2017 HUST-UC Berkeley 寒假交流学习之旅(10)

科研工作者的精神

早上9:00，在伯克利的教工俱乐部（Faculty Club），Daniel给我们讲解了他目前和团队研发的IOT项目，一个基于医疗的应用：伯克利远程医疗监测项目（Berkeley Telemonitoring Project）。

一开始，Daniel就从宏观上给我们讲了技术产生的三个阶段：①出现新的现象；②提出理论，提出可再生可循环的解决机制；③可预测未来可能出现的问题。接着又给我们讲了一个现实生活中的事例——心力衰竭。心力衰竭具有极高的再受诊率。据统计，30天内再次就医的病人占了27%，6个月内再次就医的病人达到了50%。如果远程医疗可以在此领域被应用，将能大大降低心力衰竭复发的几率。

图1 Daniel介绍他们团队的研发项目

然后，Daniel就开始介绍他们目前的工作。简单来说，就是通过手机或其他设备，收集病人的各种生理数据，经过处理后，报告给医生，由医生向病人指导该如何调整。需要收集的数据包括：（1）每分钟的能量消耗（使用传感器监测）；（2）用户传送的生活数据，如症状和每天重要的身体反应；（3）户外活动强度，可通过GPS测量用户的经度纬度来实现，其中用户的经度初始值是随机的，可用于保护病人隐私。

图2 远程医疗基本过程

一、 远程监测架构

（1）App设计：良好的容错性（fault tolerance）、低耗电、保护隐私及安全、使用简单、灵活性以及最重要的——有关用户身体健康的数据获取。其中，委托计算（delegate computing）是很重要的一点，即客户端将数据传送至服务器，由服务器进行数据处理，再将处理后的结果发回客户端。这样一来，既可以做到降低用户APP的耗电，又能保护用户数据不向外泄露

（2）体系结构：

图3远程医疗数据结构

整体系统不同于以往传统的循环式监听，是采取基于事件的响应（event based），只有在事件发生时会通知app进行处理。

（3）蓝牙连接

虽然实际上蓝牙仍然是传统的循环式响应，但是app中编写的函数只有在蓝牙响应时才会被激发响应，从而处理事件，所以对于app来讲是基于事件的响应。

（4）健康评估（内部信息）

基于手指的心率估计：手指上红色像素改变的频率，可以反映人的脉搏。利用这一原理，病人只需将手指放在手机摄像头前，由相机收集像素的数据，然后经过滤波、求平均等处理过程，得出病人的脉搏。

基于面部的心率估计：基本原理与手指心率估计一致，病人只需用脸部对准摄像头，几秒钟后即可得到脉搏数据。

（5）调查

患者填写App上医生设计的调查问卷，提交后由后台分析。问卷内容可由医生根据需要来设计，可以是选择题、填空题、甚至是图片题。

（6）客户端、服务器端数据传输

通过连接处理器（server/client handler）

设备无服务：将数据储存至Disk（磁盘）上，等到有服务后再传输数据。

服务器繁忙：通过客户端处理器访问服务器得到服务器的饱和程度，若饱和，则换到另一个不饱和的服务器。

数据安全：客户端处理器与服务器间传递的数据是经过加密后的数据。

讲完了基本框架，Daniel就介绍了他的实验室所研发的App:Running coach。这个应用可以检测用户的心率以及步速，给马拉松运动员提供专业的训练指导。

到了提问环节，一名同学马上提问：如今市场上与健康相关的App非常多，这个App与其他的相比有什么特点呢？“这是一个好问题，”Daniel说到，“这个App的目的不是单纯地做面向马拉松运动员的应用，而是借这个应用来检验前面所提到的框架（framework）。”与应用软件相比，整体框架才是最主要的。有了这个明确的框架，之后的工作就是一步步往这个框架添砖加瓦。先从最底层开始，用最基本的框架设计一个应用，验证这个框架是否正确，看看有什么问题。然后再开始一步步地往上走，最终达到我们远程医疗的目标。“有了严谨的实验验证，才给用户承诺。”这就是一个科研工作者的科学精神。

图4同学向Daniel教授赠送启明学院礼物

在这次寒假课程我们所接触到的老师当中，Daniel教授是同学们心目中上课最容易理解的一位，他也因此备受大家喜爱。 大家总结出他上课时的一些特点：

1.他很善于利用例子和细节，用多种方式阐述，帮助大家理解；

2.他的课堂非常生动形象，比如他会把自己的水杯假想成医疗设备。同时他对肢体语言的应用十分巧妙有趣；

3.他注重师生互动，善于启发听众。例如他询问我们，服务器和终端的通讯中可能出现的问题，带领大家一起思考。另外在学生提出问题时，他会用简洁准确地语言把问题重复一遍，让大家对这个问题都能有一个准确地理解和把握。

这节课结束之后，同学们给Daniel教授赠送了自己准备的小礼物，然后一起合影。他对同学们的表现给予了极高的赞扬。“你们是我教过的最棒的学生。”Daniel教授说道。

图5课程结束后Daniel教授与同学们合影

在下午前半段的小组讨论中，各个小组对即将到来的结业展示展开了激烈的讨论。讨论过后我们再一次见到了Laura。今天她主要给我们介绍了她所在的HART实验室以及她目前正在研究的项目human musculoskeletal dynamic modeling(人类肌肉动态建模）。就像前面课程中提到的，人机互动（human-robot interaction）的实现需要我们对人体的肌肉工作机理有深入了解，包括肌肉的信息传递和控制，这就引出了Laura以及她的同事们所做的建模工作。一个人的身上有六百多块肌肉，每一块肌肉之间的收缩和舒张相互配合，才实现了对人体的控制，因此模型的建立也非常困难。研究员们先从最简单的开始，取手臂上的一块肌肉作为对象进行建模，基本的模型如下：其中椭圆形的肌肉采用了希尔模型（Hill model），用两个弹簧以及一个非线性的收缩器件来模拟肌肉。

图6肌肉模型和希尔模型

有了模型之后，下一步就是确定参数。当前比较流行的方式有两种，一是利用肌电信号（EMG），在皮肤上安装传感器，检测肌肉在收缩和舒张时大脑发出的电信号。二是利用超声波，用超声波检测肌肉切片，当大脑传来控制信号时，肌肉切片的面积和形状都会有所变化。利用这两种方法得到数据，用模型对其拟合。拟合的过程中，既不能用过于简单的模型，也不能使用比实际模型更复杂的模型过拟合（overfitting）。举例来说，一个二阶的系统，如果用线性模型拟合，那么拟合的效果会与实际值相差甚远；但是模型的阶数也不是越高越好，假如使用的模型是21阶的，那这个模型的误差将会更大。同样的问题也曾出现在机器学习中。如何避免过拟合，是许多研究员在努力解决的问题。

完成了一块肌肉的建模，接下来就是把其他肌肉也加入考虑，建立一个整体的模型。这个过程又涉及到了模型的简化问题。假如我们把人体的六百块肌肉都精确建模，那么这个数据过大，计算过程将会消耗大量的时间，这样的模型就没有实际意义；但如果我们把肌肉简化为少数几个部分，那么模型的误差会大到让人无法接受。

这时，有一位脑筋灵活的同学提问：“既然可以通过检测肌肉来控制，为什么不可以检测骨头来进行控制呢？”Laura给出了肯定的答案：检测骨头是可行的。除了骨头，检测韧带也是另外一个方向。也许在将来，我们可以将肌肉、韧带、骨头的数据组合在一起，来实现更精确的建模。

图7 Laura给大家分享“人类肌肉动态建模”

建模部分讲完了，Laura又给我们介绍了她正在参与的另一个项目：多对象核磁共振分析和动态模拟（Multi-subject MRI Data Analysis and Dynamicl Simulation）。这个项目的目的，就是对上文所讲的肌肉模型进行检验。通过核磁共振收集肌肉的数据，与模型的预测结果进行分析对照来判断这个模型的好与坏。如果说肌肉模型是一把尺子用来度量机器人的运动，那么核磁共振分析就是用来度量尺子的尺子。这把大尺子的精确度，会直接影响其他尺子的准确度。

在整个讲课过程中，Laura多次提到了“合作”（collaboration）这个词。她说，她是一个专业的研究员，只关注于自己的研究方向，而并不太了解其他人做了些什么。因此，这就需要多种层次的合作。一是不同机构之间的合作，例如伯克利和斯坦福就在该项目上有合作。两所学校有不同的研究思路，在合作的过程中就可以激发出更多的点子。二是不同学科的合作。在Laura的课题组中，既有学计算机的，也有学机械、电路、生物的。学科交叉已经成为未来必然的趋势。三是不同研究方向的合作。就像上文提到的，有检测肌肉的、检测骨头的、检测韧带的，这些方向在最后都会综合在一起，以实现“建立一个好模型”的目标。

下午的一个半小时，我们基本都在讨论建模的问题，这在许多工科同学中引起了共鸣。无论在什么领域，建模的时候都是先作一些基本的假设，然后从最简单的部分开始，由浅入深，一步一步地考虑更多的因素，逐渐逼近物理现象的实质。模型建立出来之后，再利用实验和数据进行检验，并对不合理的地方不断地修正。建立了准确的模型之后，就可以用这个模型来对还没有进行实验的数据做预测。结合Daniel教授上午讲的先建立框架再一步步填写内容，我们对如何做研究，如何做学问似乎有了更深层的思考。

图8孙丁毅同学给Laura赠送小礼物

今天已经是1月22日了，离结业展示（Final Presentation）只有两天。晚上回到酒店后，每个小组都在忙着整理PPT，核对讲稿，用心地做着最后的完善。

图9夜晚，同学们在酒店餐厅里准备结业汇报文档

每个人都被自己和他人激励着，努力做好自己的工作。看到此情此景，相信24日的结业汇报一定会不负众望！