當(dāng)前位置 > 首頁(yè) > 技術(shù)文章 > 腦卒中肌電手勢(shì)識(shí)別的深度學(xué)習(xí)方案，從特征構(gòu)建到網(wǎng)絡(luò)設(shè)計(jì)的完整探索
腦卒中肌電手勢(shì)識(shí)別的深度學(xué)習(xí)方案，從特征構(gòu)建到網(wǎng)絡(luò)設(shè)計(jì)的完整探索
腦卒中肌電手勢(shì)識(shí)別的深度學(xué)習(xí)方案，從特征構(gòu)建到網(wǎng)絡(luò)設(shè)計(jì)的完整探索
引言/背景介紹
卒中是全球主要致殘?jiān)蛑唬s60%的卒中患者存在上肢功能障礙，嚴(yán)重影響日常生活與獨(dú)立性。傳統(tǒng)康復(fù)訓(xùn)練往往依賴治療師一對(duì)一指導(dǎo)，過(guò)程耗時(shí)耗力，在人口老齡化社會(huì)更顯得供需矛盾突出。近年來(lái)，機(jī)器人輔助康復(fù)成為一種新興方案。其中，按需輔助(Assist-as-Needed, AAN)模式尤為關(guān)鍵：當(dāng)患者主動(dòng)嘗試動(dòng)作時(shí)，康復(fù)機(jī)器人提供必要幫助，這種模式更能促進(jìn)神經(jīng)可塑性和康復(fù)效果。但要實(shí)現(xiàn)精準(zhǔn)的按需輔助，機(jī)器人必須能“讀懂”患者的動(dòng)作意圖。表面肌電(sEMG)信號(hào)因其無(wú)創(chuàng)、實(shí)時(shí)、信息豐富的特點(diǎn)，被認(rèn)為是最有潛力的人機(jī)交互信號(hào)源。然而，卒中患者的sEMG信號(hào)存在變異性大、噪聲高等問(wèn)題，如何準(zhǔn)確識(shí)別其手勢(shì)意圖成為難點(diǎn)。
論文概要
近日，康復(fù)大學(xué)周平教授團(tuán)隊(duì)，利用深度學(xué)習(xí)技術(shù)系統(tǒng)探索了卒中后手勢(shì)識(shí)別的可行性與關(guān)鍵影響因素。研究成果發(fā)表于IEEE Transactions on Neural Systems and Rehabilitation Engineering，題為《Deep Learning-Based Post-Stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design》。該研究通過(guò)采集8名慢性卒中患者在執(zhí)行6種手部動(dòng)作時(shí)的sEMG信號(hào)，比較了不同特征域（時(shí)域、頻域、小波域）、數(shù)據(jù)結(jié)構(gòu)（一維與二維圖像）和網(wǎng)絡(luò)架構(gòu)（CNN、CNN-LSTM、CNN-LSTM-Attention）對(duì)手勢(shì)識(shí)別準(zhǔn)確率的影響。結(jié)果發(fā)現(xiàn)，在所有組合中，頻域特征表現(xiàn)最為突出：被試內(nèi)實(shí)驗(yàn)中，CNN-LSTM結(jié)合二維頻域特征可獲得72.95%的平均準(zhǔn)確率；跨被試遷移學(xué)習(xí)中，CNN-LSTM-Attention結(jié)合一維頻域特征表現(xiàn)最佳，平均準(zhǔn)確率達(dá)到68.38%。此外，研究團(tuán)隊(duì)還引入模型投票與貝葉斯融合兩種后處理策略，進(jìn)一步提升了識(shí)別穩(wěn)定性，其中模型投票平均提高了2.03%。這一工作不僅揭示了卒中患者在手勢(shì)識(shí)別中的最佳特征選擇與模型配置，還展示了深度學(xué)習(xí)結(jié)合頻域sEMG在康復(fù)機(jī)器人、家庭康復(fù)及智能監(jiān)測(cè)中的廣闊應(yīng)用前景。
引言/背景介紹
卒中是全球主要致殘?jiān)蛑唬s60%的卒中患者存在上肢功能障礙，嚴(yán)重影響日常生活與獨(dú)立性。傳統(tǒng)康復(fù)訓(xùn)練往往依賴治療師一對(duì)一指導(dǎo)，過(guò)程耗時(shí)耗力，在人口老齡化社會(huì)更顯得供需矛盾突出。近年來(lái)，機(jī)器人輔助康復(fù)成為一種新興方案。其中，按需輔助(Assist-as-Needed, AAN)模式尤為關(guān)鍵：當(dāng)患者主動(dòng)嘗試動(dòng)作時(shí)，康復(fù)機(jī)器人提供必要幫助，這種模式更能促進(jìn)神經(jīng)可塑性和康復(fù)效果。但要實(shí)現(xiàn)精準(zhǔn)的按需輔助，機(jī)器人必須能“讀懂”患者的動(dòng)作意圖。表面肌電(sEMG)信號(hào)因其無(wú)創(chuàng)、實(shí)時(shí)、信息豐富的特點(diǎn)，被認(rèn)為是最有潛力的人機(jī)交互信號(hào)源。然而，卒中患者的sEMG信號(hào)存在變異性大、噪聲高等問(wèn)題，如何準(zhǔn)確識(shí)別其手勢(shì)意圖成為難點(diǎn)。
論文概要
近日，康復(fù)大學(xué)周平教授團(tuán)隊(duì)，利用深度學(xué)習(xí)技術(shù)系統(tǒng)探索了卒中后手勢(shì)識(shí)別的可行性與關(guān)鍵影響因素。研究成果發(fā)表于IEEE Transactions on Neural Systems and Rehabilitation Engineering，題為《Deep Learning-Based Post-Stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design》。該研究通過(guò)采集8名慢性卒中患者在執(zhí)行6種手部動(dòng)作時(shí)的sEMG信號(hào)，比較了不同特征域（時(shí)域、頻域、小波域）、數(shù)據(jù)結(jié)構(gòu)（一維與二維圖像）和網(wǎng)絡(luò)架構(gòu)（CNN、CNN-LSTM、CNN-LSTM-Attention）對(duì)手勢(shì)識(shí)別準(zhǔn)確率的影響。結(jié)果發(fā)現(xiàn)，在所有組合中，頻域特征表現(xiàn)最為突出：被試內(nèi)實(shí)驗(yàn)中，CNN-LSTM結(jié)合二維頻域特征可獲得72.95%的平均準(zhǔn)確率；跨被試遷移學(xué)習(xí)中，CNN-LSTM-Attention結(jié)合一維頻域特征表現(xiàn)最佳，平均準(zhǔn)確率達(dá)到68.38%。此外，研究團(tuán)隊(duì)還引入模型投票與貝葉斯融合兩種后處理策略，進(jìn)一步提升了識(shí)別穩(wěn)定性，其中模型投票平均提高了2.03%。這一工作不僅揭示了卒中患者在手勢(shì)識(shí)別中的最佳特征選擇與模型配置，還展示了深度學(xué)習(xí)結(jié)合頻域sEMG在康復(fù)機(jī)器人、家庭康復(fù)及智能監(jiān)測(cè)中的廣闊應(yīng)用前景。
圖1. 論文信息
研究方法
本研究共納入8名慢性卒中患者（5男3女），其上肢運(yùn)動(dòng)功能受損程度涵蓋輕度至重度，依據(jù)Fugl-Meyer 上肢評(píng)估（FMA）進(jìn)行分級(jí)，詳情見(jiàn)表I。實(shí)驗(yàn)任務(wù)為完成6種手部動(dòng)作：手掌開(kāi)合(HO、HC)；拇食中三指開(kāi)/合（TIMO/TIMC）；中、無(wú)名、小三指開(kāi)/合（MRLO/MRLC）。在動(dòng)作執(zhí)行過(guò)程中，研究人員使用外骨骼手協(xié)助患者完成指定動(dòng)作，同時(shí)通過(guò)高密度表面肌電系統(tǒng)采集前臂7塊肌肉（包括指淺屈肌、指伸肌、拇長(zhǎng)外展肌等）的sEMG信號(hào)（圖2）。
表1. 卒中受試者詳細(xì)信息
圖2. 卒中患者數(shù)據(jù)采集實(shí)驗(yàn)裝置
采樣頻率設(shè)定為1000Hz，信號(hào)經(jīng)20–450Hz帶通濾波處理。對(duì)濾波后的7通道sEMG信號(hào)進(jìn)行滑窗分割，窗長(zhǎng)為102ms，步長(zhǎng)51 ms，以構(gòu)建一維與二維的數(shù)據(jù)結(jié)構(gòu)，一維sEMG圖像的數(shù)據(jù)結(jié)構(gòu)為N×101×1×7，二維sEMG圖像的數(shù)據(jù)結(jié)構(gòu)為N×101×7×1，其中N為樣本總數(shù)（圖3左）。肌電信號(hào)特征采用時(shí)域、頻域及小波域肌電圖像（圖3右），用于后續(xù)深度學(xué)習(xí)建模（圖4）。最后在網(wǎng)絡(luò)架構(gòu)上設(shè)計(jì)了三類(lèi)模型，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）、結(jié)合時(shí)間序列建模的CNN-LSTM，以及進(jìn)一步加入注意力機(jī)制的CNN-LSTM-Attention。通過(guò)數(shù)據(jù)維度、信號(hào)特征和網(wǎng)絡(luò)架構(gòu)對(duì)這三方面因素的排列組合，共構(gòu)建了18種深度學(xué)習(xí)模型（M1-M18），結(jié)合模型投票和貝葉斯融合兩種后處理方法（M19、M20）對(duì)頻域模型的輸出進(jìn)行二次優(yōu)化，并在被試內(nèi)測(cè)試與跨被試遷移學(xué)習(xí)兩類(lèi)實(shí)驗(yàn)場(chǎng)景下進(jìn)行驗(yàn)證，18種深度學(xué)習(xí)模型如表II所示。
高密度肌電設(shè)備示例
圖3. 左圖為1D和2D sEMG頻域圖像的可視化；右圖為對(duì)手開(kāi)(HC)合(HO)運(yùn)動(dòng)在時(shí)、頻和小波域的2D sEMG圖像進(jìn)行可視化
圖4. 基于sEMG的腦卒中后手勢(shì)識(shí)別中DL技術(shù)的研究框架
表2. 18個(gè)不同網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)維度和特征域的深度學(xué)習(xí)模型詳細(xì)信息
結(jié)果呈現(xiàn)
實(shí)驗(yàn)結(jié)果顯示，不同特征域、數(shù)據(jù)結(jié)構(gòu)與網(wǎng)絡(luò)架構(gòu)在識(shí)別性能上存在顯著差異。在被試內(nèi)實(shí)驗(yàn)中（圖5），二維頻域特征結(jié)合CNN-LSTM模型(對(duì)應(yīng)M11)表現(xiàn)最佳（圖5d），平均識(shí)別準(zhǔn)確率達(dá)到72.95%，部分患者的最高結(jié)果超過(guò)85%（圖5b）。相比之下，單純采用時(shí)域或小波域特征的模型準(zhǔn)確率顯著降低，多數(shù)不足65%，且差異具有統(tǒng)計(jì)學(xué)意義（P < 0.01）。這一結(jié)果表明，頻域特征能夠更穩(wěn)定地刻畫(huà)卒中患者殘余肌肉信號(hào)中的可區(qū)分信息，而CNN-LSTM的時(shí)序建模優(yōu)勢(shì)，則幫助系統(tǒng)更好地識(shí)別動(dòng)作過(guò)程中的動(dòng)態(tài)變化。在跨被試遷移學(xué)習(xí)中（圖6a），結(jié)合一維頻域特征的CNN-LSTM-Attention 模型（對(duì)應(yīng)M14）表現(xiàn)最優(yōu)，平均準(zhǔn)確率為68.38%。進(jìn)一步的實(shí)驗(yàn)分析發(fā)現(xiàn)，隨著遷移率的增加（10%、20%、30%），模型識(shí)別率逐步提升，說(shuō)明少量個(gè)性化訓(xùn)練樣本即可顯著改善跨人群的自適應(yīng)性（圖7）。例如，在遷移率為10%時(shí)，準(zhǔn)確率可提升6–8個(gè)百分點(diǎn)；而在30%時(shí)，提升幅度趨于平緩，提示模型已經(jīng)捕捉到患者間共享的頻域特征結(jié)構(gòu)。
實(shí)驗(yàn)結(jié)果顯示，不同特征域、數(shù)據(jù)結(jié)構(gòu)與網(wǎng)絡(luò)架構(gòu)在識(shí)別性能上存在顯著差異。在被試內(nèi)實(shí)驗(yàn)中（圖5），二維頻域特征結(jié)合CNN-LSTM模型(對(duì)應(yīng)M11)表現(xiàn)最佳（圖5d），平均識(shí)別準(zhǔn)確率達(dá)到72.95%，部分患者的最高結(jié)果超過(guò)85%（圖5b）。相比之下，單純采用時(shí)域或小波域特征的模型準(zhǔn)確率顯著降低，多數(shù)不足65%，且差異具有統(tǒng)計(jì)學(xué)意義（P < 0.01）。這一結(jié)果表明，頻域特征能夠更穩(wěn)定地刻畫(huà)卒中患者殘余肌肉信號(hào)中的可區(qū)分信息，而CNN-LSTM的時(shí)序建模優(yōu)勢(shì)，則幫助系統(tǒng)更好地識(shí)別動(dòng)作過(guò)程中的動(dòng)態(tài)變化。在跨被試遷移學(xué)習(xí)中（圖6a），結(jié)合一維頻域特征的CNN-LSTM-Attention 模型（對(duì)應(yīng)M14）表現(xiàn)最優(yōu)，平均準(zhǔn)確率為68.38%。進(jìn)一步的實(shí)驗(yàn)分析發(fā)現(xiàn)，隨著遷移率的增加（10%、20%、30%），模型識(shí)別率逐步提升，說(shuō)明少量個(gè)性化訓(xùn)練樣本即可顯著改善跨人群的自適應(yīng)性（圖7）。例如，在遷移率為10%時(shí)，準(zhǔn)確率可提升6–8個(gè)百分點(diǎn)；而在30%時(shí)，提升幅度趨于平緩，提示模型已經(jīng)捕捉到患者間共享的頻域特征結(jié)構(gòu)。
圖5. 被試內(nèi)測(cè)試的手勢(shì)識(shí)別結(jié)果。(a)展示了18個(gè)DL模型在不同被試之間的被試內(nèi)測(cè)試中的表現(xiàn)；(b)表示DL模型在每個(gè)受試者中的平均準(zhǔn)確率；(c)顯示了DL模型在每個(gè)受試者中的最大測(cè)試精度；(d)比較所有被試在每個(gè)DL模型中的平均正確率；(e)比較了18個(gè)深度學(xué)習(xí)模型在網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)維度、特征域上的平均準(zhǔn)確率和顯著性水平
圖6. 被試間遷移學(xué)習(xí)的手勢(shì)識(shí)別結(jié)果。(a) DL模型中剩余7名被試進(jìn)行被試間遷移學(xué)習(xí)的平均正確率。(b)比較了18個(gè)遷移學(xué)習(xí)模型在網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)維度、特征域上的平均準(zhǔn)確率和顯著性水平
圖7. 不同遷移率的測(cè)試準(zhǔn)確率(圖(a)-(h)是基于S1-S8為輪循數(shù)據(jù)集時(shí)，以其余受試者為測(cè)試集，所有模型在不同遷移率下的平均測(cè)試準(zhǔn)確率的比較，圖中紅色虛線為其余7名受試者的總平均準(zhǔn)確率
圖8. 深度學(xué)習(xí)模型在有/沒(méi)有后處理的被試間遷移學(xué)習(xí)實(shí)驗(yàn)中的平均正確率
上述現(xiàn)象在神經(jīng)肌肉機(jī)制層面上具有明確解釋。卒中患者的運(yùn)動(dòng)神經(jīng)通路受損，導(dǎo)致部分肌肉群失去精細(xì)化控制，動(dòng)作信號(hào)表現(xiàn)為幅度減弱、時(shí)序紊亂和空間分布不均。頻域特征能夠捕捉肌肉殘余激活信號(hào)中的譜能量分布模式，從而放大不同手勢(shì)之間的差異；而LSTM及注意力機(jī)制則進(jìn)一步利用時(shí)間依賴和特征選擇，幫助模型識(shí)別動(dòng)作中的關(guān)鍵信息。相比之下，單純依賴時(shí)域特征的模型在噪聲和個(gè)體差異干擾下更容易失效。
總結(jié)與討論：讓卒中康復(fù)走向智能化與個(gè)性化
隨著人工智能與康復(fù)醫(yī)學(xué)的不斷融合，基于肌電信號(hào)的卒中手勢(shì)識(shí)別正逐漸從實(shí)驗(yàn)室走向臨床與家庭。本研究通過(guò)對(duì)特征域、數(shù)據(jù)結(jié)構(gòu)和網(wǎng)絡(luò)設(shè)計(jì)的系統(tǒng)探索，驗(yàn)證了頻域特征結(jié)合深度學(xué)習(xí)模型在卒中后肌電解碼中的突出優(yōu)勢(shì)，并展示了CNN-LSTM及注意力機(jī)制在捕捉殘余神經(jīng)信號(hào)方面的巨大潛力。與此同時(shí)，模型投票等后處理策略進(jìn)一步提升了識(shí)別的穩(wěn)定性與魯棒性，為未來(lái)智能康復(fù)系統(tǒng)的實(shí)際應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。從更廣闊的視角來(lái)看，這一研究不僅僅是對(duì)算法性能的比較，更為康復(fù)機(jī)器人、遠(yuǎn)程健康監(jiān)測(cè)與家庭訓(xùn)練系統(tǒng)提供了技術(shù)路線。未來(lái)，隨著深度學(xué)習(xí)模型的進(jìn)一步優(yōu)化以及個(gè)性化遷移學(xué)習(xí)策略的完善，系統(tǒng)有望實(shí)現(xiàn)“少量數(shù)據(jù)快速自適應(yīng)”，讓患者在醫(yī)院、家庭乃至社區(qū)環(huán)境中都能享受到精準(zhǔn)的康復(fù)輔助。
原文鏈接
Bao T, Lu Z, Zhou P. Deep Learning Based Post-stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2024.
DOI: 10.1109/TNSRE.2024.3521583
作者及單位
本文作者為鮑天哲、路知遠(yuǎn)和周平教授，均來(lái)自康復(fù)大學(xué)（中國(guó)青島）。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專(zhuān)注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國(guó)內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長(zhǎng)期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個(gè)領(lǐng)域的科研工作者，為用戶提供有競(jìng)爭(zhēng)力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗(yàn)。
相關(guān)產(chǎn)品
總結(jié)與討論：讓卒中康復(fù)走向智能化與個(gè)性化
隨著人工智能與康復(fù)醫(yī)學(xué)的不斷融合，基于肌電信號(hào)的卒中手勢(shì)識(shí)別正逐漸從實(shí)驗(yàn)室走向臨床與家庭。本研究通過(guò)對(duì)特征域、數(shù)據(jù)結(jié)構(gòu)和網(wǎng)絡(luò)設(shè)計(jì)的系統(tǒng)探索，驗(yàn)證了頻域特征結(jié)合深度學(xué)習(xí)模型在卒中后肌電解碼中的突出優(yōu)勢(shì)，并展示了CNN-LSTM及注意力機(jī)制在捕捉殘余神經(jīng)信號(hào)方面的巨大潛力。與此同時(shí)，模型投票等后處理策略進(jìn)一步提升了識(shí)別的穩(wěn)定性與魯棒性，為未來(lái)智能康復(fù)系統(tǒng)的實(shí)際應(yīng)用奠定了堅(jiān)實(shí)基礎(chǔ)。從更廣闊的視角來(lái)看，這一研究不僅僅是對(duì)算法性能的比較，更為康復(fù)機(jī)器人、遠(yuǎn)程健康監(jiān)測(cè)與家庭訓(xùn)練系統(tǒng)提供了技術(shù)路線。未來(lái)，隨著深度學(xué)習(xí)模型的進(jìn)一步優(yōu)化以及個(gè)性化遷移學(xué)習(xí)策略的完善，系統(tǒng)有望實(shí)現(xiàn)“少量數(shù)據(jù)快速自適應(yīng)”，讓患者在醫(yī)院、家庭乃至社區(qū)環(huán)境中都能享受到精準(zhǔn)的康復(fù)輔助。
原文鏈接
Bao T, Lu Z, Zhou P. Deep Learning Based Post-stroke Myoelectric Gesture Recognition: From Feature Construction to Network Design[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2024.
DOI: 10.1109/TNSRE.2024.3521583
作者及單位
本文作者為鮑天哲、路知遠(yuǎn)和周平教授，均來(lái)自康復(fù)大學(xué)（中國(guó)青島）。
關(guān)于維拓啟創(chuàng)
維拓啟創(chuàng)（北京）信息技術(shù)有限公司成立于2006年，是一家專(zhuān)注于腦科學(xué)、康復(fù)工程、人因工程、心理學(xué)、體育科學(xué)等領(lǐng)域的科研解決方案供應(yīng)商。公司與國(guó)內(nèi)外多所大學(xué)、研究機(jī)構(gòu)、企業(yè)長(zhǎng)期保持合作關(guān)系，致力于將優(yōu)質(zhì)的產(chǎn)品、先進(jìn)的技術(shù)和服務(wù)帶給各個(gè)領(lǐng)域的科研工作者，為用戶提供有競(jìng)爭(zhēng)力的方案和服務(wù)，協(xié)助用戶的科研工作，持續(xù)提升使用體驗(yàn)。
相關(guān)產(chǎn)品
- 文獻(xiàn)解讀：針對(duì)沙地行走的膝關(guān)節(jié)外骨骼技術(shù)的研發(fā)
- USP10去泛素化與自噬偶聯(lián)致心臟鈉通道降解并引發(fā)心律失常的機(jī)制研究
- 突破設(shè)備協(xié)同壁壘，實(shí)時(shí)自適應(yīng)控制的外骨骼輔助康復(fù)集成系統(tǒng)的研發(fā)
- 微波輻射誘導(dǎo)iPSC-CMs中NF-κB介導(dǎo)的自主炎癥反應(yīng)的時(shí)間研究
- 使用HD-MEA技術(shù)實(shí)現(xiàn)高通量神經(jīng)網(wǎng)絡(luò)篩查以及神經(jīng)元功能性結(jié)構(gòu)解析
- 功能性近紅外光譜fNIRS在揭示精神疲勞神經(jīng)生物標(biāo)志研究中的應(yīng)用
- JAMA子刊文獻(xiàn)解讀：經(jīng)皮耳迷走神經(jīng)刺激治療慢性失眠障礙的研究
- 腦卒中肌電手勢(shì)識(shí)別的深度學(xué)習(xí)方案，從特征構(gòu)建到網(wǎng)絡(luò)設(shè)計(jì)的完整探索
- 科圣科技誠(chéng)聘技術(shù)工程師、商務(wù)助理
- 2025國(guó)際心臟研究學(xué)會(huì)年會(huì)ISHR-CTMWC第二輪通知
- 維拓啟創(chuàng)將攜新產(chǎn)品亮相第三屆體育人工智能大會(huì)
- 東樂(lè)自然基因講師招募：全網(wǎng)尋找電生理研究達(dá)人
- 平面微電極陣列與神經(jīng)退行性疾病檢測(cè)分享會(huì)圓滿舉辦
- 東樂(lè)成功參展中國(guó)神經(jīng)科學(xué)學(xué)會(huì)第十八屆學(xué)術(shù)會(huì)議
- 2025互聯(lián)網(wǎng)岳麓大會(huì)成功舉辦，康森特生物應(yīng)邀參加
- 平面微電極陣列與神經(jīng)退行性疾病技術(shù)分享會(huì)邀請(qǐng)函
Copyright(C) 1998-2025 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com