和空间信息，有效提高精神分裂症患者与正常人的脑电信号的分类准确性。
7.为解决上述技术问题，本发明所采取的技术方案是：
8.一方面，本发明提供一种面向精神分裂症脑电信号的时空特征映射系统，包括数据预处理模块、时空脑电特征映射模块和迁移学习网络分类模块；通过数据预处理模块对开源生数据进行下采样、去除眼电、去除异常值后数据归一化的预处理操作；通过时空脑电特征映射模块对预处理后的脑电数据进行新的特征映射方式提取脑电的时空特征数据；通过迁移学习网络分类模块针对上述提取的时空特征数据构建基于levit(a vision transformer in convnet’sclothing for faster inference)模型识别精神分裂症和正常人脑电数据的分类系统。
9.所述数据预处理模块还包括经典脑电数据处理中的去除由客观物理因素引起的噪声，包括肌肉活动、眼睛转动和心跳；由于脑电图数据采样频率过高，为降低复杂度下采样到250hz；去除眼电信号伪影；为防止脑电数据数值属性差异过大，去除异常值后进行归一化处理，归一化方法采用经典的min-max归一化方法，将数据归一化到[0,1]后将数据整体扩大到[0,255]用于后续的训练模型。
[0010]
所述时空脑电特征映射模块包括脑电空间矩阵二维数据转换模块、脑区分割三维数据转换模块和时间特征序列合并模块；
[0011]
所述脑电空间矩阵二维数据转换模块用于将一维的脑电序列数据映射到二维矩阵，依据国际脑电协会规定的10-20系统的电极放置，根据不同电极在大脑区域内的明确空间位置分布进行二维映射，将一维脑电序列映射为一定大小的二维矩阵；所述脑区分割三维数据转换模块用于将二维数据转换成三维数据，依据所述空间位置将大脑皮层划分为三个区域，三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)；上述转换结束的二维矩阵被所述三个区域分割成三个新的矩阵，看作是传统意义图像上的r、g、b三通道，并作为分类网络的输入；所述时间特征序列合并模块用于将具有时间关系的序列数据分块按照从左到右、从上到下的顺序进行合并拼接，最后得到一个具有一定空间维度大小的三维时空序列脑电数据。
[0012]
所述迁移学习网络分类模块采用levit模型，该模型是结合卷积神经网络(cnn)和transformer的混合结构，该模型的多头注意力机制能够允许模型从不同的角度学习依赖性，融合时间序列特征和空间特征；在迁移学习网络分类模块训练过程中，选取交叉熵函数作为损失函数完成分类任务，使用adam优化器作为优化器。
[0013]
另一方面，本发明还提供一种面向精神分裂症脑电信号的时空特征映射方法，基于上述的时空特征映射系统实现，该方法的执行过程包括：
[0014]
步骤1：下载开源数据集，数据集包括若干偏执型精神分裂患者的脑电数据以及健康对照组的脑电数据；健康对照组在性别和年龄上与患者相匹配；
[0015]
步骤2：将下载的原始开源数据输入数据预处理模块进行数据预处理，生成干净的脑电数据；
[0016]
步骤3：将步骤2生成的干净的脑电数据输入时空脑电特征映射模块进行脑电特征映射，得到三维时空脑电特征；
[0017]
步骤4：将三维时空脑电特征输入迁移学习网络分类模块中，进行目标独立实验，从而完成疾病分类任务。
[0018]
所述步骤2包括：
[0019]
步骤2.1：去除客观的物理噪声，包括肌肉活动、眼球转动和心跳；
[0020]
步骤2.2：对脑电进行下采样处理到250hz；
[0021]
步骤2.3：去除眼电信号伪影；
[0022]
步骤2.4：采用经典的min-max归一化方法进行数据归一化处理。
[0023]
所述步骤3包括：
[0024]
步骤3.1：一维的时序脑电数据映射到二维空间；
[0025]
依据国际脑电图协会规定的10-20系统的电极放置方式，将一维的c个通道脑电数据映射在h0×
m0的二维矩阵中，未使用的通道用0表示，其中h0和m0表示在脑电图中垂直和水平方向上使用的最大电极数；
[0026]
步骤3.2：二维时空脑电数据映射到三维空间；
[0027]
基于大脑电的空间位置，大脑皮层划分为四个叶，依据大脑叶区的划分，使用脑电数据的c个电极被划分为3个部分，三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)组成；c个电极基于脑区划分生成rgb三通道的图片形式即为三维数据形式，并将h0×
m0形式的数据补零成h1×
m1大小的数据，其中，h1》h0，m1》m0；
[0028]
步骤3.3：依据时间特征合并拼接成h1×
m1×
3大小的三维数据，将该三维数据按照从左到右、从上到下的顺序进行拼接，每行每列有k个根据时间序列排列的数据模块，最终得到(h1×
k)
×
(m1×
k)
×
3的三维数据作为分类网络的输入。
[0029]
采用上述技术方案所产生的有益效果在于：本发明提供的面向精神分裂症脑电信号的时空特征映射系统及方法，通过对原始一维时间脑电数据进行时空特征映射生成三维时空特征脑电数据，充分融合和利用了脑电的时间序列特征和空间位置关系。同时，本发明运用迁移学习的方法，通过多注意力机制感知脑电信号的全局依赖性，极大提高了精神分裂症诊断的准确性。通过对脑电的处理和时空特征映射，极大提高了分类网络的分类效果并充分融合了脑电的时序信息和空间信息，有效提高了精神分裂症患者与正常人的脑电信号的分类准确性。本发明所述方法实现了脑电时空特征融合的三维数据的新映射，突破了传统只能并行使用脑电特征分析的技术手段，能有效辅佐医生的诊断和治疗，拥有良好的发展前景。
附图说明
[0030]
图1为本发明实施例提供的面向精神分裂症脑电信号的时空特征映射系统框图；
[0031]
图2为本发明实施例提供的时空脑电特征映射流程图；
[0032]
图3为本发明实施例提供的迁移学习分类模型结构图。
具体实施方式
[0033]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0034]
如图1所示，面向精神分裂症脑电信号的时空特征映射系统使用新的时空特征脑电映射方法进行迁移学习训练分类模型，包括数据预处理模块、时空脑电特征映射模块和迁移学习网络分类模块。通过数据预处理模块对开源生数据进行去噪、滤波等预处理操作；
通过特征映射模块对处理后的脑电数据进行新的特征映射方式提取脑电的时空特征；通过迁移学习网络分类模块针对上述提取的特征数据构建基于levit(a vision transformer in convnet’sclothing for faster inference)模型识别精神分裂症和正常人脑电数据的分类方法。
[0035]
所述数据预处理模块包括经典脑电数据处理中的去除肌肉活动、眼球转动和心跳此类客观的物理噪声引起的噪声；由于脑电图数据采样频率过高，为降低复杂度下采样到250hz；去除眼电信号伪影；为防止脑电数据数值属性差异过大去除异常值后进行归一化处理，归一化方法采用经典的min-max归一化方法。
[0036]
本实施例使用min-max归一化方法对数据进行缩放，方便对不同单位和两级的数据进行比较和加权来提高模型的收敛速度和精度，将数据归一化到[0,1]后将数据整体扩大到[0,255]用于后续的训练模型以此获得具有更高鲁棒性的脑电数据。
[0037]
所述时空脑电特征映射模块包括三个模块分别为脑电空间矩阵二维数据转换模块、脑区分割三维数据转换模块和时间特征序列合并模块。所述的脑电空间矩阵二维数据转换模块首先将一维的脑电序列数据映射到二维矩阵，依据国际脑电协会规定的10-20系统的电极放置，根据不同电极在大脑区域内的明确空间位置分布进行二维映射，将一维脑电序列映射为一定大小的二维矩阵；所述的脑区分割三维数据转换模块是将二维数据转换成三维数据，依据上述的空间位置将大脑皮层划分为三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)。上述转换结束的二维矩阵被所划分的三个区域分割成三个新的矩阵，看作是传统意义图像上的r、g、b三通道，并作为分类网络的输入。所述的时间特征序列合并模块是将具有时间关系的序列数据分块按照从左到右、从上到下的顺序进行合并拼接，最后得到一个具有一定空间维度大小的三维时空序列脑电数据。
[0038]
如图2所示，所述脑电空间矩阵二维数据转换模块是根据国际脑电协会规定的10-20系统的电极放置进行二维矩阵的映射，图中每个电极定义的首字母代表了大脑特定的不同区域，且在每个电极周围有多个相邻的电极具有十分明确的空间位置关系，通过观察每个电极数据的变化可以反应大脑活动的区域变化。通过明确的电极空间位置关系将19通道的一维数据映射到大小为9
×
9的二维矩阵中，其中，9表示垂直方向和水平方向所使用的最大电极数。其中一个二维矩阵仅代表一个采样时刻t的数据。
[0039]
所述脑区分割三维数据转换模块在空间矩阵二维数据转换模块的基础上引入脑区概念，根据脑区分割将19个通道划分为3个区域即生成了三个新的二维矩阵当作图片的rgb三通道，图片大小为9
×9×
3，再进行补零操作变成16
×
16
×
3，上述操作完成了从一维序列到二维矩阵再到三维图像的映射，也是从时序特征到时空特征的融合。
[0040]
所述时空脑电特征映射模块中的时间特征序列合并模块将脑区分割三维数据转换模块生成的16
×
16
×
3的三维时空特征按照具有时间关系的斑块序列从上到小从左到右进行合并拼接，每行每列具有14个时间块共有196个时间序列块，最终得到尺寸为224
×
224
×
3大小的三维时空特征脑电数据。
[0041]
所述迁移学习网络分类模块采用levit模型，此模型属于轻量级模型能够更好地平衡优化性能和精度，该模型是结合卷积神经网络(cnn)和transformer的混合结构能够同
时融合脑电的时空特征，每一小块的序列数据包含了脑电的空间维度信息。该模型的多头注意力机制能够允许模型从不同的角度学习依赖性，融合时间序列特征和空间特征，该模型具有较强的归纳偏差和平移不变性，可以有效的从图像表示中学习鲁棒的空间特征。在该模块训练过程中选取了交叉熵函数作为损失函数完成分类任务，使用adam优化器作为优化器，以0.0005的初始学习率为基准，对20个epoch进行了微调，批量大小设置为32，网络是基于pytorch实现的，所有实验在一台系统服务器上进行的，服务器上有4台nvidia gpu geforce rtx 2080。
[0042]
基于上述的面向精神分裂症脑电信号的时空特征映射系统实现，通过从网上下载著名的开源精神分裂症和正常人的脑电数据集并在分析和分类之前进行一系列脑电的预处理；接下来提出了一种新的脑电特征映射的方法，通过对数据进行多维度的变化捕捉脑电之间的时间序列和电极空间之间的关系，使分析和分类过程更为精准，且可解释性增强；最后采用深度学习分类网络levit对上述处理过的数据进行训练，精准判别输入数据的分类结果。一种面向精神分裂症脑电信号的时空特征映射方法，具体执行过程如下：
[0043]
步骤1：下载开源数据集，数据集包括14名波兰华沙精神病学和神经病学研究所住院的偏执型精神分裂患者，以及14名健康对照组。对照组在性别和年龄上与14名患者相匹配；
[0044]
以上受试者均处于静息状态即在闭眼休息的状态下记录了15分钟的脑电数据，采用10-20系统采样频率为250hz，共使用19个脑电通道分别是fp1、fp2、f7、f3、fz、f4、f8、t3、c3、cz、c4、t4、t5、p3、pz、p4、t6、o1、o2。以上受试者均得到了华沙精神病学和神经病学研究所伦理委员会的批准，所有参与者均受到了书面方案描述，并提供了参加本研究的书面同意。数据集下载网址：http://dx.doi.org/10.18150/repod.0107441。
[0045]
步骤2：对下载的原始数据输入数据预处理模块进行数据预处理，生成干净的脑电数据；具体包括：
[0046]
步骤2.1：脑电从患者头皮采集和传输过程收到人工干扰，需要去除肌肉活动、眼球转动和心跳此类客观的物理噪声；
[0047]
步骤2.2：脑电数据采集过程频率过高，为降低脑电数据的复杂度，对脑电进行下采样处理到250hz；
[0048]
步骤2.3：去除眼电信号(eog)伪影；
[0049]
步骤2.4：为降低数值属性存在的比例差异进行数据归一化处理，采用经典的min-max归一化方法。
[0050]
步骤3：对步骤2生成的干净的脑电数据输入时空脑电特征映射模块进行脑电特征映射得到三维的脑电数据特征；具体包括：
[0051]
步骤3.1：一维的时序脑电数据映射到二维空间，依据国际脑电图协会规定的10-20系统的电极放置方式，将一维的19通道脑电数据映射在9
×
9的二维矩阵中，未使用的通道用0表示，其中数字9表示在脑电图中垂直和水平方向上使用的最大电极数；
[0052]
步骤3.2：二维时空脑电数据映射到三维空间，基于大脑电的空间位置，大脑皮层可以划分为四个叶，依据大脑叶区的划分，本发明使用脑电数据的19个电极可以被划分为3个部分，三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)
组成。19个电极基于脑区划分生成rgb三通道的图片形式即为三维数据形式，并将9
×
9形式的数据补零成16
×
16大小的数据；
[0053]
步骤3.3：依据时间特征进行合并拼接16
×
16
×
3大小的三维数据，将上述数据按照从左到右、从上到下的顺序进行拼接，每行每列有14个数据模块，最终得到224
×
224
×
3的三维数据作为分类网络的输入。
[0054]
步骤4：将三维时空脑电特征输入迁移学习网络分类模块中，进行目标独立实验，从而完成疾病分类；具体包括：
[0055]
14位精神分裂症患者和14位对照组进行目标独立实验，对照组为正样本，精神分裂症患者为负样本，设置正负样本两两一组分别作为测试集，其余13组作为训练集进行训练分类。
[0056]
如图3所示，在levit模型中是利用注意力机制来感知脑电信号的全局时间依赖性，因为196个向量存在时间关系，在计算过程中向量集中每个向量都与集合中所有向量进行自注意计算来了解其内部依赖关系。经过多个自注意的整合后连接hardswish激活函数，增强了模型的感知能力和非线性学习能力，最后通过1
×
1的卷积核将维度变换成c
×h×
w后进行分类操作。
[0057]
本实施例运用以一种新的时空映射的方法，通过对原始一维时间脑电数据进行时空特征映射生成三维时空特征脑电数据，充分融合和利用了脑电的时间序列特征和空间位置关系。同时，本实施例运用迁移学习的方法，通过多注意力机制感知脑电信号的全局依赖性，极大提高了精神分裂症诊断的准确性。在测试中，本实施例方法使用了28位受试者的脑电数据进行训练，通过目标独立实验对每位正负样本进行测试准确率均在90％以上。采用本实施例可以运用于医院临床诊断，辅佐医生的诊断和治疗，拥有良好的发展前景。
[0058]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

技术特征：
1.一种面向精神分裂症脑电信号的时空特征映射系统，其特征在于：包括数据预处理模块、时空脑电特征映射模块和迁移学习网络分类模块；通过数据预处理模块对开源生数据进行下采样、去除眼电、去除异常值后数据归一化的预处理操作；通过时空脑电特征映射模块对预处理后的脑电数据进行新的特征映射方式提取脑电的时空特征数据；通过迁移学习网络分类模块针对上述提取的时空特征数据构建基于levit模型识别精神分裂症和正常人脑电数据的分类系统。2.根据权利要求1所述的面向精神分裂症脑电信号的时空特征映射系统，其特征在于：所述数据预处理模块还包括经典脑电数据处理中的去除由客观物理因素引起的噪声，包括肌肉活动、眼睛转动和心跳；对脑电图数据下采样到250hz；去除眼电信号伪影；所述归一化的方法采用经典的min-max归一化方法，将数据归一化到[0,1]后将数据整体扩大到[0,255]用于后续的训练模型。3.根据权利要求1所述的面向精神分裂症脑电信号的时空特征映射系统，其特征在于：所述时空脑电特征映射模块包括脑电空间矩阵二维数据转换模块、脑区分割三维数据转换模块和时间特征序列合并模块；所述脑电空间矩阵二维数据转换模块用于将一维的脑电序列数据映射到二维矩阵，依据国际脑电协会规定的10-20系统的电极放置，根据不同电极在大脑区域内的明确空间位置分布进行二维映射，将一维脑电序列映射为一定大小的二维矩阵；所述脑区分割三维数据转换模块用于将二维数据转换成三维数据，依据所述空间位置将大脑皮层划分为三个区域，三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)；上述转换结束的二维矩阵被所述三个区域分割成三个新的矩阵，看作是传统意义图像上的r、g、b三通道，并作为分类网络的输入；所述时间特征序列合并模块用于将具有时间关系的序列数据分块按照从左到右、从上到下的顺序进行合并拼接，最后得到一个具有一定空间维度大小的三维时空序列脑电数据。4.根据权利要求1所述的面向精神分裂症脑电信号的时空特征映射系统，其特征在于：所述迁移学习网络分类模块采用levit模型，该模型是结合卷积神经网络(cnn)和transformer的混合结构，该模型的多头注意力机制能够允许模型从不同的角度学习依赖性，融合时间序列特征和空间特征；在迁移学习网络分类模块训练过程中，选取交叉熵函数作为损失函数完成分类任务，使用adam优化器作为优化器。5.一种面向精神分裂症脑电信号的时空特征映射方法，其特征在于：基于权利要求1所述的时空特征映射系统实现，该方法的执行过程包括：步骤1：下载开源数据集，数据集包括若干偏执型精神分裂患者的脑电数据以及健康对照组的脑电数据；健康对照组在性别和年龄上与患者相匹配；步骤2：将下载的原始开源数据输入数据预处理模块进行数据预处理，生成干净的脑电数据；步骤3：将步骤2生成的干净的脑电数据输入时空脑电特征映射模块进行脑电特征映射，得到三维时空脑电特征；步骤4：将三维时空脑电特征输入迁移学习网络分类模块中，进行目标独立实验，从而
完成疾病分类任务。6.根据权利要求5所述的面向精神分裂症脑电信号的时空特征映射方法，其特征在于：所述步骤2包括：步骤2.1：去除客观的物理噪声，包括肌肉活动、眼球转动和心跳；步骤2.2：对脑电进行下采样处理到250hz；步骤2.3：去除眼电信号伪影；步骤2.4：采用经典的min-max归一化方法进行数据归一化处理。7.根据权利要求5所述的面向精神分裂症脑电信号的时空特征映射方法，其特征在于：所述步骤3包括：步骤3.1：一维的时序脑电数据映射到二维空间；依据国际脑电图协会规定的10-20系统的电极放置方式，将一维的c个通道脑电数据映射在h0×
m0的二维矩阵中，未使用的通道用0表示，其中h0和m0表示在脑电图中垂直和水平方向上使用的最大电极数；步骤3.2：二维时空脑电数据映射到三维空间；基于大脑电的空间位置，大脑皮层划分为四个叶，依据大脑叶区的划分，使用脑电数据的c个电极被划分为3个部分，三个区域分别由以下区域组成：额叶(frontal lobe)、额两极(frontal poles)；中央区(central)、颞叶(temporal lobes)；枕叶(occipital lobes)、顶叶(parietal lobes)组成；c个电极基于脑区划分生成rgb三通道的图片形式即为三维数据形式，并将h0×
m0形式的数据补零成h1×
m1大小的数据，其中，h1>h0，m1>m0；步骤3.3：依据时间特征合并拼接成h1×
m1×
3大小的三维数据，将该三维数据按照从左到右、从上到下的顺序进行拼接，每行每列有k个根据时间序列排列的数据模块，最终得到(h1×
k)
×
(m1×
k)
×
3的三维数据作为分类网络的输入。8.根据权利要求5所述的面向精神分裂症脑电信号的时空特征映射方法，其特征在于：所述步骤4中，若干位精神分裂症患者和同等数量的若干位对照组进行目标独立实验，对照组为正样本，精神分裂症患者为负样本，设置正负样本两两一组分别作为测试集，其余正负样本组作为训练集进行训练分类。

技术总结
本发明提供一种面向精神分裂症脑电信号的时空特征映射系统及方法，涉及脑电信号提取技术领域。使用迁移学习的方法，针对脑电数据的特性进行时空特征映射并进行深度学习模型的构建，包括数据预处理模块、时空脑电特征映射模块和迁移学习网络分类模块；通过对脑电的处理和时空特征映射，极大提高了分类网络的分类效果，并充分融合了脑电的时序信息和空间信息，有效提高了精神分裂症患者与正常人的脑电信号的分类准确性，本发明实现了脑电时空特征融合的三维数据的新映射，突破了传统只能并行使用脑电特征分析的技术手段。使用脑电特征分析的技术手段。使用脑电特征分析的技术手段。


技术研发人员：郭志芬 王骄 李蓓霖
受保护的技术使用者：东北大学
技术研发日：2023.05.31
技术公布日：2023/8/31