腾讯优图实验室已与天津大学高忠科教授的复杂网络与智能系统实验室开展了合作研究，双方签署了《天津大学-腾讯公司战略技术合作协议》，希望通过此次战略技术合作协议的签署推动今后更加紧密的合作。基于该协议双方拟在智能感知与智能硬件、新型人机交互系统、医学图像智能分析和疾病智能诊断等AI领域开展深入合作研究。在人才培养方面，拟通过联合科研基地、联合实验室，推进腾讯公司与天津大学间的研究生人才培养合作，通过双方的合作，为在校硕士生博士生提供更广阔的专业实践与发展的空间，促进天津大学相关重点学科的建设和发展。

    与本实验室合作的腾讯科研机构有腾讯医疗健康事业部。腾讯医疗健康致力于整合腾讯内部及生态各方的数字化能力，助力政府、医院、行业践行“健康中国”战略实施，探索普惠医疗、精准医疗等产业融合新模式，助力医疗健康资源平衡发展。通过开放腾讯先进的人工智能、大数据、云计算等技术和服务和提供新型基础设施，实现先进科学技术与医学的结合，扮演好医疗健康领域的数字化助手，推动优质医疗资源精准下沉，助力医疗资源均等化发展，激发医疗健康行业每个参与者进行数字创新，与医疗健康行业的合作伙伴共建“数字生态共同体”，助力健康中国2030 战略目标的实现。

学术交流：

    高忠科教授邀请Celso Grebogi院士，华中科技大学人工智能与自动化学院伍冬睿教授，Ruedi (Rudolf Robert) Stoop教授，美国伦斯勒理工学院高建喜博士等国内外合作学者来校进行学术交流

    高忠科教授主持或参与多个科研项目，包括国家自然科学基金项目，天津市自然科学基金以及国家重点研发计划中央军委科技委项目等国家级省部级项目35项，并与腾讯公司开展了合作研究，合作领域包括：智能感知与智能硬件、新型人机交互系统、医学图像智能分析和疾病智能诊断等。拟通过联合科研基地、联合实验室，推进双方人才培养合作，通过双方的合作，为所内在硕士生博士生提供更广阔的专业实践与发展的空间。

脑控康复医疗系统,新型传感器与智能硬件

    长期以来，各种疾病的存在严重影响了人们的生活，甚至完全改变了部分患者的生活状态。借助前沿科学技术，发展康复医疗系统受到社会各界广泛关注和期待。以运动想象为突破口，创新提出多种智能算法。结合便携式EEG脑电采集设备以及前沿智能算法，搭建康复医疗系统，可用于脑卒中患者的康复治疗。高忠科教授团队自主研发了便携式EEG脑电采集设备，可稳定、可靠实现多通道EEG脑电信号获取。基于稳态视觉诱发电位，运动想象等实验范式，构建了相应的BCI系统。结合先进的意念识别理论，可实现对智能轮椅、智能小车等的100%准确率的控制。

多相流检测

    高忠科教授主持多个两相流以及多相流的相关国家自然科学基金优秀青年科学基金项目，国家自然科学基金面上项目，天津市自然科学基金面上项目。在油气田开采过程中，井口环境下含水率的测量对油气的开采及后续运输、加工等过程都有重要意义。因此，高忠科教授团队模拟井口开采环境，进行了两相流实验，通过四扇区传感器采集流体信号，并根据流体信号的空间特征以及时域变化，设计了多任务时间通道卷积网络，通过关键卷积模块提取信号的时间、通道特征，并通过全连接层进行组合筛选，并进一步地优化多任务输出模块，使得在含水率测量的相对误差低至2.43%。并针对石油、天然气等开采过程中井口参数测量困难的问题，自主研发设计了多种电导、阻抗等传感器测量系统，并以深度学习等前沿理论为基础，融合卷积神经网络和长短时记忆网络，构建了流动参数软测量模型，对流速、含率等流动参数可实现高精度测量，为油气井动态监测以及油气田节能增产开采提供重要参考信息。 

1. 国家自然科学基金优秀青年科学基金项目，多相流传感器信息融合理论与应用，项目编号：61922062，2020.01-2022.12，项目负责人。

2. 国家自然科学基金面上项目，基于复杂网络和深度学习的两相流可视化与动力学建模研究，项目编号：61873181，2019.01-2022.12，项目负责人。

3. 国家自然科学基金面上项目，基于复杂网络多元信息融合的油井两相流流型演化机制研究，项目编号：61473203，2015.01-2018.12，项目负责人。

4. 国家自然科学基金青年基金项目，水平油水两相流复杂网络非线性动力学特性研究，项目编号：61104148，2012.01-2014.12，项目负责人。

5. 天津市自然科学基金面上项目，基于复杂网络的两相流多源异构传感器信息融合研究，项目编号：16JCYBJC18200，2016.04-2019.03，项目负责人。

6. 中央军委科技委项目，XXXXXX，2017.07-2018.06，项目负责人。

7. 中央军委科技委项目，XXXXXX，2018.10-2020.12，项目负责人。

8. 教育部高等学校博士学科点专项科研基金(新教师类)，油水两相流多尺度复杂网络非线性动力学特性研究，项目编号：20110032120088，2012.01-2014.12，项目负责人。

9. 天津大学“北洋青年学者计划”人才类项目：2016.01-2019.12，项目负责人。

10. 天津大学“北洋学者青年骨干教师计划”人才类项目：2013.01-2014.12，项目负责人。

论文与著作：

    实验室拥有中国发明专利35项，主持或参与国家级省部级项目35项。高忠科教授在德国斯普林格（Springer）出版社出版英文学术专著一部《Nonlinear Analysis of Gas-Water/Oil-water Two-Phase Flow in Complex Networks》，出版日期：2014年1月。并在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Industrial Informatics、IEEE Transactions on Instrumentation and Measurement、IEEE Transactions on Systems, Man, and Cybernetics: Systems、IEEE Transactions on Circuits and Systems II: Express Briefs、International Journal of Neural Systems、Knowledge-Based Systems、Chemical Engineering Journal等国际期刊上发表SCI检索论文100余篇。

高忠科教授团队参加2019世界机器人大赛，获得二等奖：

研究方向：脑控康复医疗系统,新型传感器与智能硬件

（1）基于深度学习的新型意念控制智能康复系统

    长期以来，各种疾病的存在严重影响了人们的生活，甚至完全改变了部分患者的生活状态。借助前沿科学技术，发展康复医疗系统受到社会各界广泛关注和期待。高忠科教授团队从应用实际出发，自主研发了便携式EEG脑电采集设备，可稳定、可靠实现多通道EEG脑电信号获取。此外，被试在想象肢体运动时，在相应的大脑区域可记录到神经元群体放电信号，称为运动想象(Motor imagery，MI)。MI信号是一种自发性脑电信号，对MI信号的分析有助于揭示人脑感觉运动功能的内在机制，探索感觉运动区脑活动的特点，具备很高的科研价值。高忠科教授团队以运动想象为突破口，创新提出多种智能算法。针对四分类运动想象任务，可实现90%以上分类准确率，达到领先水平。结合便携式EEG脑电采集设备以及前沿智能算法，搭建康复医疗系统，如图1所示，可用于脑卒中患者的康复治疗。

（2）脑机接口赋能智能设备

    脑机接口（BCI）技术旨在在人脑和机器之间建立一种交流的通道。 一般而言，从人体生理信号中解码被试意图信息后，BCI可以将神经活动转化为控制指令，然后控制外部设备的运动。高忠科教授团队自主研发了便携式EEG脑电采集设备，可稳定、可靠实现多通道EEG脑电信号获取。基于稳态视觉诱发电位，运动想象等实验范式，构建了相应的BCI系统。结合先进的意念识别理论，可实现对智能轮椅、智能小车等的100%准确率的控制，演示截图如下：

研究方向：多相流检测

（1）多相流流态测量与参数分析

    自然界广泛存在各种多相流流动，特别是在能源开采领域。多相流在流动过程中，各相介质互不相溶，流动参数实时变化，衍生出非常复杂的流动特性。对多相流复杂流动参数的测量极具科研和社会价值。高忠科教授团队针对石油、天然气等开采过程中井口参数测量困难的问题，自主研发设计了多种电导、阻抗等传感器测量系统，如图所示。并以深度学习等前沿理论为基础，融合卷积神经网络和长短时记忆网络，构建了流动参数软测量模型，如图所示，对流速、含率等流动参数可实现高精度测量，为油气井动态监测以及油气田节能增产开采提供重要参考信息。

（2）基于密集神经网络的油气田含气率及总流速多参数测量系统

    油气田井口的参数测量对整个开采过程及后续的运输、加工过程都有重要的指导意义，精确的参数测量可以提高生产效率，加快生产进度。为提高井口环境下流动参数测量的精度，高忠科教授团队构建了分阶段密集连接网络（Stage-wise densely connected network，SDCN）对含气率和总流速进行了测量，构建的网络结构如图所示。在四扇区电导传感器采集的两相流信号基础上，对网络模型进行了分阶段的训练。通过关键卷积模块提取信号的深层次特征，并使用便捷连接完成特征的重复利用，最终通过输出模块完成信息汇总优化，在含气率和总流速的参数测量上分别将相对误差降低到了5.5%和2.1%。

（3）基于深度学习的油气田含水率测量系统

    在油气田开采过程中，井口环境下含水率的测量对油气的开采及后续运输、加工等过程都有重要意义，准确的含水率测量可以更精确地掌握油气田开采过程的变化。因此，高忠科教授团队模拟井口开采环境，进行了两相流实验，通过四扇区传感器采集流体信号，并根据流体信号的空间特征以及时域变化，设计了多任务时间通道卷积网络（Multitask-based temporal-channelwise convolutional neural network，MTCCNN），该网络结构如图1所示，通过关键卷积模块提取信号的时间、通道特征，并通过全连接层进行组合筛选，并进一步地优化多任务输出模块，使得在含水率测量的相对误差低至2.43%。

研究方向：脑机融合与混合智能,复杂网络与多源信息融合

（1）融合脑电信号通道拓扑结构的麻醉状态监测系统

    同剂量的麻醉药对于不同的人产生的效果也不完全相同，故麻醉具有较高的风险。为确保病人安全，准确监测大脑所处的麻醉状态不仅能够对麻醉医生的用药量提供指导，而且对于提供一个安全稳定的手术环境具有重要的意义。针对麻醉状态监测问题，高忠科教授团队设计了一套基于便携式脑电采集设备和深度学习算法的麻醉状态监测系统。如下图所示，该系统基于自主研发的便携式脑电采集设备获取患者接受麻醉后的脑电信号，利用滑动窗口技术对脑电信号进行分割后得到一系列滑动窗口数据，根据脑电信号通道的拓扑结构，利用预处理方法从分割后的脑电信号中提取特征，构建脑电特征图像，然后利用提出的基于深度学习的智能算法进行计算分析并分类，在显示器上实时显示麻醉状态，实现患者的麻醉状态监测。

（2）基于脑机接口和深度学习的术后急性疼痛预测系统

    疼痛是一种常见病，按疼痛持续时间和性质，疼痛可分为急性疼痛和慢性疼痛。急性疼痛指短期存在、通常发生于伤害性刺激之后的疼痛，急性疼痛如果在初始阶段未得到完全控制，可能会发展为慢性疼痛。长期的慢性疼痛会导致大脑神经系统发生异常变化，严重影响患者的生活质量。头皮脑电信号是客观评价疼痛疾病的重要途径，对患者术前静息态脑电信号的研究分析能够为急性疼痛与慢性疼痛的分类提供重要依据。针对此问题，高忠科教授团队设计了一套基于脑机接口和深度学习的术后急性疼痛预测系统。如下图所示，该系统基于自主研发的便携式脑电采集设备在术前0-3天获取病人的术前静息态脑电信号，利用滑动窗口技术对脑电信号进行分割得到一系列的滑动窗口数据，利用预处理方法将一系列的滑动窗口数据转化为二维图像，利用提出的基于深度学习的智能算法进行计算分析，得到脑电信号所属类别并在显示器上输出分类结果，实现医疗过程中的术后急性疼痛预测。团队基于26名临床病人的术前静息态脑电信号使用该系统中的处理分析算法进行计算，得到了94%的预测准确率，验证了该系统的有效性。

（3）融合脑机接口和深度学习的重度抑郁症智能诊断系统

    重度抑郁症（MDD）是一种全球性的、严重的心理疾病，可能导致严重的健康问题。为了准确、及时地诊断MDD，高忠科教授团队自主研发了基于FPGA的便携式EEG脑电采集设备，该系统搭载高精度生物电信号采集模块，可实现对多通道EEG脑电信号的高精度、高速采集。在此基础上，依托于复杂网络、深度学习等前沿理论方法，创新提出时频多层脑网络，对不同频段的脑状态进行表征，并结合深度卷积神经网络模型实现智能诊断如下图所示。结果表明，该系统对重度抑郁症的识别准确率可达97.27%，达到领域领先水平。

（4）基于网络科学与深度学习的癫痫发作预警系统

    癫痫患者数量众多，发作时间不确定，病症影响严重。预测癫痫发作并做出相应预警可以大幅减轻癫痫对患者造成的身体危害和精神痛苦。为延长癫痫发作的预警时间与预测精度，高忠科教授团队设计了一套搭载高精度EEG脑电采集模块的癫痫发作预警系统。该系统融合复杂网络和深度学习，构建了生理状态分析模块，可评估当前时刻癫痫发作风险，并根据需要提醒患者。经过测试，该系统可以在预测时长为1个小时的情况下，达到96%的预测灵敏度。其中高精度EEG脑电采集模块如图，癫痫发作预警系统的系统框图如图。

（5）基于脑机接口的情感计算系统

    情绪在人们生活中扮演着重要角色，与多种日常行为息息相关。情感计算是实现人机混合智能和人机交互的重要方式，是智能聊天机器人的核心，可用于自闭症、抑郁症的治疗。高忠科教授团队分别构建了基于通道融合密集卷积神经网络和双输入卷积神经网络模型，在32位被试上进行了验证分析，准确率可达96.55%。

（6）基于模糊神经网络的驾驶员反应时间预测技术

    在驾驶的过程中，除了关注驾驶员的疲劳状态，面对突发事件，预测驾驶员的反应时间也尤为重要。因此，高忠科教授团队设计新的回归模型——模糊神经网络模型，完成驾驶脑电数据中反应时间的预测。同时，还设计了主动学习的样本采样方法，从一堆数据中选择最具代表性的一些数据，用选出来的数据进行后续的训练任务，以此来降低模型训练中的时间消耗，后续可方便于在线反应时间预测研究，具体操作步骤如下图所示。

（7）基于网络科学的疲劳驾驶机制研究

   在疲劳驾驶的研究中，仅仅识别出驾驶员的疲劳状态是不够的，我们需要研究疲劳状态下大脑的动力学特征。高忠科教授团队提出多层水平有限穿越可视图（Multiplex Limited Penetrable Horizontal Visibility Graphs, Multiplex LPHVG）方法，如下图所示，构建驾驶员正常状态和疲劳状态的大脑网络，提取网络指标，从动力学的角度揭示了大脑的疲劳机制。

（8）基于脑机接口的睡眠监测系统

   睡眠是大脑活动最重要的功能之一，对一个人的日常活动有着重要的影响。通常情况下，可将睡眠过程分为清醒期（W），非快速眼动期（NREM），包括浅睡两期（S1,S2）,深睡两期（S3,S4）以及快速眼动期（REM）共计6各阶段。随着生活节奏的加快，越来越多的人饱受睡眠类疾病的困扰，睡眠阶段的监测对睡眠类疾病的研究起着至关重要的作用。高忠科教授团队研发了脑电采集分析一体化硬件系统，实现对使用者睡眠状态的实时智能监测，六种睡眠状态识别 如准确率达到87.21%。

（9）基于时空卷积神经网络的疲劳驾驶监测

  疲劳驾驶是由于驾驶者长期的专注驾驶导致其在体力和脑力上的快速消耗，会影响驾驶者感知周围环境和做出快速判断的能力，很大程度上增加了驾驶事故的发生概率。因此，驾驶员疲劳状态监测已成为一个急需解决的社会问题。基于该问题，高忠科教授团队设计了模拟驾驶环境，采集模拟驾驶环境下驾驶员的 EEG 信号。然后基于脑电信号的时空维度提出了一个时空卷积神经网络（EEG-based spatio-temporal convolutional neural network，ESTCNN），进而给出该模型在所采集疲劳数据集上的总体性能，模型框架如图所示。该方法通过核心模块来处理脑电中时间维度上的信息并利用密集层来融合电极间空间特征，使得驾驶员疲劳状态监测平均准确率高达97.37%。

（10）基于网络科学的心电信号监测技术

  随着高龄人口比重的增加、生活压力的加重及生活节奏的不断加快，心脏疾病的发病率越来越高准确及时的辨识出心脏运行的异常状况具有重大意义。鉴于心电信号能够最直观的反应心脏的运行状况，高忠科教授团队提出了基于有限穿越可视图的心电信号监测方法。该方法从RR间隔心电信号中构建对应于健康人（Heathy）、充血性心力衰竭患者（CHF）、心房颤动患者（AF）的有限穿越可视图复杂网络，结合随机森林器分类网络指标，可达到93.5%的分类准确率，并具有很好的抗噪特性。此方法可以应用于心脏病患者的心电信号实时监测系统中，在患者发病的第一时间提出预警，及时救治患者生命；同时可应用于医疗系统中协助医生对心脏病患者的诊治。