輕量型生成模型於數位神經醫學標記反轉譯之流形理論與平台研發;Development of Manifold Theory and Platform for Lightweight Generative Model Inverse Translation of Digital Neuro-Medical Markers

NCU Institutional Repository > 生醫理工學院 > 生醫科學與工程學系 > 研究計畫 > Item 987654321/96756

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/96756

題名:	輕量型生成模型於數位神經醫學標記反轉譯之流形理論與平台研發;Development of Manifold Theory and Platform for Lightweight Generative Model Inverse Translation of Digital Neuro-Medical Markers
作者:	陳健章
貢獻者:	國立中央大學生醫科學與工程學系
關鍵詞:	數位神經生物標記;幾何深度學習;生成模型;重建攻擊;微分流形;Digital Neuro-biomarkers;Geometric Deep Learning;Generative Models;Reconstruction Attack;Differentiable Manifold
日期:	2025-07-31
上傳時間:	2025-08-07 16:56:07 (UTC+8)
出版者:	國家科學及技術委員會(本會)
摘要:	數位神經生物標誌技術為2024年生醫領域當中，最具主流經濟影響力與市場潛力的新興數位技術。其中，腦電訊號反轉譯回測試影像的數位神經技術實踐，將能啟發人類對於大腦結構性功能性質的理解與掌握，同時亦能帶動視覺化大腦功能作動機制的各類科學與產業應用，因此深具產學研醫之市場價值。於此著眼點，本計畫將產生具備可解釋性的輕量型生成模型，並用之取代現有用於腦電訊號反轉譯影像的數位神經生物標誌技術架構，以降低實踐腦電反轉譯影像的軟硬體技術成本，以及提升個人化數位醫療價值。故本計畫的總體核心主旨為在具備流形結構的模型訓練參數空間中，構造擁有可解釋性且能最佳化訓練型態的輕量型生成模型，並依此設計出一個能將腦電EEG訊號反轉譯成受試者目睹測試影像的數位神經醫學標記智慧系統。而主要欲求突破的國際主流標竿技術，則是普林斯頓神經科學研究所於2023年提出的MindEye平台。計畫預計第一年在流形空間架構出可適用於任何深度學習模型的訓練狀態參數曲線，並在訓練參數的流形架構中將各類映射性質，相應的置換成歐氏空間座標系、背向傳遞機制以及損失函數等操作。前期成果已以喉嚨震動產生的時序訊號類比成目標腦電EEG訊號，並以當代各類深度學習模型與本技術性能相較，爾後也驗證了在流形架構下的本技術可擁有許多優異的性能。而同時本技術在醫學影像生成的表現上，也能與StyleGAN生成模型有一戰之力。因此在第一年計畫中預期將模型參數訓練流形結構的數學操作模態，推廣到其他深度學習模型的架構上，爾後以本技術做為模板並依推廣結果來推論出各模型結構下具備解釋性的輕量型生成模型構造，以運用於本計畫中腦電EEG訊號的辨識與分類以及反轉譯影像生成之目的。第二年計畫將根據訓練參數的流形空間測地線上的指數映射以及黎曼法座標產生的訓練狀態參數曲線，以及該曲線在黎曼法座標映射到R^n的斜直線上的斜率不變性與在NTK技術的啟發上，建構黑-白盒模型嫁接重建攻擊技術。與當代各類型的數位神經醫學標記技術相較之下，黑-白盒模型嫁接重建攻擊技術可將大腦系統視為一個黑盒模型，因此不需要如當代其他位數神經醫學標記技術必須以預訓練後的大型生成模型作為基底，便能有機會將大腦EEG訊號當中對應的目睹測試影像特徵藉由白盒模型以及NTK技術萃取並生成。換言之，黑-白盒模型嫁接重建攻擊技術可以避開其他技術必須先使用CLIP對影像產生訓練標記的不適用性。因此，第二年技術在階段任務上，將把腦部EEG系統視為黑盒，並從中將重要的特徵訊息嫁接出系統來完成反轉譯影像任務。最後第三年的計畫任務將整合前兩年的技術成果：在具備解釋性的輕量型生成模型的流形架構上，把腦電EEG訊號的辨識技術以及黑-白盒模型的嫁接技術，在兩類流形構造上互相整合，並再與現今較普適化的生成模型做結構上的置換。藉以達成建立與驗證腦電EEG訊號反轉譯成受試者目睹測試影像的數位神經醫學標記智慧平台的實質目標。
關聯:	財團法人國家實驗研究院科技政策研究與資訊中心
顯示於類別:	[生醫科學與工程學系] 研究計畫

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	2	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....