Mars500志愿者健康状态中医监测数据分析

李勇枝,李国正,高建义,张志枫,范全春,许家佗,白桂娥,陈凯先,石宏志,孙 胜,刘 宇,陈家昌,米 涛,贾新红,赵 爽,邵峰峰,刘军莲,郭雨萌

(1.中国航天员科研训练中心,北京100094;2.同济大学控制科学与工程系,上海201804; 3.上海中医药大学,上海201203;4.上海道生医疗科技有限公司,上海201203)

Mars500志愿者健康状态中医监测数据分析

李勇枝1,李国正2,高建义1,张志枫3,范全春1,许家佗3,白桂娥1,陈凯先3,石宏志1,孙 胜2,刘 宇1,陈家昌2,米 涛1,贾新红4,赵 爽1,邵峰峰2,刘军莲1,郭雨萌2

(1.中国航天员科研训练中心,北京100094;2.同济大学控制科学与工程系,上海201804; 3.上海中医药大学,上海201203;4.上海道生医疗科技有限公司,上海201203)

为研究航天员如何适应长期密闭环境对人体健康(生理、心理、精神)和机体功能的挑战,提出一种基于多标记学习的证候诊断模型。采用中医“望、闻、问、切”的方法,采集长期密闭环境下人体生命活动的状态数据,并运用数据挖掘方法研究、阐释其特点及变化规律。实验结果表明,该融合数据分类模型能达到80%的平均分类精度。

航天;密闭环境;中医;数据挖掘;特征选择

1 概述

随着我国载人航天三步走战略的发展,以及全面推进载人空间站工程长期载人飞行任务的全面展开,建基月球、探险火星已成为下一阶段的发展目标。为了有效保障航天员健康安全高效的工作,研究航天员的健康状态,评估与预警技术至关重要。

中医药在悠久的发展历史中形成了自己独特的理论体系、思维模式和诊疗方法。中医的整体观、“天人相应”、辨证论治等思想,特别是中医对健康状态的辨识和养生保健的调理干预措施,有望对长期太空飞行的健康保障做出独特贡献。

在“火星500模拟载人飞行实验”的“Mars500长期密闭环境人体中医辨证研究”项目中,采取中医“望、闻、问、切”的诊法,研究长期密闭环境下人体生命活动的状态,阐释其特点及变化规律,是运用中医理论与技术研究航天员健康保障的一次具有重要科学意义的探索。这项研究力图揭示长期密闭环境下的人体中医辨证和证候演变规律,取得的研究结果为进一步地深入研究、解决长期载人航天飞行的健康保障问题奠定基础。本项研究具有鲜明的中国科技原创特色,对于促进未来航天飞行中运用中医技术进行监测、诊断和进一步实时干预人体健康状态,形成具有中国特色的航天医学保障体系,具有重要意义。

数据挖掘是从海量、不完全、有噪声、模糊、看似随机的数据集合中,提取隐含其中、事先未预知、有价值的知识和规律的过程。目前,数据挖掘的主流算法有很多,这些算法各有特点,根据主题的不同可以采用不同的算法。如中医方剂的研究多采用关联规则分析找出复方中的配伍规律;中医定量诊断可以用贝叶斯网络或者多标记学习进行建模;对中医医案的挖掘可以应用聚类分析等

当前,已有越来越多中医药领域的研究工作引入最新的数据挖掘技术。例如,将特征选择技术和证候预测方法应用于肝硬化中医诊断,以辅助肝硬化治疗过程中的证候判断[1];中医领域中高维数据症状分类相似度计算建模[2]和基于中医症状和西医风险因子的骨质疏松症患病风险建模[3]属于典型的中医药数据建模分析的相关研究。

由于Mars500的实验成本非常高,参试志愿者需要从事的科学任务非常繁重,时间宝贵,供本次研究采集实验数据的时间较短,造成采集的实验数据量非常少。参与实验的各国志愿者总共只有6名,采集到的样本数据只有222条,样本特征数目比较多,常规方法很难适用,数据采集后得到的专家证候判读结果是多标记情形。因此,本文通过特征选择方法选出与辩证相关的重要特征,然后使用多标记分类器建立分类模型。

2 数据采集与预处理

2.1 原始数据的采集

2.1.1 采集对象的信息

本文研究项目的信息采集对象是在Mars500密闭环境下的6名志愿者(其中黄种1人,白种5人)。男性,年龄在26岁～38岁之间,平均年龄为31.83岁。采集的基本信息包括姓名、性别、出生年月等。

2.1.2 志愿者中医诊断信息的采集

采集设备为“DS01-T型中医舌面脉问数据采集及辅助诊断系统”,如图1所示,该设备对航天员志愿者的问诊、望诊(面色、舌象)、切诊(脉象)数据进行采集,从2010年6月3日—2011年11月4日,每2周采集一次。

图1 DS01-T型中医舌面脉问数据采集及辅助诊断系统

2.2 数据特征的中医判读

数据特征的判读与分析采用中医专家判读和软件分析2种方式。中医专家共3名,资质要求为具有20年以上临床经验的主任医师。先单独分析,如果三人一致者,则予以确定;如果发生有一人(或一人以上)不一致,则须另邀2名专家与前3位专家(资质同上)共同协商确定。

2.2.1 中医专家对于望诊信息的分析判读

专家对舌面望诊信息的判读,是对模拟舱内逐次导出的舌面照片进行信息分析,给出舌面特征的定性描述及可能代表的中医医理意义。

中医专家对航天员志愿者的舌诊、面诊照片进行判读要结合前期临床采集的舌面诊数据库中确定的典型样本,用类比法认定,减少经验误差。专家判读的结论作为辨证的依据之一。

2.2.2 中医专家对于脉象信息的分析判读

专家对脉象切诊信息的判读,是分析模拟舱内逐次导出的脉图,结合基于以往数据库所建立的各种常见脉象模型,分析研究航天员志愿者的脉位、脉率、脉力、节律、脉形等脉图信息,给出脉象特征的定性判读及可能代表的中医医理意义,作为辨证的依据之一。

2.2.3 中医专家对于问诊症状的分析判读

首先需对“Mars500长期密闭环境条件下中医基本证候症状量表”中部分症状描述用语的含义进行梳理,转换成规范的中医临床诊断标准术语,如将“有饥饿感但吃不多”转换为“饥不欲食”。

中医专家依据症状出现的频次和程度并结合临床经验确定主要症状和一般症状,对问诊信息进行中医判读,分析实验者的健康状态。

2.2.4 中医专家证候判读

中医专家对于问诊、面色、舌象、脉象综合信息进行四诊合参证候的分析与判读。

2.2.5 数据集描述

在数据采集期间,对6名宇航员志愿者各进行37次采样,共得到222个样本。其中,望诊数据包括面色、舌色、苔色、舌形数据集;切诊数据集包括:左手脉象和右手脉象;问诊数据来自于中医评测量表。进行初步预处理,剔除3个无效样本,最终得到219个有效样本。望诊数据集共包含245个特征,切诊数据集共有30个特征,望问切融合数据集共有389个特征。本次研究将专家辨证结果拆分为11个证素组成研究对象的类标集。

3 建模分析算法

通过以上分析,本次研究对象是小样本多标记问题,所以,需要对样本进行特征子集的选择和多标记建模预测。

3.1 特征选择方法

传统的特征选择算法都是针对单标记学习的,而在本次研究中,每个样本都带有多个标签,属于多标记学习问题,因此,本文中使用多标记特征选择算法来筛选最优的特征子集。

3.1.1 混合优化多标记特征选择

混合优化多标记特征选择(HOML)[4]是结合多标记学习算法提出的一种混合优化的技术,该技术综合了遗传算法[5]、模拟退火[6]、蚁群算法[7]等技术的优势,并利用学习器的预测结果选择特征。对于小样本问题,较之其他标准的互信息特征选择方法在建模精度上有良好效果。

HOML算法系统如图2所示,其基本思想是先用模拟退火算法(SA)进行全局搜索。当温度比较高时,SA接受每一个特征子集,从而在搜索空间上进行随机近邻搜索。而当温度接近0℃时,SA只接受那些能提高解决问题效力的特征子集。SA占用HOML大约50%的时间,然后用遗传算法(GA)进行优化。遗传算法的交叉算子使得评分高的特征子集之间可以交换信息,而变异算子为种群引入了新的基因,保持了基因多样性。GA占用HOML大约30%的时间。最后在前2个阶段产生的100个最佳特征子集中选出最优的特征子集,用爬山贪婪算法进行k近邻搜索(k代表特征的维度)。

图2 DS01-T型中医舌面脉问数据采集及辅助诊断系统

3.1.2 嵌入式多标记特征选择(MEFS)算法

本文采用的MEFS[8]算法是结合多标记学习算法提出的一种嵌入式特征选择算法,其算法系统如图3所示。其中,子集的搜索采用序列后向选择搜索算法,特征的评价采用预报风险准则。

图3 MEFS算法系统

预报风险准则:预报风险[9]是对新观察数据进行分类的预期性能的估计。在数据建模过程中,预报风险可用来估算模型预测精度和选择模型,其中,最小化预报风险原则经常被用于最优模型的选择。通过结合嵌入式的降维思想,将预报风险的方法用于特征选择。通过计算当所有样例在某个特征的数值被所有样例在该特征的平均值代替时的训练正确率的变化来评价各个特征,用Si表示此训练正确率的变化,如下所示:

其中,ACC表示训练模型的训练集上的预测精度;ACC(xi)表示将训练集实例的第i个特征用该特征的平均值代替后的训练精度。对应Si值最小的特征将被删除,因为该特征值的变化对结果的影响最小,也就是说该特征对区分类标的作用最小,甚至起负作用。

预报风险用于嵌入式特征选择的工作取得了很好的效果,所使用的分类器包括ML-KNN等。为了将预报风险准则用到多标记学习中,本文采取多标记学习性能的评价指标Average precision作为预报风险的计算指标。

MEFS算法的描述如下:定义x∈RD表示D维的特征空间,降维的目标维数为d,特征子集u=[1, 2,…,D],删除特征的序列为r=[…],f(x)表示多标记学习模型在训练集上的预测性能度量函数,f(xi)表示将训练集的第i个特征的所有实例的数值被该特征的平均值代替后,模型在训练集上的预测性能度量。

因此,MEFS算法的预报风险计算公式为:

3.2 多标记分类方法

在本文研究中,每个样本都带有多个标签,而对每个样本的标签进行判定属于多标记分类问题。

多标记分类问题起源于文本的分类和医学诊断的分 类[10],并在机器学习领域得到关注。现有的多标记分类算法可以分为2种:一种是问题转化方法(problem transfor-mation methods);另一种是算法适应方法(alogorithm adapta-tion methods)。问题转化方法将多标记分类问题转化为一个或者多个单标记分类或者回归问题,算法适应方法对特定的学习算法进行扩展改进,使其能够直接处理多标记数据。本文使用多标记k近邻(ML-KNN)算法[11]、分类器链(CC)算法[12]和RAKEL(Random k-Labelsets)算法[13]。其中,ML-KNN属于算法适应方法,它将KNN算法扩展到多标记学习上,CC和RAKEL属于问题转化方法。

3.2.1 多标记k近邻算法

多标记k近邻(ML-KNN)算法是在KNN基础上提出的一种多标记学习算法。其多标记学习特性适用的证候结果不是单纯证,而是夹杂或者兼证的情况。其基本思想是采用 k近邻 (k-nearest neighbors)分类准则,统计近邻样本的类别标记信息,通过最大化后验概率(Maximum A Posteriori, MAP)的方式推理未知示例的标记集合。ML-KNN算法的具体流程如下[14]:

(1)计算与每个样本关联的每个类标的条件分布概率。

(2)计算测试样本xi与每个训练样本之间的距离,并找出与之最近的k个样本,对每个测试样本重复进行以上操作。

(3)根据与xi最近的k个训练样本类标的条件概率来预测xi的类标,然后对每个测试样本重复以上操作。

(4)根据多标记学习的评价准则评估预测的结果。

3.2.2 分类器链(CC)算法

分类器链(CC)算法是在 BR(Binary Relevance)算法的基础上提出的,依然使用BR所使用的二叉分类。CC与BR的最大不同是,CC考虑到训练数据集中标签之间的关联关系,它将这些基分类器ci,i=1,2,…,n串联起来形成一条链。

CC算法的描述如下:CC为每一个标签ci∈L= {c1,c2,…,cn}学习一个分类器hi:x→{￢ci,ci}。学习分类器hi时,CC把cn∈{c1,c2,…,ci-1}都当做特征。假设一个新的样例x需要被分类,分类器h1判断x是否属于标签c1,设其值为y∈{0,1},得出Pr(c1|x)。分类器h2判断x是否属于标签c2,但是此时会将y1作为输入得到Pr(c2|x,c1)。以此类推,当hi判断x是否属于标签ci时,会将y1,y2,…,yi-1作为额外的信息输入得到Pr(ci|x,c1,c2,…,ci-1)。这种链的方式使得标签信息在分类器之间传递,考虑到标签之间的关联性,克服了BR的缺点,并且仍然保持BR计算复杂度低的优点。在预测一个样例是否具有某个标签时,CC算法会将之前得到的所有标签结果加入到样例特征中,为预测该标记提供信息。表1给出了CC算法的执行过程,为了表示方便,这里假设特征值由0/1表示,样本x=[0,1,0,1, 0,0,1,1,0]。

表1 CC算法执行过程

3.2.3 RAKEL算法

RAKEL(Random k-Labelsets)使用随机标签组合的方法进行多标记分类,这是一种被广泛使用的基于问题转化的方法,它将训练数据中的每种标签重新组合,进行二进制编码,从而形成全新的标签,这种方法改进了LP(Label Powerset)[15]算法不可预测新标签组合的缺点,并在一定程度上降低了计算复杂度。

4 实验结果与分析

4.1 实验设置与评价指标

本文首先利用ML-KNN、CC和RAKEL分类器对望问切融合数据、望诊数据、切诊数据进行分类,通过对比实验结果找出最好的分类模型,然后再将HOML和MEFS特征选择方法分别加入到最好的分类模型中进行实验,之后通过实验结果对比,将分类精度最高的模型作为最终的分类模型。在实验中, ML-KNN分类器的K参数设置为10,平滑系数设置为1,实验采用5倍交叉验证。

本文使用 Average precision,Ranking loss,Oneerror,Hamming loss这4个评价指标进行结果分析。其各项指标的具体定义如下:

Average precision:在样本的概念标记排序序列中,排在隶属于该样本概念标记之前的标记仍属于样本标记集合的情况。

Ranking loss:在样本的概念标记排序序列中出现排序错误的情况。

One error:在样本的概念标记排序序列中,序列最前端的标记不属于样本标记集合的情况,对应于单标记学习问题中传统的分类误差。

Hamming loss:样本在单个概念类上的误分类情况,即隶属于该样本的概念类未出现在标记集合中或者不属于该样本的概念类出现在标记集合中。

其中,Average precision的值越大越好,其他指标越小越好。

4.2 实验结果

使用ML-KNN、CC和RAKEL分类器对望问切融合数据、望诊数据、切诊数据进行分类,结果如表2、表3和表4所示。

表2 使用ML-KNN的分类结果

表3 使用CC的分类结果

表4 使用RAKEL的分类结果

通过对实验结果的分析对比,发现使用MLKNN在这3组数据上的分类效果明显比CC和RAKEL的分类效果好,并且ML-KNN在望问切融合数据上的分类结果是最好的。因此,将HOML和MEFS特征选择方法加入到ML-KNN对于望问切融合数据的分类实验中,实验结果如表5和表6所示。

表5 使用HOML的ML-KNN分类结果

表6 使用MEFS的ML-KNN分类结果

使用HOML在望问切融合数据特征的选择结果如表7所示,特征选择所选结果所代表的医学含义如表8所示。

表7 HOML特征选择

表8 所选特征的医学含义

通过对比分析上述结果可以发现,在使用MLKNN、CC、RAKEL建立的模型中,融合数据的分类准确率都明显高于单一诊次的数据,因此,在中医辨证中,四诊合参是十分重要的。将HOML和MEFS加入到ML-KNN对于望问切融合数据的分类中进行实验,发现HOML对于ML-KNN的分类精度有所提升,MEFS对于ML-KNN的分类精度有所下降;同时,通过特征选择选出对于分类有贡献的重要特征。因此,可以将含有HOML和ML-KNN的模型作为最终的分类模型。

4.3 结果分析

通过对以上实验结果的对比表明,ML-KNN和HOML在望问切融合数据上的分类精度是最好的,为了验证模型的稳定性,将ML-KNN中的k分别设置为2,4,6,8,10进行实验,结果如图4所示。

图4 各项指标随k值的变化情况

通过分析图4,可以得出如下结论:(1)随着k值的变化,各项指标的值都有所变化,但是变化的范围很小,所以模型的稳定性较好;(2)当k取值为4时,模型的性能在 Average precision、One Error、Hamming loss的指标比k取其他值时要好。

本次研究利用训练样本建立多标记模型,通过测试样本验证了模型的输出结果比较稳定,而且预测的准确率也比较高,特别在望问切数据集上,其预测准确率达到了80%。最后,应用该多标记模型来预测新的样本,如图5所示,输入是要预测的新样本,样本的特征由若干症状组成;输出是对新样本的预测结果,由11个证素组成。因此,所建立的多标记模型就是利用症状来判别证候。

图5 多标记模型

5 结束语

本文应用上海道生公司的设备“DS01-T型中医舌面脉问数据采集及辅助诊断系统”,采集面色诊、舌诊、脉象信息和“Mars500长期密闭环境条件下中医基本证候症状量表”的观察记录数据,并通过中医专家结合DS01-T的分析软件进行特征判读与参数提取,最后利用特征选择HOML和多标记学习MLKNN建立症状和证候的关系模型。实验结果表明,利用特征选择HOML和多标记学习ML-KNN相结合的方法,其分类准确率要高于只应用多标记学习ML-KNN建立的分类器。所以,利用特征选择HOML选取出来的特征结果是十分有效的。

航天医学是发展载人航天事业的重要学科之一,载人航天的发展离不开航天医学的保障。航天医学的目的是使人体在特殊宇宙空间环境中能适应、耐受、完成航天的作业任务。它给航天员提供全程的医学监督和医学保障,对航天员在飞行前、飞行中和飞行后的健康状况进行监督,及时发现身体异常状况,并采取防治措施。随着数据挖掘技术的快速进步,其在许多行业已经取得令人瞩目的成就。数据挖掘技术与航天医学的结合,将在人体健康监测数据研究方面发挥越来越重要的作用。

[1] Wang Yan,Ma Lizhuang,Liu Ping.Feature Selection and Syndrome Prediction for Liver Cirrhosis in Traditional Chinese Medicine[J].Computer Methods and Programs in Biomedicine,2009,95(3):249-257.

[2] Peng Jing,Tang Changjie,Yang Dongqing,etal. Similarity Computing Model of High Dimension Data for Symptom Classification of Chinese Traditional Medicine [J].Applied Soft Computing,2009,9(1):209-218.

[3] Zhou X H,Li S L,Tian Feng,et al.Building a Disease Risk Model of Osteoporosis Based on Traditional Chinese Medicine Symptoms and Western Medicine Risk Factors [J].Statistics in Medicine,2012,31(7):643-652.

[4] Shao Huan,Li Guozheng.Symptom Selection for Multilabel Data of Inquiry Diagnosis in Traditional Chinese Medicine[J].Science China Information Sciences, 2011,41(11):1372-1387.

[5] Yang J,Honavar V.Feature Subset Selection Using a Genetic Alogorithm[J].IEEE Intelligent Systems and Their Applications,1998,13(2):44-49.

[6] Meiri R,ZahaviJ.Using Simulated Annealing to Optimize the Feature Selection Problem in Marketing Applications[J].European JournalofOperational Research,2006,171(3):842-858.

[7] Dréo J,Siarry P.Continuous Interacting Ant Colony Alogorithm Based on Dense Heterarchy[J].Future Generation Computer Systems,2004,20(5):841-856.

[8] You Mingyu,Liu Jiaming,Li Guozheng,et al.Embedded Feature Selection for Multi-label Classification of Music Emotions[J].International Journal of Computational Intelligence Systems,2012,5(4):668-678.

[9] 葛 雷,李国正,尤鸣宇.多标记学习的嵌入式特征选择[J].南京大学学报:自然科学,2009,45(5): 671-676.

[10] Tsoumakas G,Katakis I.Multi-label Classification:An Overview[J].International Journal of Data Warehousing and Mining,2007,3(3):1-13.

[11] Zhang Minling,Zhou Zhihua.ML-KNN:A Lazy Learning Approach to Multi-label Learning[J].Pattern Recognition,2007,40(7):2038-2048.

[12] Read J,Pfahringer B,Holmes G,et al.Classifier Chains for Multi-label Classification[J].Machine Learning, 2011,85(3):333-359.

[13] Tsoumakas G,Katakis I,Vlahavas L.Random k-labelsets for Multilabel Classification[J].IEEE Transactions on Knowledge and Data Engineering,2011,23(7):1079-1089.

[14] Liu Guoping,Li Guozheng,Wang Yalei,et al.Modelling of Inquiry Diagnosis of Coronary Heart Disease in Traditional ChineseMedicine by Using Multi-label Learning[J].BMC Complementary and Alternative Medicine,2010,10(1):10-37.

[15] Boutell M R,Luo Jiebo,Shen Xipeng,et al.Learning Multi-label Scene Classification[J].Pattern Recognition, 2004,37(9):1757-1771.

编辑 任吉慧

Analysis on TCM Monitoring Data of Healthy Status Collected from Mars500 Volunteers

LI Yong-zhi1,LI Guo-zheng2,GAO Jian-yi1,ZHANG Zhi-feng3,FAN Quan-chun1,XU Jia-tuo3, BAI Gui-e1,CHEN Kai-xian3,SHI Hong-zhi1,SUN Sheng2,LIU Yu1,CHEN Jia-chang2,MI Tao1,
JIA Xin-hong4,ZHAO Shuang1,SHAO Feng-feng2,LIU Jun-lian1,GUO Yu-meng2
(1.China Astronaut Research and Training Center,Beijing 100094,China;
2.Department of Control Science and Engineering,Tongji University,Shanghai 201804,China;
3.Shanghai University of Traditional Chinese Medicine,Shanghai 201203,China;
4.Shanghai Daosheng Medical Technology Co.,Ltd.,Shanghai 201203,China)

In order to study that spacemen how to adapt to challenges which longtime closed environment brings to human health(physiology,psychology,spirit)and bodily function,a differentiation model based on multi-label learning is proposed.This paper adopts“inspection,auscultation and olfaction,inquiry and pulse-taking”diagnose methods of Traditional Chinese Medicine(TCM)to collect human life activity state data in longtime closed environment.It uses data mining methods to study and explain its characteristics and varying patterns.Average precision of classification model built by fusion data reaches 80% in the experiment.

spaceflight;closed environment;Traditional Chinese Medicine(TCM);data mining;feature selection

1000-3428(2014)09-0013-06

A

TP311.13

10.3969/j.issn.1000-3428.2014.09.003

国家自然科学基金资助项目(61273305)。

项目介绍:Mars500实验是由俄罗斯组织多国参与的航天医学实验项目。由6名志愿者在地面密闭实验舱内模拟火星往返飞行,实验设施位于莫斯科俄罗斯科学院生物医学问题研究所(IBMP)。实验共分3个阶段:250天从地球飞往火星的虚拟飞行,30天火星地表停留,240天返程,总共持续520天。在每个阶段,全部志愿者生活和工作仅限于实体模型航天器,不能和外部直接交流,若通过互联网交流会有20 min延迟。实验人员不能从外界获取消耗品。由于从飞船发射、飞向火星、火星着陆到返回地球的一系列过程需要近500天时间,因此,这一项目被称为“Mars500”。在Mars500运行过程中,中国航天员训练中心探索航天长期密闭环境下中医药健康监测的实验,运用上海道生公司设备采集的面色诊、舌诊、脉象信息和“Mars500长期密闭环境条件下中医基本证候症状量表”的观察记录数据,建立关联数据库,进行数据挖掘分析,建立和完善Mars500长期密闭环境条件下中医基本证候诊断标准和技术方法,分析观察和初步揭示证候特点和演变规律。通过上述研究取得的阶段性成果,为应用中医药开展长期载人飞行健康保障研究开创一个良好的开端,提供成功的经验、方法和思路,为进一步开展更加广泛、深入和严格的研究奠定基础。

李勇枝(1963-),女,研究员,主研方向:航天实施医学;李国正,研究员、博士生导师,主研方向:数据挖掘,机器学习;高建义,副研究员、硕士;张志枫,副教授、博士;范全春,副研究员、硕士;许家佗,教授,博士后、博士生导师;白桂娥,副研究员;陈凯先,中国科学院院士;石宏志,副研究员、硕士;孙 胜、刘 宇、陈家昌,硕士研究生;米 涛,助理研究员;贾新红,硕士;赵 爽,助理研究员;邵峰峰,硕士研究生;刘军莲,助理研究员、博士;郭雨萌,博士研究生。

2014-04-03

2014-06-11E-mail:drgzli@gmail.com