基于图文多模态融合推理的产品创新方案设计方法研究

马进，范明浩，马良山，胡洁

基于图文多模态融合推理的产品创新方案设计方法研究

马进1a，范明浩1a，马良山2，胡洁1b*

（1.上海交通大学 a.感知科学与工程学院 b.设计学院，上海 200240；2.上海中软计算机系统工程有限公司，上海 200001）

针对当前产品创新设计领域中对基于图像-文本多模态知识支撑创新设计方法研究不足的问题，提出了一套基于图文多模态的产品创新方案设计方法。首先，对设计师的设计草图与文本要求进行预处理，然后引入产品设计知识图谱来促进设计思维的发散和创新；其次，通过微调的生成式预训练变换器模型和扩散模型生成产品方案及其概念图；最后，利用深度多模态设计评估模型对产品设计方案的可行性和市场潜力进行评估。通过产品设计知识图谱，及深度多模态设计评估模型的引入，该设计流程可以生成富有创新性且具备可行性的产品方案。基于图文多模态的产品创新方案设计流程结合了最新的深度学习技术，不仅提高了设计的效率，还为设计师提供了更广阔的创新视角和灵感来源。

图文多模态；深度生成模型；知识图谱；产品创新设计

产品的创新设计是一个从发散到收敛的过程，涵盖设计概念的生成、评价与筛选。如何生成创新设计解方案是产品创新设计的核心。发散性思维作为打破现有产品方案设计范式的高开放、高活跃度设计模式，能显著提高设计的创新性。然而，受限于设计师经验及学科背景，现有设计活动中难以避免地束缚着设计师创新设计能力的发挥[1]。因此，如何将设计师从其学科背景和认知范围的局限中解放出来，提升其创造力和想象力，实现高开放度、高活跃性的设计，成为当前产品创新设计亟待解决的关键问题。

随着网络信息技术的不断发展，越来越多的知识以图像、文本和视频等模态在互联网中呈现，这为设计师利用多学科知识打破传统思维束缚奠定了知识基础。而深度学习新浪潮的到来，为挖掘和利用网络泛在多模态知识以获取支持创新设计的有用知识、辅助设计过程的创造性活动、提升设计效率，以及为设计师带来更广阔的创新视角和灵感来源提供了有效工具。因此，本文将围绕图像、文本多模型知识在创新设计领域的应用展开，深入探讨基于图像-文本多模态融合推理的方法以优化产品创新方案的设计过程，从而探索支持创新设计方案的自动生成新方法和新思路。

1 研究现状

深度学习不仅通过为设计师提供跨领域的多学科知识以实现创新思维激励，也可直接作为设计概念的生成器（辅助工具）来生成创新设计方案，掀起了设计领域的技术革命。Jin等[2]通过深度学习网络抽取了2013年至2017年RedDot获奖设计的范式辅助创新。Deldin等[3]基于AskNature仿生设计方法实现了跨领域创新设计支持。Luo[4]提出的InnoGPS可抽取专利数据库中的设计知识以支持工程领域的创新设计。Luo等[5]提出了技术语义网络，实现了根据设计目的与思维激励之间的语义距离来寻找技术空白，从而为创新设计提供方向指导。Chakrabarti等[6]提出基于编码的方法以实现设计方案的快速生成。随着深度生成模型的诞生，AIGC（AI Generated Content）技术在产品创新设计中的应用迅猛发展，对抗生成网络（Generative Adversarial Network, GAN）、变分自编码器（Variational Auto-Encoder，VAE）、标准化流模型（Normalization Flow，NF），以及扩散模型（Diffusion Models，DM）等从图像或网络中学习设计知识，在视觉表现中以风格迁移等方式生成新的设计方案，取得了良好的效果。Dosovitskiy等[7]提出基于卷积神经网络的椅子创新设计概念。Yuan等[8]提出了面向时尚产品设计的深度注意力对抗神经网络（Deep Attention-GAN）模型。Oh等[9]将GAN模型与拓扑优化相结合，从而实现了汽车轮毂的创新设计。如图1所示，以GPT（Generative Pre-trained Transformer）为代表的大语言模型与Midjourney、DALL-E 2和Disco Diffusion等深度生成模型的结合实现了基于文本的图像或视频生成[10]。Zhu等[11]、Cai等[12]与Lee等[13]都对此进行了研究。邓正根等[14]通过StyleGAN模型将草图转换为高质量的产品设计方案，实现了基于草图的产品概念图生成方案。Zhu等[15-16]探索了基于自然语言处理技术的设计概念生成。

现有的、面向产品创新设计的深度学习方法研究，通常聚焦文本或图像的单一模态知识，忽略了对图像和文本联合模态知识的关注。多模态技术能够同时处理和融合多源信息，为产品设计提供更全面的视角。近年来，多模态融合网络模型在结合图像和文本数据特征中取得了较为不错的成果。Verma等[17]提出了结合“需求—检索—匹配”逻辑和风格因果的模型，从而生成了满足设计需求的文本-图像模态组合。Wu等[18]扩展了变分自动编码器、GAN和基于流的模型以处理图像和文本等多模态知识。Lao等[19]提出了多阶段处理增强特征融合方法以加强集成视觉和文本多模态知识的混合，并嵌入融合网络以提高视觉问答的准确性和鲁棒性。OpenAI提出的Sora模型能够实现从一段话生成一段视频。现有的基于多模态的创新设计模型研究虽已取得了较大进展，能够在一定程度上理解设计师的需求表达，并拓展创新设计解的方案集合，创造出符合设计师设想的产品设计方案，但在辅助推理过程和设计方案可解释性等方面仍然面临着图文多模态匹配知识规模小、缺乏图文多模态一致性知识表示模型等挑战。

为此，本文提出了基于图文多模态融合推理的、从“创新设计需求—设计方案发散生成—方案评估”的产品方案创新设计方法。设计过程首先对设计师的设计草图与文本要求进行预处理，然后引入产品设计知识图谱来促进设计思维的发散和创新；其次，通过微调的生成式预训练变换器模型和扩散模型实现产品方案及其概念图的生成；最后，利用深度多模态设计评估模型对产品设计方案的可行性和市场潜力进行评估，并引入产品设计知识图谱来促进设计思维的发散和创新。最后，利用深度多模态设计评估模型对产品设计方案的可行性和市场潜力进行评估。其中，知识图谱（Knowledge Graph）通过构建网状知识结构，高质量、结构化地表达设计知识中各类实体、概念及其之间的语义关系。通过实体嵌入（Entity Embedding）和关系嵌入（Relation Embedding）的知识表征学习方法将实体和关系映射到低维空间，利用蕴含于知识图谱中的设计实例对深度神经网络模型进行训练以提升模型的性能，实现各种知识的推理和应用，解决创新设计活动中的可解释性问题，辅助设计师对设计概念发散过程的掌握，从而生成更具创新性的产品设计方案。而在知识图谱的搭建上，引入基于空间域的图注意力网络（Graph Attention Networks，GAT）[20]，其通过注意力机制（Attention Mechanism）实现相邻节点聚合操作和权值自适应分配，支持图结构设计知识更高效、准确地建模。扩散模型通过其强大的生成能力，以确保在图像和文本模态知识生成任务中所输出创新设计方案的多样性和真实性。由于扩散模型在生成过程中对设计范式有更深入的理解，在生成细节上表现出更高的精确度，能够更好地捕捉和模仿复杂的创新设计方案分布。

2 多模态融合推理产品创新方案设计流程

如图2所示，基于图文多模态融合推理的产品创新方案设计流程可以分为：设计要求输入、产品特征提取、知识图谱发散、产品方案生成、产品方案评估五个部分。

2.1 设计需要输入层

一个产品设计的成功与否是由市场决定的。因此，设计师需要对产品进行市场调研，了解产品用户的需求，对所设计的产品进行初步定位，再结合设计师自己的灵感，最终给出产品设计的文本要求与草图，作为整个基于图文多模态的产品创新方案设计流程的输入。

图2 多模态融合推理产品创新方案设计流程

2.2 产品特征提取层

在设计师将产品设计需求以文本和草图的形式输入后，需要从其中提取出产品的名称、样式、功能、风格等特征的描述。如图3所示，设计草图的产品特征提取可以使用基于深度学习的图像描述（Image Captioning）模型来对图像内容生成描述性文字。该模型由特征提取器和序列模型两部分组成，特征提取器是通过产品草图数据集训练后的卷积神经网络来对设计草图进行特征提取。这里的卷积神经网络需要在特定的设计草图数据集上微调以更好地适应设计领域的视觉特征。序列模型则采用带有注意力机制的长短期记忆网络（Long Short-term memory，LSTM）对提取的视觉特征进行处理并生成与图像内容相匹配的描述性文本。这种基于图像的反馈可以帮助设计师捕捉其在最初的文本描述中可能遗漏或未能充分表达的设计细节和元素，与文本形式的设计需求相互补充，从而提高设计的全面性和创新性。

通过图像描述可以将设计师的草图转化为与图像内容相匹配的描述性文本，将转换的文本与输入的文本信息进行综合，其中重复的文本信息为产品的重要特征需求，其余的作为产品的次要特征需要。而关于产品的描述性文本则可以通过微调的生成预训练变换器模型对其中产品的性质特征关键词进行提取，例如产品的颜色、样式，风格，功能等。首先需要收集一定量的产品描述性文本数据，这些数据可以来自产品手册、设计网站、用户评论等。通过人工标注识别文本中对产品特征描述的关键词，然后选择一个适合的预训练变换器模型，用标注好的数据集对模型进行微调，设置适当的学习率、批次大小、迭代次数等。

图3 图像描述模型

2.3 知识图谱发散层

为了解决在产品设计过程中多样性和整体创新性受到限制的问题，本文引入了设计概念知识图谱。设计概念知识图谱的搭建一共分为四步（如图4 所示）。

首先是搭建产品设计数据库，丰富的产品设计数据是构建设计概念知识图谱的基础，数据来源一般来自设计类网站、现有的产品数据库，以及一些设计概念比赛等。在收集到数据后，需要对其进行清洗和标准化，包括去除噪声数据、格式统一、错误纠正等，以确保数据的质量和一致性。

搭建好产品设计数据库后，就要对数据库中设计产品的特征实体进行识别，如产品的颜色、形状、图案、风格等，需要通过微调的生成预训练变换器模型实现。

关系提取是构建设计概念知识的核心，即提取实体之间的各种关系。实体之间的关系可以构成一个图结构，其中实体作为节点、关系作为边，通过图注意力网络来学习这些实体和关系的复杂模式，对其实体节点进行分类，预测可能存在的、未观察到的关系，识别和添加遗漏的信息，从而提高知识图谱的质量和完整性。

最后将提取的实体和关系整合到统一的框架中，构建出结构化的知识图谱，并选择合适的存储系统来保存知识图谱。将不同类型的设计相关数据存储在关系数据库和NoSQL数据库中。关系数据库由于其结构格式而存储集成数据。NoSQL数据库以基于图的形式存储所提取的知识，其中节点表示实体、边代表其关系。

在基于图文多模态的产品创新方案设计流程中，将产品设计需求的特征关键词放入设计概念知识图谱中进行检索，并根据产品创新性需求进行不同程度的发散，找到其中与特征关键词有关联的实体作为产品方案生成的参考与依据。

2.4 产品方案生成层

产品方案生成层主要采用条件扩散模型（Con­di­tional Diffusion Model）逐步引入随机噪声到图像或文本模态设计知识中，然后通过相应的逆过程来重构知识，从而达到根据设计需求生成特定类型的方案输出这一目的。在基于文本描述的图像生成任务中，模型会利用文本信息作为条件，生成与文本描述相符的图像。

图4 设计概念知识图谱搭建流程

根据知识图谱检索与发散的结果，使用预训练变换器模型生成产品的设计方案，一个完整的产品设计方案应包括产品概述、设计理念、产品规格、技术方案、成本预算等部分。然后根据设计方案并结合设计草图，使用文本到图像扩散模型（eDiff-I）[21]来生成产品的设计概念图。

2.5 产品方案评估层

深度多模态设计评估模型（Deep Multimodal Design Evaluation，DMDE）[22]是一种先进的评估工具，可以用于分析和理解历史设计数据中的视觉、功能特征、产品的可行性，以及目标用户之间的关系。通过DMDE对生成的产品设计方案来进行评估，其过程如下。

1）利用在ImageNet数据集上对深度学习模型进行预先训练并在专用产品数据集上通过微调的ResNet-50网络来处理产品的正交视图图像。同时使用经过大型产品描述数据集微调的基于变换器的双向编码器表示技术（Bidirectional Encoder Representations from Transformers，BERT）模型来分析文本产品描述，并通过自注意机制对图像文本模态知识进行对齐和融合。

2）利用训练好的网络对设计方案的实用性进行初步评估，包括材料选择、成本估算和制造工艺的可行性。根据生成的产品设计方案风格，从年龄、性别等层面分析其所面向的目标消费群体，确保设计方案的市场竞争力。此外，模型还会对设计方案的市场潜力进行预测，评估可能的市场接受度和销售前景。

3）通过综合所有评估结果，对设计方案进行打分，将实用性不足的方案筛除。设计师可以根据评估结果对生成的产品设计方案进行选择，或者重复上述过程对方案进行不断的迭代与优化，最终得到可行性高、市场竞争力强的产品设计方案。

在概念开发过程中，深度多模态设计评估模型为设计师提供了一个数据驱动循环，在概念评估阶段提供更为直观的参考。这一循环被集成到概念开发流程中，形成了一个自动化、迭代的设计评估周期，从而为设计团队在概念选择和优化过程中提供了数据支持。

3 实验验证——基于图文多模态的足球鞋方案设计

为验证方法有效性，以足球鞋的方案设计为案例对上述基于图文多模态的产品创新方案设计流程进行展示。如图5所示，完整设计流程描述如下。

1）在设计需求的输入部分，设计师打算设计一款中高帮的控球型足球鞋。通过市场调研后，计划以龙年限定作为特点，产品用户对象为东亚足球爱好者，因此可以填写文本信息“设计一款龙年限定版足球鞋，中高帮，控球型，适合东亚人的足型，AG鞋钉”，并附上设计草图。

图5 基于图文多模态的足球鞋方案设计

2）对输入的文本和图像进行产品特征实体的提取。首先用训练好的卷积神经网络对草图中的元素进行识别，然后用带有注意力机制的长短期记忆网络生成与草图内容相匹配的描述性文本“一双带有龙图案的中高帮AG足球鞋”。随后，通过微调的生成预训练变换器模型对两部分的文本信息进行处理，以“实体-关系-实体”三元组的形式提取其中描述产品特征的实体与关系，例如“足球鞋-图案-龙”。

3）将所提取的、描述产品特征的实体与关系放入知识谱图中进行发散。足球鞋设计知识图谱的搭建需要先收集有关足球鞋设计的数据库。数据主要来自足球鞋网站及开源的数据库（如图6所示），例如Football Boots Database中有4 694款足球鞋的名称、材质、颜色、价格等数据。在对数据库中的数据进行整理后，通过图注意力网络来学习其中实体和关系的复杂模式，然后使用训练好的网络对其他实体节点进行分类，并对可能存在的关系进行预测、识别与添加，最后整合为可检索的知识图谱。对上个步骤中得到的实体与关系进行运用，在知识图谱中检索对应的足球鞋数据并以图的形式进行发散，作为设计方案生成的参考与依据。

4）根据知识图谱发散的结果生成满足设计要求的足球鞋方案。首先选用需要选择一个预训练的GPT模型为基础，然后将上一步骤知识图谱发散的结果作为知识库对GPT模型进行微调，并用微调后的模型生成足球鞋设计方案，包括产品概述、设计理念、产品规格、技术方案、成本预算、市场推广计划，以及风险评估和应对策略。随后，以设计师的草图作为基准图，根据文本方案，并利用文本到图像扩散模型（eDiff-I）生成产品的设计概念图。

5）利用深度多模态设计评估模型对生成的产品设计方案进行评估。首先爬取网络商城和足球鞋论坛上使用者对不同足球鞋的评论，然后对评论信息数据进行清洗与预处理，构建足球鞋评估反馈数据集。然后使用构建的数据集对在ImageNet上预训练的ResNet-50模型进行训练，并使用数据集微调后的BERT模型来分析文本产品描述，对产品可行性与市场潜力进行评估，两部分通过自注意力模块进行特征融合。将上个步骤生成的产品方案与概念图放入评估模型中，给出足球鞋设计方案的可行性分析与市场分析并综合所有评估结果对其进行打分。设计师可以根据评估结果修改输入的设计要求，重复步骤二至步骤四，迭代生成新的设计方案。

图6 足球鞋数据库

通过对比实验来验证本文提出的、基于图文多模态融合推理的产品创新方案设计方法相比于传统的单一模态方法的有效性和优越性。实验过程针对同一设计任务设置了三组实验：（1）采用本文的图文多模态融合推理方法生成足球鞋设计方案；（2）仅利用自然语言处理技术生成足球鞋设计方案；（3）仅利用图像处理技术生成足球鞋设计方案。如图7所示，最直观地通过比较上述三种方法所生成的足球鞋产品概念图，可以发现仅基于利用自然语言处理技术生成的足球鞋设计方案虽然包括了文本中设计要求的元素，但龙年限定的特点并没有按照设计师所设想的以鞋身侧面的龙图案进行表达。而仅用图像处理技术生成的足球鞋设计方案由于图像信息的模糊性导致生成的产品概念图完全偏离设计师的设计要求。相比之下，图文多模态融合推理方法能够更好地捕捉和融合来自图像和文本的信息，并生成更贴合设计需求的创新方案，而且在设计效率和用户满意度等方面也表现出明显的优势。

总而言之，基于图文多模态的产品创新方案设计流程不仅包括了从初始想法到具体设计方案的生成，还涵盖了对设计方案的全面评估和优化，在确保设计可实现性的同时，满足市场需求。通过这种综合性和系统性的设计流程，可以为产品设计领域带来新的变革，使得设计过程更加智能化、高效化，同时也更加贴近用户和市场的真实需求。这种流程有望推动产品设计领域向更高水平的发展，为创新设计提供强有力的技术支持。

图7 本文方法与传统单一模态方法的对比

4 结语

本研究提出了基于图文多模态融合推理的产品创新方案设计流程，通过结合图像和文本的多模态知识，利用最新的深度学习技术，包括图像描述生成模型、设计概念知识图谱、图注意力网络、生成式预训练变换器模型、扩散模型，以及深度多模态设计评估模型，构成了一个完整的产品创新设计流程，涵盖产品设计从概念生成到最终评估的全过程，解决了当前在深度学习辅助的产品设计领域中出现的创新性和可实现性方面的问题，使生成的设计方案既新颖又可行。这一方法不仅提高了设计的效率和灵活性，还为设计师提供了丰富的创新灵感和视角。基于图文多模态的产品创新方案设计方法为产品设计领域带来了新的思维方式和工具。这种方法不仅使设计过程更加智能化和高效，还增强了设计方案的创新性和市场竞争力。随着深度学习和多模态数据融合方法的不断发展，未来这种方法将在设计领域发挥更大的作用，推动设计实践的进一步革新。

[1] VISWANATHAN V, TOMKO M, LINSEY J. A Study on the Effects of Example Familiarity and Modality on Design Fixation[J]. Artificial Intelligence for Engineering Design And Manufacturing, 2016, 30(2): 171-184.

[2] JIN X, DONG H. New Design Heuristics in the Digital Era[C]// Proceedings of the Design Society: Design Conference. Cambridge: Cambridge University Press, 2020: 607-616.

[3] DELDIN J M, SCHUKNECHT M. The AskNature Database: Enabling Solutions in Biomimetic Design[M]. London: Springer London, 2013: 17-27.

[4] LUO J. Data-driven Innovation: What is It?[J]. IEEE Transactions on Engineering Management, 2022, 70(2): 784-790.

[5] LUO J, SARICA S, WOOD K L. Guiding Data-driven Design Ideation by Knowledge Distance[J]. Knowledge-based Systems, 2021, 218: 106873.

[6] CHAKRABARTI A, SHEA K, STONES R, et al. Computer-based Design Synthesis Research: An Overview [J]. Journal of Computer Information Science and Engineering, 2011, 11(2): 021003.

[7] DOSOVITSKIY A, TOBIAS S J, BROX T. Learning to Generate Chairs with Convolutional Neural Networks [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2015: 1538-1546.

[8] YUAN C, MOGHADDAM M. Attribute-aware Generative Design with Generative Adversarial Networks[J]. IEEE Access, 2020, 8: 190710-190721.

[9] OH S, JUNG Y, LEE I, et al. Design Automation by Integrating Generative Adversarial Networks and Topology Optimization[C]// ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. Berlin: ASME, 2018: 51753.

[10] BRISCO R, HAY L, DHAMI S. Exploring the Role of Text-to-image AI in Concept Generation[C]// Proceedings of the Design Society. London: Design Society, 2023: 1835-1844.

[11] ZHU Q, ZHANG X, LUO J. Biologically Inspired Design Concept Generation Using Generative Pre-trained Transformers[J]. Journal of Mechanical Design, 2023, 145(4): 041409.

[12] CAI A, RICK S R, HEYMAN J L, et al. DesignAID: Using Generative AI and Semantic Diversity for Design Inspiration[C]// Proceedings of the ACM Collective Intelligence Conference. Delft: ACM, 2023: 1-11.

[13] LEE Y H, CHIU C Y. The Impact of AI Text-to-image Generator on Product Styling Design[C]// International Conference on Human-computer Interaction. Cham: Springer Nature Switzerland, 2023: 502-515.

[14] 邓正根, 吕健, 刘翔, 等. 基于StyleGAN的草图生成产品设计效果图方法研究[J]. 包装工程, 2023, 44(6): 188-195.DENG Z, LYU J, LIU X, et al. StyleGAN-based Sketch Generation Method for Product Design Renderings[J]. Packaging Engineering, 2023, 44(6): 188-195.

[15] ZHU Q, LUO J. Generative Pre-trained Transformer for Design Concept Generation: an Exploration[C]// Procee­dings of the Design Society. London: Design Society, 2022: 1825-1834.

[16] ZHU Q, LUO J. Generative Transformers for Design Concept Generation[J]. Journal of Computing and Information Science in Engineering, 2023, 23(4): 041003.

[17] VERMA G, BV S, SHARMA S, et al. Generating Need-adapted Multimodal Fragments[C]// Proceedings of the 25th International Conference on Intelligent User Interfaces. Cagliari: ACM, 2020: 335-346.

[18] WU M, GOODMAN N. Multimodal Generative Models for Scalable Weakly-supervised Learning[J]. Advances inNeural Information Processing Systems, 2018, 31: 21-43.

[19] LAO M, GUO Y, PU N, et al. Multi-stage Hybrid Embedding Fusion Network for Visual Question Answering[J]. Neurocomputing, 2021, 423: 541-550.

[20] VELICKOVIC P, CUCURULL G, CASANOVA A, et al. Graph Attention Networks[J]. STAT, 2017, 10(20): 10-48.

[21] JIN Z, SHEN X, LI B, et al. Training-free Diffusion Model Adaptation for Variable-sized Text-to-image Synthesis [J]. Advances in Neural Information Processing Systems, 2024, 36:31-49.

[22] YUAN C. Deep Neural Network Architectures for User- centered Design Concept Generation and Evaluation[D]. Shenyang: Northeastern University, 2022.

Innovative Product Design Schemes Based on Image-text Multi-modal Fusion Reasoning

MA Jin1a, FAN Minghao1a, MA Liangshan2, HU Jie1b*

(1. a. School of Sensing Science and Technology b. School of Design, Shanghai Jiao Tong University, Shanghai 200240, China; 2. Shanghai China Software Computer Systems Engineering Co., Ltd., Shanghai 200001, China)

The work aims to propose a novel multi-modal process which integrates both image and text elements for innovative product design to address the issue of insufficient innovation and feasibility in product design schemes within the field of AI-assisted product design. The work begins with preprocessing the designer's sketches and textual requirements, followed by the incorporation of a product design knowledge graph to facilitate divergent thinking and innovation. Subsequently, a fine-tuned generative pre-trained Transformer model and a diffusion model were employed to generate product schemes and their conceptual diagrams. Finally, a deep multi-modal design assessment model was adopted to evaluate the feasibility and market potential of the product design schemes. The results indicated that the introduction of the product design knowledge graph and the deep multi-modal design assessment model enabled the generation of innovative product schemes that also possessed feasibility. In conclusion, this multi-modal approach to innovative product scheme design, leveraging cutting-edge AI and deep learning technologies, not only enhances design efficiency but also provides designers with a broader perspective for innovation and inspiration sources.

multi-modal image and text; deep generative models; knowledge graph; innovative product design

TB472

A

1001-3563(2024)08-0021-08

10.19554/j.cnki.1001-3563.2024.08.003

2023-11-10

国家自然科学基金面上（52375254）；上海交通大学医工交叉项目（21X010301670）

通信作者