雷鋒網 AI 科技評論按：7 月 12 日-7 月 14 日，2019 第四屆全球人工智慧與機器人峰會（CCF-GAIR 2019）於深圳正式召開。峰會由中國計算機學會（CCF）主辦，雷鋒網、香港中文大學（深圳）承辦，深圳市人工智慧與機器人研究院協辦，得到了深圳市政府的大力指導，是國內人工智慧和機器人學術界、工業界及投資界三大領域的頂級交流博覽盛會，旨在打造國內人工智慧領域極具實力的跨界交流合作平臺。
7 月 12 日，香港中文大學（深圳）校長講席教授、香港理工大學講座教授、深圳人工智慧與機器人研究院中心主任、IEEE Fellow 張大鵬教授為 CCF-GAIR 2019 主會場「中國人工智慧四十年專場 」做了題為「生物特徵識別的新進展-紀念中國人工智慧40年」的大會報告。以下為張大鵬教授所做的大會報告全文，感謝張大鵬教授的修改與確認。
非常高興受邀參加本次會議，讓我有機會匯報我的最新工作。今天我的講題是「紀念中國人工智慧40周年」，而我本人是中國學位法公布後首屆入學的研究生，也是哈工大畢業的首個計算機博士，從 1980 年入學開始算起，我基本見證了中國人工智慧這 40 年的發展歷程。
這是我研究生期間所能找到最早的一篇論文，選題與指紋識別有關。 1984 年，陳光熙教授是我的博士生導師，圖片展示的是當年哈工大進行博士學位論文答辯的場景。
以下為哈工大計算機學科博士名錄，我排在首位。
1985年，我到清華擔任博士後，因此有幸成為常迵院士的學生。隨後，我到中科院待了幾個月時間，中科院當時給我頒發的一份聘書，我覺得非常有意義，因為該聘書將我的專業定性為圖象處理、模式識別和人工智慧，這在當時是非常少見的，一般都會稱為計算機應用。
1988 年，我在加拿大拿到我的第二個博士學位，一直到 1995 年才來到香港，這時候已經過去了 23 年，這是我在香港工作時期的一些成果。
當下流行的人工智慧，當年一般都稱為模式識別，總的來說，模式識別是人工智慧的重要組成部分，它與許多領域息息相關，是人工智慧最流行的組成部分。模式識別是人工智慧的重要組成部分，而生物特徵識別又是模式識別的典型應用，因此，今天我將趁機匯報我們在這個領域的相關工作。
簡而言之，我們將模式識別、圖象處理做成了一個平臺，緊接著通過該平臺進行生物特徵識別。我們在這方面做了許多新方法、新技術和新應用的探討。其中，我們研發了 2DPCA 方法，截止目前引用率已經高達 3900 多次；此外，我們還在生物特徵識別的鑑定方法上做了許多工作；鑑於生物特徵識別主要更多是二維以及可見光的，我們又接著探討三維以及波光譜的研究；針對三維生物特徵識別上的工作，我們還發表了一本書。
我國首套掌紋系統
新技術方面，我們是國際上首個研究掌紋識別的團隊。目前的生物特徵識別手段主要是指紋、人臉、虹膜等，但它們卻依然存在著諸多問題：
指紋——
作為接觸式的生物特徵識別方式，缺點包括有 5% 的人無法通過指紋進行識別，國際上也承認該方法的防偽能力存在缺陷。
人臉——
年紀增長和整容都可能給人臉帶來極大的變化。
虹膜——
一旦患上眼疾便無法取得較理想的虹膜圖像，且東方人的虹膜信息量整體不如西方人有效。
因此，掌紋識別被我們認為是值得探討的方向，而且這是中國人獨創的方法，受到了傳統手相學的啟發。我們發現，掌紋識別包含諸多新特徵，當中包括幾何信息、細節點信息、線特徵、紋理信息、掌脈信息等，而且由於掌紋夠複雜，因而防偽能力上也能有所保障。即便不小心沾上汙漬，掌紋也能被有效地識別，這又是另外一項優點。
掌紋識別研究發展至今，我們有很多文章被發表，同時也獲得了諸多獎項的肯定。比如，我們在 1998 年首次在國際上發表的掌紋識別文章，還出過掌紋識別的總結性書籍。國際上相關的 13篇文章中，我們佔了其中 2 篇。這也是我國研發的首套掌紋系統。
系統落地——中醫 & 美學
新應用方面，我想從兩方面來展開。
一個是如何將生物特徵識別運用至醫學領域，尤其是與中醫的結合。我們希望能夠找到一種新方法，能將中醫量化、客觀化，進而把中醫推向國際。我們主要從四個方面開展研究：視覺感知、嗅覺感知、聽覺感知、觸覺感知，以及綜合性的融合感知。
首先是視覺感知，我們主要分析的舌像，通過顏色、紋理、形狀等指標全方位對舌相進行探討。比如針對特舌像的顏色，我們利用舌像的12個分布點創建了舌相主空間。針對舌頭表面的反光點，包括潤燥指數、淤斑淤點等，皆為有效信息。至於紋路，也是中醫俗稱的薄苔厚苔，我們也通過量化的方法進行了有效定義。隨著庫的體量變大，搜集到的特徵變多，我們能藉此進行亞健康以及病變判斷。
文獻清單：
– Book:TongueImageAnalysis,SpringerSingapore,306pp.2017(舌像分析)
– Book:TongueDiagnostics,AcademicPress.650p,2011(舌像分析)
– 「Robusttonguesegmentationbyfusingregion-based&edge-basedapproaches」Expert Systems with Applications 21, 42, Nov, 8027-38. 2015. (舌像分割)
– 「DetectingDiabetesMellitusandNonproliferativeDiabeticRetinopathyUsing Tongue Color, Texture, and Geometry Features」, IEEE Trans. on Biom. Eng. 2, 61, 491-501, 2014. (舌像應用)
– 「StatisticalAnalysisofTongueimageforFeatureExtractionanddiagnostics」IEEE Trans. on Image Processing, 22 (12), 5336-47, 2013. (舌色分析 )
– 「Ahighqualitycolorimagingsystemforcomputerizedtongueimageanalysis,」
– ExpertSystemwithApplications4，15，5854-66.2013.(儀器設計)
–「ANewTongueColorcheckerDesignbySpaceRepresentationforPreciseCorrection,」IEEEJournalofBiomedical&Health Informatics 2, 17, 381-391, 2013. (舌色校正)
– 「TongueColorAnalysisforMedicalApplication,」Evidence-BasedComple-&Alter-Medi-,ID264742,11p,2013(舌色分析).
–「Fastmarchingoverthe2DGabormagnitudedomainfortonguebodysegmentation,」EURASIPJ.Adv.Sig.Proc.190.2013. (舌像分割)
– 「Automatic tongue image segmentation based on gradient vector flow and region merging,」 Neural Computing and Applications 8, 21, 1819-26, 2012. (舌像分割)
– 「Tongueprint:AnovelbiometricsIdentifier,」PatternRecognition3,43,1071-1082,2010.(舌像應用)
– 「Anoptimizedtongueimagecolorcorrectionscheme,」IEEETrans.onInf.Tech.inBio.6,14,1355-64,2010.(舌色校正)
– 「Tongueshapeclassificationbygeometricfeatures,」Infor.Sci.2,180,312-324,2010.(舌型分析)
– 「A snake-based approach to automated segmentation of tongue image using polar edge detector」, Inter.Journal of Image System & Technology 4, 16,103-112, 2007. (舌像分割)
– 「Automatedtonguesegmentationinhyperspectralimagesformedicine,」AppliedOptics34,46,8328-34,2007.(舌像分割)
– 「Classification of hyperspectral medical tongue images for tongue diagnosis,」 Com. Med. Imaging & Graphics 31, 672-678,2007. (舌像應用)
– 「TheBi-ellipticalDeformableContouranditsApplicationtoAutomatedTongueSegmentationinChineseMedicine,」IEEE Trans. on Medi. Ima. 8, 24, 946-56, 2005. (舌像分割)
–「ComputerizedDiagnosisfromTongueAppearanceusingQuantitativeFeatureClassification,」TheAmericanJournalofChinese Medicine (AJCM) 6, 33, 859-66, 2005. (舌像分析)
– TongueImageAnalysisforAppendicitisDiagnosis,Infor.Sci.3,175,160-176,2005.(舌像分析)
– ComputerizedTongueDiagnosisBasedonBayesianNetworks,IEEETrans.onBio.Eng.10,51,1803-10,2004.
第二個是嗅覺感知，指的是口腔氣味，我們可以藉此判斷潛在的病理信息。我們創建了可以捕捉人體內部氣味的傳感器陣列，最終發現不同的類型的疾病會得到不同類型的波形。通過我們的研究，我們認為糖尿病與血檢、呼吸等皆有一定關聯，於是我們進一步探討糖尿病的無損檢測研究，對於是否患上糖尿病以及糖尿病等級都做了相應探討。
文獻清單：
– Book: Electronic Nose: Algorithmic Challenges, Springer, 2018. – Book: Breath Analysis for Medical Applications, Springer, 2017.
– 「Breath analysis for detecting disea. on respiratory, metabolic & digestive system,」 Journal of Biomedical Science and Engineering, 2019
– 「Learning domain-invariant subspace using domain features & indepe- Maxmization,」 IEEE Trans. on Cybernetics 2017
– 「A novel medical e-nose signal analysis system,」 Sensors 4,17,402.2017– 「Efficient solutions for discreteness, drift & disturbance (3D) in electronic olfaction,」 IEEE Trans. on SMC: Part A. 2017 (氣味分析)
– 「Temperature modulated gas sensing e-nose for low-cost/fast detection,」 IEEE Journal 2,16,464-74,2016– 「Calibration transfer & drift compensation of e-noses via coupled task learning,」 Sensors & Actuators: B.225, 31, 288-297. 2016(氣味分析)
– 「Correcting instrumental variation & time-varying drift: A transfer learning approach with autoencoders,」IEEE TIM 9, 65, 2012-22. 2016(系統設計)
– 「A novel semi-supervised learning approach in artificial olfaction for e-nose application,」 IEEE Sensor
Journal 12, 16, 4919-31. 2016(系統設計)
– 「Improving the transfer ability of prediction models for electronic noses,」 Sensors & Actuators: B.
Chemical 220, 115-124. 2015(儀器設計)
– 「Domain adaptation extreme learning machines for drift compensation in e-nose systems,」 IEEE Trans.on IM 7, 64, 1790-1801. 2015(氣味分析)
– 「Feature selection and analysis on correlated gas sensor data with recursive feature elimination,」 Sensors & Actuators: B. Chemical, 212, 353-363. 2015(氣味分析)
– 「Design of breath analysis system for diabetes diagnosis & blood glucose level prediction」, IEEE Trans. on Biomedical Engineering 11, 61. 2014(儀器設計)
– 「Non-invasive Blood Glucose Monitoring for Diabetics by Means of Breath Signal Analysis,」 Sensors & Actuators B 173,106-113, 2012 (氣味分析)
– 「Sparse representation-based classification for Breath sample identification,」 Sensors & Actuators B
1,158, 43-53, 2011(氣味分析)
– 「A LDA based sensor selection approach in breath system,」 Sensors & Actuators B 157, 265-274, 2011
– 「A novel breath analysis system based on electronic olfaction,」 IEEE TBE 11, 57, 2753–63, 2010
第三個是觸覺感知，我們按照中醫的三部九侯思路設計了相應系統。鑑於脈象是血流通過內臟器官流到人的末梢，帶有內臟器官的病理信息，因此我們一直堅定脈象無法被ECG取代。我們通過生物特徵識別技術對大量特徵進行提取，然後進行優化，最終形成了對不同波形的分析。
文獻清單：
– Book: Computational Pulse Signal Analysis, Springer, Singapore, 2018
– 「Radial artery pulse waveform analysis based on curve fitting using discrete Fourier series」
Computer Methods and Programs in Biomedicine 2019
– 「A Robust Pulse Acquisition on Multisensor & Signal Quality Assessment,」 IEEE TIM, 2019
– 「Generalized Feature Extraction for Wrist Pulse Analysis: from 1-D Time Series to 2-D Matrix,」 IEEE JBHI 4, 21, 978-985. 2017(脈象分析)
– 「A Robust Signal Preprocessing Framework for Wrist Pulse Analysis,」 Biomedical Signal Processing and Control 23, 62-75. 2016(脈象分析)
– 「Comparison of Three Different Types of Wrist Pulse Signals by Their Physical Meanings and Diagnosis Performance,」 IEEE JBHI 1, 20, 119-127. 2016 (系統設計)
– 「A novel multi-channel wrist pulse system with different sensor arrays,」 IEEE TCM 7, 64, 2020-34. 2015
– 「An Optimal Pulse System Design by Multi-channel Sensors Fusion,」 IEEE Journal of Biomedical and Health Informatics (J-BHI) 2, 20, 450-9, 2015(系統設計)
– 「A Compound Pressure Signal Acquisition System for Multi-Channel Wrist Pulse Analysis」, IEEE Trans. TIM 6, 63, 1556-65, 2014(儀器設計)
– 「Combination of heterogeneous features for wrist pulse blood flow signal diagnosis via multiple kernel learning」, IEEE Trans. Infor. Tech. in BioMedicine 4, 16, 598-606, 2012(脈象分析)
– 「Computerized wrist pulse signal diagnosis using modified auto-regressive models,」 Journal of Medical Systems 35(3): 321-328, 2011(脈象分析)
– 「Classification of Pulse Waveforms Using Edit Distance with Real Penalty.」 EURASIP J. on Advances in Signal Pro., 303140: 1-9, 2010(脈象分析)
– 「Wrist Blood Flow Signal-based Computerized Pulse Diagnosis Using Spatial and Spectrum Features.」 Journal of Biomedical Science and Engineering, 3(4): 361-366, 2010(脈象分析)
– 「Wrist Pulse Signal Diagnosis using Modified Gaussian Models and Fuzzy C-Means Classification,」 Medical Eng. & Phy. 31, 1283-1289, 2009(脈象分析)
– 「Baseline Wander Correction in Pulse Waveforms Using Wavelet-based Cascaded Adaptive Filter」, Computers in Biology and Medicine 37, 5, 716-731, 2007(脈象分析)
– 「Arrhythmia Pulses Detection by Ziv-Lempel Complexity Analysis」, RURASIP Journal on Applied Signal Processing 2006, 1-12, 2006(脈象分析)
– 「Wavelet-based Cascaded Adaptive Filter for Removing Baseline Drift in Pulse Waveforms,」 IEEE Trans. on Biome. Eng. 52,11,1973-1975, 2005(脈象分析)
– 「Modern researcher on Traditional Chinese Pulse Diagnosis」, European Journal of Oriental Medicine 4, 5, 46-54, 2004(脈象分析)
– 「Objectifying Researches on Traditional Chinese Pulse Diagnosis」, Informatics Medical Slovenica, August, 56-63, 2003(脈象分析)
最後一個是聽覺感知。我們希望通過我們的技術，可以找到對話中隱含的病理信息，因此我們系統探討了它與發音、疾病之間的關係。這個工作相應來說進行得較晚，直到17年才有第一篇論文，而這幾年也陸續有文章發表。
文獻清單：
– Book: Voice Analysis for Medical Applications, Springer, 2019
– 「Joint Learning for Voice Based Disease Detection,」 Pattern Recognition 87,130-39, 2019.
– 「Computerized voice analysis in biomedical field & its open challenges,」 IEEE Access, 2018.
– 「Influence of sampling rate on voice analysis for the detection of
Parkinson『s disease,」 The Journal of the Acoustical Society of America, 2018.
– 「Learning acoustic features to detect Parkinson’s disease,」 Neurocomputing, 2018.
– 「GMAT: Glottal closure instants detection based on the Multiresolution Absolute TKEO,」 Digital Signal Processing 69, 286-299. 2017.
中醫強調「望聞問切」，所以我們在融合感知方面也展開了許多工作，將單一的舌、脈等感知經過融合達到更好的效果。我們將之作為當下的重點工作進行了相應研發。
文獻清單：
– Book:InformationFusion:TechnologiesandApplications,Springer,2019
–「Visual Classification With Multikernel Shared Gaussian Process Latent Variable Model,」 IEEE Trans. on Cybernetics 8, 49, 2886-99, 2019.
–「Generative Multi-view and Multi-feature Learning for Classification,」 Information Fusion 41, 215-26, 2019. –「Body Surface Feature-based Multi-modal Learning for Diabetes Mellitus Detection,」 Information Sciences.472, Jan. 1-14. 2019.
–「Shared Auto-encoder Gaussian Process Latent Variable Model for Visual Classification,」 IEEE TNNLS 9,29, 4272-86. 2018
–「Joint discriminative and collaborative representation for fatty liver disease diagnosis,」 Expert Systems
with Applications 89, Dec., 31-40. 2017
–「Joint Similar and Specific Learning for Diabetes Mellitus and Impaired Glucose Regulation Detection,」 Information Science 384, 191-204. 2017
此外，生物特徵識別作為一個平臺，我們還希望將它應用至美學鑑別領域。
儘管每個人對美的看法不盡相同，但我們認為美是具有公認特徵的，因此我們希望通過捕捉公認特徵來實現美的客觀化。在這過程中，我們成功解決了所謂的平均臉問題，即用於進行美的鑑別的標準。我們通過對61個國家的人臉庫進行分析，獲得所有關於美的規則，其中包括了中國人的三庭五眼，以及西方人的黃金比例等，以找到最接近美的公共標準。
我們最終建立了一個窗口，讓人們得以實時對這些規則進行調整。
最後，跟大家強調一下，我們現在成立了深圳市人工智慧與機器人研究中心，主要致力於這方面的研究，希望能有更多人加盟到我們的隊伍中來。謝謝大家。
雷鋒網(公眾號：雷鋒網) AI 科技評論
雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。