焦竹青

博士、教授、博士生导师

E-MAIL：jzq@cczu.edu.cn

教育背景

2008.02-2011.03  江南大学  控制理论与控制工程专业  工学博士

2005.09-2008.03  江南大学  电力电子与电力传动专业  工学硕士

2001.09-2005.07  齐鲁工业大学  电子信息工程专业  工学学士

工作履历

2020.11-至今    常州大学  教授、博士生导师、硕士生导师

2019.02-2019.07  国家自然科学基金委员会  借调工作

2017.06-2017.12    美国北卡罗来纳大学教堂山分校  访问学者

2014.07-2020.11  常州大学  副教授、硕士生导师

2011.04-2014.07     常州大学  讲师

学术兼职

中国电工技术学会  生物电工专委会  委员

江苏省人工智能学会  医学图像处理专委会  常务委员

常州市生物医学工程学会  理事

研究领域

1. 智慧医疗（医学影像智能计算）

2. 人机交互（嵌入式系统智能控制）

3. 生物电工（生物电磁数据分析）

指导研究生

1. 博士招生学科：安全科学与工程

2. 学硕招生学科：计算机科学与技术、电子科学与技术

3. 专硕招生领域：电子信息、能源动力、技术转移

奖励与荣誉

1. 2021年常州大学优秀硕士学位论文(研究生)

2. 2020年常州大学优秀硕士学位论文(研究生)

3. 2019年江苏省科学技术奖三等奖

4. 2019年江苏省“青蓝工程”优秀青年骨干教师

5. 2019年中国机械工业科学技术奖二等奖

6. 2018年常州大学教育教学成果特等奖

7. 2017年江苏省医学新技术引进奖二等奖

8. 2017年常州大学优秀硕士学位论文(研究生)

9. 2016年江苏省优秀本科毕业论文(本科生)

10. 2016年江苏省 “双创计划” 企业创新岗

11. 2016年常州大学教育教学成果一等奖

12. 2016年常州大学 “优秀共产党员”

13. 2015年 “常宝” 教学名师奖

14. 2015年江苏省政府留学奖学金

15. 2015年常州大学 “优秀班主任”

16. 2014年常州大学教育教学成果特等奖

17. 2014年常州大学 “我最喜爱教师”

18. 2013年江苏省教学成果二等奖

19. 2012年常州大学教育教学成果一等奖

科研项目

1.国家自然科学基金面上项目:基于磁共振成像的多层大脑功能网络模块化特征研究, 2019-2022, 主持

2.国家自然科学基金青年项目:基于功能磁共振成像的抑郁症患者脑功能网络有向连接研究,2014-2016, 主持

3.江苏省重点研发计划项目：终末期肾病认知障碍的多模态神经影像人工智能分类与预测关键技术研究, 2021-2024, 主持

4.江苏省自然科学基金面上项目:时间/频率尺度上多层大脑功能网络的模块化特征研究, 2018-2021, 主持

5.江苏省高校自然科学研究项目:大脑功能网络中模块化结构及其关键节点的作用机制研究, 2017-2019, 主持

6.江苏省高校自然科学研究项目:基于磁共振成像的抑郁症患者大脑功能网络因效性连接机制研究, 2013-2015, 主持

7.常州市重点研发计划:轻度认知障碍的功能磁共振成像“网络级”特征提取技术研究, 2020-2022, 主持

8.常州大学科研项目:认知功能障碍生物电磁诊断中的若干基础问题研究, 2021-2024, 主持

9.企业横向项目:高精度跟踪控制系统关键技术研究, 2016-2017, 主持

10.常州大学科研项目:传感网入侵检测与目标监控技术研究, 2011-2013, 主持

11.中央高校基本科研业务费资助项目:多源图像融合中多目标优化的关键问题研究, 2010-2011, 主持

发表论文

1. Multi-modal feature selection with feature correlation and feature structure fusion for MCI and AD classification. Brain Sci., 2022, 12(1): 80(1-19).

2. Integration and segregation of dynamic functional connectivity states for mild cognitive impairment revealed by graph theory indicators. Cont. Med. Mol. Ima, 2021, 6890024.

3. Constructing dynamic brain functional networks via hyper-graph manifold regularization for mild cognitive impairment classification, Front. Neur., 2021, 15: 669345.

4. Constructing dynamic functional networks via weighted regularization and tensor low-rank approximation for early mild cognitive impairment classification. Front. Cel. Dev. Bio., 2021, 8: 610569.

5. Sparse structure deep network embedding for transforming brain functional network in early mild cognitive impairment classification. Int. Jour. Ima. Sys. Tech., 2021, DOI: 10.1002/ima.22531.

6. Extraction and analysis of brain functional statuses for early mild cognitive impairment using variational auto-encoder. J. Amb. Intel. Hum. Comp., 2020, DOI:10.1007/s12652-020-02031-w.

7. Extracting sub-networks from brain functional network using graph regularized nonnegative matrix factorization. Comp. Mod. Eng. Sci., 2020, 123(2): 845-871.

8. Module dividing for brain functional networks by employing betweenness efficiency. Mul. Tools Appl., 2020, 79(21): 15253-15271.

9. Rich Club characteristics of dynamic brain functional networks in resting state. Mul. Tools Appl., 2020, 79(21): 15075-15093.

10. Module partitioning for multilayer brain functional network using weighted clustering ensemble. J. Amb. Intel. Hum. Comp., 2019, DOI: 10.1007/ s12652-019-01535-4.

11. Multi-scale feature combination of brain functional network for eMCI classification. IEEE Access, 2019, 7(1): 74263-74273.

12. Hub recognition for brain functional networks by using multiple-feature combination. Comp. Elec. Eng., 2018, 69: 740-745.

13. A path planning method using adaptive polymorphic ant colony algorithm for smart wheelchairs. J. Comp. Sci., 2018, 25: 50-57.

14. Research on node properties of resting-state brain functional networks by using node activity and ALFF. Mul. Tools Appl., 2018, 77(17): 22689-22704.

15. Adaptive synchronization in small-world networks with Lorenz chaotic oscillators. I. J. Sen. Net., 2017, 24(2): 90-97.

16. Directed connectivity of brain default networks using GCA and motif, Front. in Bio., 2017, 22(10), 1634-1643.
17. Functional connectivity analysis of brain default mode networks using Hamiltonian path. CNS & Neurological Disorders, 2017, 16(1): 44-50.

18. Effective connectivity in the default network using Granger causal analysis. J. Med. Imag. Heal. Inf., 2017, 7(2): 407-415.

专利成果

1. 一种多模态大脑影像特征学习方法(202111553816.3), 2021申请.

2. 一种基于聚类的多模态大脑网络特征选择方法(202110609547.1), 2021年申请

3.一种大脑功能超网络的构建方法(202110475520.8), 2021年申请

4. 一种大脑功能网络的关键路径搜索方法(201710332431.1), 2020年授权

5. 一种大脑功能网络的转换方法(202010756099.3), 2020年申请

6. 一种大脑功能状态提取方法(202010260127.2), 2020年申请

7. 一种大脑功能网络特征分类方法(201910869504.X), 2019年申请

8. 一种大脑功能网络关键节点搜索方法(201910383332.5), 2019年申请

9. 一种基于膨胀卷积神经网络的MCI分类方法(201910383331.0), 2019年申请

10. 一种大脑默认网络的功能连接分析方法(201610374806.6), 2019年授权

11. 基于模体结构的大脑默认网络有向连接分析方法(201610691569.6), 2019年授权

12. 一种多层大脑功能网络模块划分方法(201910083223.1), 2019年申请

13. 基于加权网络的大脑功能连接模块划分方法(201810106339.8), 2018年申请

14. 一种基于功能磁共振成像的脑区效应连接分析系统(201410054387.9), 2016年授权

15. 一种大脑功能网络的模块化分析方法(201710408764.8), 2017年申请

16. 一种大脑功能网络活跃程度的度量方法(201510444714.6), 2015年申请

17. 一种大脑功能网络的社团划分方法(201510424233.9), 2015年申请