一、基本信息
姓名:王敬
职称/学位:讲师/博士
研究方向:神经影像学、机器学习、人工智能
主讲课程:概率论与数理统计、人工智能
籍贯:湖北麻城
Email: wangjing@xynu.edu.cn
Google Scholar: https://scholar.google.com/citations?user=iGfueaYAAAAJ&hl=en
Github: https://github.com/yuzhounh
二、个人简介
王敬,讲师,博士。主要从事神经影像学、机器学习、人工智能等方向的研究工作。主持国家自然科学基金青年基金项目1项,参与国家重点基础研究发展计划(973计划)、国家自然科学基金面上项目、江苏省自然科学基金面上项目共3项。发表论文6篇,获得国家发明专利授权1项。
三、学习工作经历
1. 2018/11至今,信阳师范c5vip彩5官网下载,计算机与信息技术c5vip彩5官网下载,讲师。
2. 2010/09-2018/06,东南大学,生物科学与医学工程c5vip彩5官网下载(学习科学研究中心),生物医学工程(学习科学),博士,导师:王海贤教授。
3. 2012/09-2013/09,北京师范大学,认知神经科学与学习国家重点实验室,神经影像学,访问学生,导师:薛贵教授。
4. 2006/09-2010/06,东南大学,生物科学与医学工程c5vip彩5官网下载,生物医学工程,学士。
四、项目
1. 国家自然科学基金青年基金项目,31900710,“基于图聚类的全脑功能分割研究”,2020/01- 2022/12,24万元,在研,主持。
2. 国家重点基础研究发展计划(973计划),2015CB351704,“视觉认知的脑工作机理及高级脑机交互关键技术研究”一级子课题“高级脑机交互中动作意图与情感判读”,2015/01 – 2019/12,457万元(113.5万),已结题,参与。
3. 国家自然科学基金面上项目,61375118,“基于L1-范数的EEG判别模式研究:同时鲁棒滤波,半监督学习,及通道选取”,2014/01 – 2017/12,80万元,已结题,参与。
4. 江苏省自然科学基金面上项目,BK2011595,“脑电信号单次分类核心算法研究”,2011/07 – 2014/7,10万元,已结题,参与。
五、论文
1. Jing Wang, Zhifeng Hao, and Haixian Wang. Generation of individual whole-brain atlases with resting-state fMRI data using simultaneous graph computation and parcellation. Frontiers in Human Neuroscience, 2018, 12:166.
2. Jing Wang and Haixian Wang. A supervoxel-based method for groupwise whole brain parcellation with resting-state fMRI data. Frontiers in Human Neuroscience, 2016, 10: 659.
3. Jing Wang, Zilan Hu, and Haixian Wang. Parcellating whole brain for individuals by simple linear iterative clustering. In: International Conference on Neural Information Processing, 2016: 131-139.
4. Jing Wang. Generalized 2-D principal component analysis by Lp-norm for image analysis. IEEE Transactions on Cybernetics, 2016, 46(3): 792-803.
5. 王海贤, 王敬. 一种基于直接双侧二维主成分分析的图像识别和图像重建方法. 中国专利, CN103955706A. 2014-04-29.
6. Qin Tang, Jing Wang, and Haixian Wang. L1-norm based discriminative spatial pattern for single-trial EEG classification. Biomedical Signal Processing and Control, 2014, 10: 313-321.
7. Haixian Wang and Jing Wang. 2DPCA with L1-norm for simultaneously robust and sparse modelling. Neural Networks, 2013, 46: 190-198.