生物力学研究

47岁为逐梦想，化身生物力学之父，堪称科学史上最华丽的转身人的生命是有限的，这世上有多少人敢在47岁的时候，改行从事一个全新的领域？尤其是在这个领域已经取得了卓越的成就，这种勇气，大概只有我国的生物力学之父——冯元楨，才有这种气魄了。47岁的冯元楨曾是世界公认的，最优秀的航天航空研究者之一。那一年，他却为了曾经的梦想，而投身于几乎是一片空白的生物力学领域，并创立了世界上第一个生物工程学系。冯元楨是生物力学的开拓者和奠基者，故世人称他为“生物力学之父”。他的这次“改行”，也被称为“科学史上最华丽的转身”。冯元楨出生于1919年的江苏的一个书香门第。这是一个动乱的年代，他的父亲是一名画家，报国无门，所以，他告诉冯元楨“如果想改变世界，就去学理工科吧。”18岁的冯元楨考上了中央大学航空系，成为了当时的第一批学生。当时刚好发生了卢沟桥事变，冯元楨怀着悲愤的心情，决心要报效祖国，但奈何身体瘦弱，所以只能运用知识作为武器。即便想专心研究学问，但却遭到日寇的侵略，中央大学被迫从南京搬到了重庆。在6年的艰苦学习中，冯元楨成为了当时中国最权威的航空工程专家。在抗战年代能够有冯元楨这样的人才，是我国之幸。这时候，冯元楨在航天航空领域已经有着不弱的名声了。在冯元楨36岁那年，突然来了一个转折，当时冯元楨本想好好享受自己在哥根廷大学的假期，但却传来了母亲患了严重的青光眼的消息。焦虑的他急忙在哥根廷图书馆寻找文献，并将它寄回给国内的医生，就这样，通过冯元楨传回来的资料，让国内的医生有了医治的法子，也正是由于这件事，他开始对生理学有了学习的欲望。多年后，他回到祖国，开始沉迷于生理学，并决心要将力学与生物学结合在一起。但在此之前，冯元楨对生理学简直一窍不通，他在加州理工的同事劝他，这样做没有任何意义，但下定决心的冯元楨不会受任何改变了。在经过几年的研究后，冯元楨认识到，必须全身心投入进去，不能被其他的工作打扰了。在当时已经在航空工程取得了重大成就的冯元楨离开了加州理工，他去了刚成立不久的加州大学圣地亚哥分校，决心研究生物力学，这一年，他47岁了。冯元楨在加州大学从零开始研究新的生物工程，每天工作十几个小时。他的好友，中国爆炸学家郑哲敏说他非常勤奋，即使一只手抱着孩子，另一只手也要看资料。功夫不负有心人，冯元楨在外界所有人都不看好的情况下，一步一步在生理学领域开辟了一个全新的道路——生物力学。多年后，中美关系缓和，他回到了中国，多次在国际学术会议的讲坛上自豪的说道：“我是中国人”。冯元楨没有忘记自己是一个中国人

当地时间 12 月 15 日，世界生物力学之父、首批中国科学院外籍院士冯元桢老先生，于美国圣迭戈加州大学雅各布医院（UCSD Jacobs Hospital）安详离世。跨越 100 载的光辉岁月虽已暂停，但冯老先生的人生传奇永不谢幕，从航空学泰斗华丽转身至世界生物力学之父，他的一生远比戏剧精彩。图片来源：微博截图生物力学（biomechanics）是应用力学原理和方法对生物体中的力学问题定量研究的生物物理学分支，研究对象包含之广，从生物整体到系统、器官（包括血液、体液、脏器、骨骼等），从鸟飞、鱼游、鞭毛和纤毛运动到植物体液的输运等，极大地推动了力学和组织学、生理学、医学相结合。学医的同学想必对此不会陌生，椎间盘蜕变、脊椎矫正、心脏辅助装置等与生物力学息息相关。作为「生物力学」之父，冯元桢老先生可谓是天时地利人和的代表。巨星陨落，举世同悲，笔者带大家去回顾一下老先生的传奇璀璨人生。充满传奇色彩的求学时光1919 年，冯元桢出生于江苏常州的一个书香之家，彼时国家动荡，个人命运如同浮萍。初中一年级时，日军发动九一八事变；二年级时，日军入侵上海，全家背井离乡开始逃亡。1937 年冯元桢进入中央大学航空学专业学习，青少年时期的记忆让他深知中国生存最需要的就是飞机。世事变迁，赤子之心永不褪色。1943 年他迎来人生的第一次转折，美国提供了 20 个研究生资助名额，冯元桢辞别父母、远渡重洋，开始异国深造之路。中间经历了路途延误与奖学金转赠他人等各种挫折与磨难，眼看留学希望落空。幸而Ernie Sechler慧眼识珠，为其提供了一份助理教授的工作，他们在飞机后掠翼设计、壳体屈曲、ICBM 基础硬化、火箭结构、燃油晃荡等多个方向有着密切的合作，奠定了他在航空学领域的坚实基础。1948 年他以非凡的毅力和优异的成绩获得加州理工大学航空工程与数学的博士学位，并留校任教。1955 年，他出版了力学与工程学专著《Theory of Aero－elasticity》，一举成为了航天航空领域的佼佼者。这一年，他 36 岁。充满传奇色彩的转行之路母亲病重，偶然进入生理学领域1957 年，留在中国的母亲身患重病，身为人子却不能侍奉床前，冯元桢的内心万分煎熬。为尽己所能，他开始研究生理学，收集大量文献资料，并寄给国内的医生，希望自己在母亲生病的时候能提供一些正确的建议给她。科学家的眼光是敏锐且超前的，在阅读生理学著作的过程中，拥有工程力学知识背景的冯元桢看到了一般生理学家未曾注意的东西。他发现当人体血压变化时，血管会很快自我重塑。通常，血管的内壁会自动增厚，在两到三天内其厚度增加一倍。然后血管外壁随之变厚，约于 10 天内翻倍。此外，血管壁中的残余应力也会改变。他想，在人体运动和血液循环这些生理活动的过程中，内外力的作用都是不可或缺的，残余应力的施加是否会引起疾病的产生呢？壮士断腕，开启新的职业生涯冯元桢想要验证这个有趣的猜想，然而隔行如隔山，毫无人体生理学、解剖学、组织学背景的工学博士，要研究医学问题谈何容易？彼时他已年近五十，在航空学术圈内有着崇高的地位，为更好地进行医学研究，他从加州理工大学航空系辞职，成为第一个也是唯一一个从这个系离开并转行的人，到加州大学圣迭戈分校开启自由的科研人生。从零开始，从航空学专家到普通医学生在身为名医的妻子喻娴才教授的支持与鼓励下，在两位杰出的生理学家Sobin和Zewifach的合作下，他从零开始，和所有医学实习生一样，学习人体解剖，驱车几百公里到医院参加病例讨论会，一步步学习活组织、器官的生理和力学机理。研究最繁忙时，半夜两三点睡觉是常事，一边阅读医学文献、一边照顾年幼的孩子是家常便饭。很多人无法理解，为什么他要放弃航空学专家的身份，去涉足一个完全空白的领域呢？会成功还是会失败，无人知晓。图片来源：《医用生物力学》期刊，左一和左二是冯元桢夫妇充满传奇色彩的跨界研究填补了医学界的空白冯元桢最初的研究是从血液流动动力学入手，在他的实验室中，挂着一张人体肺部血管图，这是他最得意的作品。当人体肺部血管受力异常时，可能会引起一种极为严重的疾病-----肺动脉高压。他将工程力学理论与病理过程有机统一，运用全新的视野去揭示人体血球、血管、微循环的奥秘，开创了著名的「冯氏隧道理论」。在没有这张图之前，医生们并不知道人体肺部的血管分布情况，而这个问题被一位航天专家解决了。开创性的工作令人刮目相看在几乎不被人看好的情况下，经过多年筚路蓝缕的努力，冯元桢和他的实验室取得三个具有里程碑性质的成就：生物软组织本构关系的研究；以肺毛细血流片层流动 (Sheet flow) 模型为核心的肺血流动力学规律的研究；生物组织器官生长和应力的关系的研究。这些成就为临床疾病的诊断与治疗提供了极大的帮助，拯救了无数患者的宝贵生命。1981 年起，他相继出版了《生物力学—活组织的力学特性》、《生物力学—血液循环》和《生物力学—运动、流动、应力和生长》3 本一套的生物力学经典专著并被译为多国文字，这套专著的问世是生物力学学科发展的里程碑。图片来源：冯元桢专著冯元桢明确地提出了生物力学研究前瞻性的路线、策略和目标，提出「应力-生长」理论。接下来的几十年，他获得多项令人难以望其项背的奖项：1975 年，国际微循环学会的 Landis 奖1976 年，美国土木工程学会的 von Karman 奖1978 年，美国机械工程师学会的 Lissner 奖1981 年，「百年大奖」1984 年，Worcester Reed Warner 奖1986 年，国际生物流变学会的 Poiseuille 奖1989 年，美国生物医学工程学会的 ALZA 奖1992 年，Timoshenko 奖1994 年，Melville 奖1998 年，美国工程院「奠基者奖」(Founders Award) 奖2000 年，美国科学最高荣誉美国科学奖，并由克林顿总统在白宫颁奖。2007 年，「拉斯奖」（Russ prize）（学术地位堪比诺贝尔奖），以表彰他「鉴别与确定人体组织的结构与功能，使之有助于创伤的预防及减轻」的卓越贡献。图片来源：加州大学圣地亚哥分校官网充满传奇色彩的赤子之心自从 1943 年离开故土后，冯元桢的心一直惦记着国家。他曾多次在国际学术会议的讲坛上自豪地说：「我是中国人」，让全世界看到中国人的贡献与智慧。中美关系解冻之后，冯元桢是第一批来华访问的学者。1979 年，他身体力行，在现华中科技大学和重庆大学举办生物力学研习班，带来国际最新的科研动态，同时他无偿资助及指导国内年轻的科研工作者赴外深造。他一共回国 16 次，培养了中国在这方面几乎所有的研究人才，此外，他对台湾、香港、新加坡以及其他地区华人的科学与工程的发展推动也是不遗余力，影响至巨。在冯元桢的大力推动和热情关怀下，我国生物力学作为一门新兴的交叉学科在我国起步、蓬勃发展。作为美籍华人、「六院院士」，冯元桢老先生赤子之心，可鉴日月，巨星陨落，举世同悲。今年，我们失去了 32 位院士，他们在各个领域里做出卓越贡献，极大地推动了我国科研事业的进步。他们忘却自我，从不计较个人得失，是真正的共和国脊梁。斯人已逝，唯有缅怀。如果说人类进步是需要穿越过黑暗道路，科学家们就是举着火把走在最前方的先锋者。从航空泰斗到生物力学之父，冯元桢老先生的传奇人生永不谢幕，他的精神必将照耀着我们继续前行……

当地时间12月15日，美籍华人、世界“生物力学之父”冯元桢先生（Yuan-Cheng Fung)于美国圣迭戈加州大学雅各布医院（UCSD Jacobs Hospital）逝世，享年100岁。1994年6月8日，经过中科院第七次院士大会选举，产生了中国科学院首批外籍院士。此批外籍院士共有14人，其中包括杨振宁、陈省身、冯元桢、李政道等人。冯元桢（Yuan-ChengFung)，生于1919年9月15日，祖籍江苏武进，国际知名学者。生物力学开创者及奠基人，有“生物力学之父”美誉。生前为美国国家工程院院士(1979)，美国国家医学研究院院士(1991)，美国国家科学院院士(1992)，中国科学院外籍院士（1994）及台湾“中央研究院”院士(1966)。据中科院官网介绍，冯元桢于1941年毕业于中央大学航空工程系，后留校任教，同时攻读研究生，1943年获硕士学位。1948年获美国加州理工学院博士学位。1959年任美国加州理工学院教授。1966年至今任美国圣迭戈加州大学教授，是该校生物工程学系的主要创办人之一。曾获国际微循环学会最高奖Landis奖、国际生物流变学会最高奖Poiseuille奖、美国机械工程师学会“百年大奖”(1981)、美国国家工程院“创始人奖”（1998）、美国科学最高荣誉“美国国家科学奖章”（2000）、美国国家工程院“拉斯奖”（2007）等。为表彰冯元桢对科学和科学教育的献身精神，1986年美国机械工程学会设置了“冯元桢青年研究工作者奖”。1966年以前,冯元桢主要从事航空工程和连续介质力学方面的研究并取得卓著成果，其第一部专著已成为气动——弹性力学领域的经典著作。1966年以后致力于新兴交叉领域——生物力学的开拓，是举世公认的生物力学的开创者和奠基人。在这一领域内，冯元桢和他的实验室取得了三个具有里程碑性质的成就，即生物软组织本构关系的研究、肺血流动力学规律的研究以及生物组织器官生长和应力关系的研究。(本文来自澎湃新闻，更多原创资讯请下载“澎湃新闻”APP)

来源：公众号|3D视觉工坊（系投稿）作者：夏初「3D视觉工坊」技术交流群已经成立，目前大约有12000人，方向主要涉及3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等。近几十年来，在运动生物力学和康复环境中对人体运动的研究取得了长足的进步。基于视觉的运动分析涉及从顺序图像中提取信息以描述运动，可以追溯到19世纪后期， Eadweard Muybridge首先开发了捕获屈步态图像序列的技术。此后，运动分析相关技术进步很快，与不断增长的需求相平行，这些技术可以捕获从临床步态评估到视频游戏动画在内的各种运动。在运动生物力学和康复应用中，人体运动学的定量分析是一种功能强大的工具，生物力学工具已经从使用图像的人工注释发展为基于标记的光学跟踪器，基于惯性传感器的系统以及使用复杂的人体模型，计算机视觉和机器学习算法的无标记系统，已经取得了长足的发展。目前在运动生物力学和康复中最广泛使用的运动分析系统不允许在没有附加标记，控制条件和/或大量处理时间的情况下自动收集运动数据。这些限制可能会妨碍在正常的训练或康复环境中常规使用运动捕捉，因此非常需要开发自动无标记系统，并且结合应用计算机视觉和机器学习中的相关技术。无标记运动捕捉系统的四个主要组成部分是：(1)使用的摄像头系统；(2)人体表示--人体模型；(3)使用的图像特征；(4)用于确定人体模型的参数（形状，姿势，位置）所使用的算法。用于推断给定图像数据的人体姿势的算法通常分为“生成式”（模型参数可用于生成针对图像数据进行评估的假设，然后对其进行迭代优化以确定最佳拟合）和“判别式”（使用图像数据直接推断模型参数）。通常，无标记运动捕获系统将具有如下图所示的形式，在此阶段，先前的数据会告知模型设计或基于机器学习的判别算法的训练，然后图像数据将被捕获，处理并输入到可估计人体姿势和形状的算法中。生成算法生成运动捕捉方法是通过将人体模型拟合到从图像中提取的信息来确定人的姿势和形状。对于一组给定的模型参数（身体形状，骨骼长度，关节角度），用生成模型表示。然后可以将该表示形式与从图像中提取的特征进行比较，并计算出一个“误差值”，该误差值表示假设与观察到的数据相差多少。在一种可能性中，可以将由预测参数产生的3D三角形网格投影到2D图像中，并使网格和人的轮廓的重叠最大化，或者，通过将模型的3D顶点与视觉外壳的3D点之间的距离最小化，可以通过迭代算法将3D人体模型与3D重建进行比较最接近的点。对于生成算法的关键因素是对功能的适当定义，该功能将特定的假设与图像中可用的信息进行比较。如果不仔细考虑，那么搜索最佳模型参数集就很容易失败，从而导致估计结果的错误。此外，构造一个对图像噪声和不现实模型构型具有鲁棒性的代价函数是比较困难的。在极端情况下，在追踪开始时需要强迫被捕获者摆出一个特定的姿势。如果拟合之后由于遮挡、图像噪声或其他故障而变得混乱，跟踪在没有人工干预的情况下将无法自我纠正。研究人员已经尝试使用改进的搜索算法、身体部位检测器和最近的姿态识别算法中获得的额外信息，或者通过生成方法和鉴别方法的耦合来解决这种情况。“生成算法”相关文章解析Multi-view Pictorial Structures for 3D Human Pose Estimation摘要：图像结构模型是2D人体姿势估计的标准，已提出了许多改进措施，例如，经过区分训练的身体部位检测器，灵活的身体模型以及局部和全局混合。尽管这些技术允许实现2D姿态估计的最新性能，但它们尚未扩展为支持3D姿态估计。因此，本文提出了一种基于2D姿态估计的最新进展的多视图图形结构模型，并结合了跨多个视点的证据以实现可靠的3D姿态估计。文中评估了HumanEva-I和MPII Cooking数据集上的多视图图片结构方法。与3D姿态估计的相关工作相比，文中的方法仅在单帧上运行，并且不依赖于特定于运动的运动模型或跟踪，从而获得了相似或更好的结果。对于具有更复杂动作的活动，文中的方法要优于最新技术。正文：本文中考虑了来自多个校准摄像机的关节式3D人体姿势估计的任务。传统上，此任务使用3D人体模型解决，并且涉及3D人体配置的高维空间中的复杂推理。为了解决搜索复杂性，已经提出了各种机制，例如退火粒子滤波或非参数置信传播。在本文中，作者认为，通过将3D推理问题公式化为每个摄像机视图中姿势的2D投影的联合推理，可以显着降低搜索复杂度。为此，文中以成功的2D图形结构模型为基础，这些模型被证明对2D人体姿态估计有效。仅仅以2D推理可以将解决2D到3D提升歧义的时间延迟到考虑所有图像观测值的时间点，但是这与基于3D人体模型的方法相反，该方法需要在推理过程的早期就假设3D姿势。本文提出了一种2D姿态估计方法，该方法以色彩特征和更有效的空间术语扩展了作者最新的2D图形结构模型。同样，文中将其推广到混合模型，并提出了一种新的混合组分选择方法。同时文中是将2D姿势估计模型扩展到多视图模型，该模型对从多个角度看到的人的姿势执行联合推理，然后，此模型的输出将用于恢复3D姿势。同时在HumanEva-I数据集和MPII Cooking数据集上评估该方法，该数据集是多视图3D姿态估计的标准基准，在HumanEva-I上，文中的方法达到的准确度与他人文献中的最新结果相当，后者依赖于特定活动的运动模型和跟踪，而本文的方法仅在单帧上运行。在MPII Cooking上，本文的方法比2D方法有了很大的改进，证明了在多个视图中共同估计姿势的优势。1. Single-view model单视图模型1.1 Pictorial structures model在下文中，作者描述了依赖于图形结构模型的2D姿态估计方法。作者介绍了一种更灵活的零件配置和多模式成对，颜色特征和图形结构的混合。图片结构模型将人体表示为N个刚性零件的配置L = {，...，}和成对零件关系E的集合。每个部分的位置由li =()给出，其中(()是该部分的图像位置，而是绝对方向，分解为一元和成对项的乘积：文中不是通过四肢的配置来编码身体姿态，而是通过身体关节的配置来编码。从肢体转换到关节的优点是，新模型可以更好地编码出平面旋转导致的身体部位的透视缩短。文中的新模型有14个部分，分别对应躯干、头部、左、右手腕、肘部、肩膀、脚踝、膝盖和臀部，MPII数据集只使用了10个上半身部分。1.2 Appearance representation零件似然项用增强零件检测器表示，该零件检测器依赖于使用密集计算的形状上下文描述符网格对图像的编码。本文使用颜色特征来增强在增强部分检测器中使用的形状上下文特征，例如手或头部经常具有特征性的肤色。另外，某些颜色比身体部位更可能对应于相应的背景。为此，作者针对RGB颜色空间的每个维度使用10个面元的多维直方图对零件边界框的颜色进行编码，从而得出1000维度的特征向量，将形状上下文与颜色特征连接起来，并在此组合表示的基础上学习增强型零件检测器。1.3 Spatial model下列等式编码模型各部分之间的空间约束，并在两部分之间的关节的变换空间中以高斯分布进行建模：作者通过在这些成对的部分依赖层引入混合模型来扩展模型。为此，将上述公式中的单峰高斯项替换为K个模态的最大值项，并用高斯表示每个模态。新的多模态两两项为:1.4 Mixtures of pictorial structures (Mixture PS)作者将方法扩展到混合图形结构模型。作者通过将训练数据与k均值聚类并为每个聚类学习单独的模型来获得混合成分。组件通常对应于数据中的主要模式，例如人相对于相机的各种视点。组件的索引被视为潜在变量，在测试时进行推断。作者发现使用等式中的后验值对预测最佳混合成分不可靠，因此提出两种替代策略。a. 组件分类器：作者训练了一个整体分类器，该分类器根据人员边界框的内容来区分混合成分。为此，作者使用的方法可以共同解决对象检测和视点分类的任务，但依赖于结构化的预测公式，该公式既可以鼓励正确的定位又可以进行组件检测。b. 最小方差：作者使用与姿势估计的质量直接相关的标准选择混合分量，选择了身体各部位后缘分布具有最小不确定性的最佳组件。2. Multi-view model多视图模型描述3D姿态估计的方法包括两个步骤。第一步，作者共同估算每个视图中3D人体关节的2D投影。作为表示和推断人体姿势的基本工具，作者依赖于单视图模型中引入的2D模型。在第二步中，作者使用估计的2D投影并通过三角剖分恢复3D姿势。为了清楚起见，作者首先针对两个视图的情况介绍多视图模型。类似于单视图模型中的公式，有条件的身体后部结构在两个视图中分解为一元和成对项的乘积，它们为每个视图独立定义零件之间的外观和空间约束。另外，作者在每个视图的每对对应部分之间引入成对因子。两种视图中的关节后部结构由下式给出：2.1 Multi-view appearance因子编码从多个角度看到的身体部位的颜色和形状。作者通过连接来自多个视图的特征来定义关节外观特征向量，并使用此表示来训练增强部分检测器。外观因素取决于每个视图中零件的位置。与单视图增强部分检测器相比，多视图检测器在训练期间可以访问所有视图中的特征，并且可以利用视图中的特征的同时出现，来学习更具判别性的检测器。因子对每个视图中的零件位置应在同一3D位置上的一致性进行约束。给定一对对应的零件位置和，作者首先使用线性三角测量在3D中重建零件的对应位置，多视图对应因子为2.2 3D mixture model多视图模型也采用图形结构的混合来表示每个视图的2D身体配置。但是，在多视图情况下，混合分量对应于3D中类似的姿势组。为了获得此类3D混合分量，作者首先将3D训练姿势与k均值聚类。然后，投影每个3D群集的训练数据，并从投影数据中学习2D模型。对于组件检测器，作者在所有视图中添加相应组件的分数。对于基于不确定性的标准，作者将在单视图模型中的空间模型中为所有视图中的每个对应组件添加不确定性得分。2.3 Inference在简化的假设的前提下，图形结构方法可以进行有效而精确的推断。但是，这些假设限制了模型的表达能力。例如，等式中的成对因子以及等式中的多视图因子不是高斯模型，并在模型结构中创建循环依赖。为了用非高斯因素和循环模型进行推理，作者使用近似两阶段推理程序。在第一阶段，此过程依赖于具有高斯成对因子以及简单的形状和颜色外观术语的简化树结构模型，以便生成有关身体部位位置的建议。这个阶段可以看作是减少搜索空间的步骤，这是应用更复杂的模型所必需的，第一阶段的推论是通过求和积置信传播来执行的，允许计算每个身体部位的边缘分布。该推论是精确而有效的，因为该模型是树形结构的，并且可以使用高斯卷积来计算消息。在第二阶段中，作者从中采样了足够大的位置集，并在所有模型中使用所有因素在采样部分位置的缩减状态空间中进行了推断,使用最大乘积置信度传播，因为它允许获得整个身体配置的一致估计。最后，给定多视图图片结构模型估计的2D投影，使用三角剖分重建3D姿势。实验结果结论：传统上会使用3D人体模型解决3D人体姿势估计问题。在这项工作中，作者采用了另一种方法，并将问题重新表述为对每个摄像机视图中3D姿势的2D投影集的推断。这种替代的公式建立在最先进的图片结构模型的基础上，可以从2D人体姿势估计的最新进展中受益。通过扩展之前提出的原始模型，该模型具有灵活的部分，颜色特征，多模式成对术语以及图形结构的混合，作者的2D姿态估计方法显着提高了用于评估的两个数据集的性能。为了利用多视图信息，作者使用跨视图的外观和空间对应约束来扩充模型。判别算法判别算法避免了反复调整身体模型参数以适应图像的过程，因此它们也通常被称为无模型算法。与生成方法相比，它们通常会有更快的处理时间，改进的健壮性和减少对初始猜测的依赖。然而，它们可以降低精确度，并且它们需要一个非常大的样本数据数据库(甚至比生成算法所使用的构建统计体型模型所需要的数据还要多)，从中它们可以学习如何推断结果。判别算法主要有两种方法，一种方法是直接发现从图像特征到位姿描述的映射，例如使用基于机器学习的回归，从而就有可能“教”计算机如何仅使用图像数据来确定一个简单骨架模型的姿态。另一个方法是利用深度学习来训练一个系统，这个系统可以识别多个人的身体部位，然后快速解析这些部位来确定骨骼。或者，也可以创建一个位姿示例数据库，然后搜索当前图像中已知的最相似的位姿。“判别算法”相关文章解析Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields摘要：作者提出一种有效检测图像中多个人的2D姿势的方法。该方法使用非参数表示（作者称为PAF）来学习将身体部位与图像中的个体相关联。该体系结构对全局上下文进行编码，从而允许自下而上的解析步骤，无论图像中有多少人，都可以在保持高精度的同时实现实时性能。该体系结构旨在通过同一顺序预测过程的两个分支共同学习零件位置及其关联。作者的方法在首次COCO 2016关键点挑战中排在首位，在性能和效率上都大大超过了MPII MultiPerson基准测试之前的最新结果。正文：人体2D姿态估计-定位解剖学关键点或部位的问题，主要集中在寻找个体的身体部位。推断图像中的多个人的姿势，尤其是从事社交活动的人，会带来一系列独特的挑战。首先，每个图像可能包含未知数量的人，这些人可以在任何位置或任何比例出现。其次，由于接触，咬合和肢体关节活动，人与人之间的互动会引起复杂的空间干扰，从而使零件的关联变得困难。第三，运行时复杂度往往随着映像中的人数而增加，这使实时性能成为挑战。在本文中，作者提出了一种有效的方法，可以在多个公共基准上以最先进的精度进行多人姿势估计。作者通过PAF展示了关联评分的第一个自下而上的表示形式，这是一组二维矢量场，它们在图像域上编码肢体的位置和方向。作者证明，同时推断出这些检测和关联的自下而上的表示方式，可以很好地编码全局上下文，以使贪婪的解析能够以少量的计算成本来获得高质量的结果。Simultaneous Detection and Association：作者的架构，如上图所示，同时预测检测置信度映射和编码部分到部分关联的亲和域。这个网络被分成两个分支，上面的分支(用米色表示)预测可信度图，下面的分支(用蓝色表示)预测亲和力域。每个分支都是一个迭代架构，它细化了连续阶段的预测。首先通过卷积网络(由VGG-19和微调的前10层初始化)对图像进行分析，生成一组特征图F，输入到每个分支的第一阶段。在第一阶段，网络生成一组检测置信度图和一组部分亲和场，其中，lawren1和czain1是第一阶段进行推理的CNNs。在随后的每一个阶段中，前一阶段的两个分支的预测，连同原始图像特征F，被连接起来并用于产生精确的预测，并进行了跨阶段的置信度图和亲和度字段的细化。为了指导网络迭代预测第一个支路的身体部分和第二个支路的PAF的置信度图，作者在每个阶段末分别应用两个损失函数和一个损失函数。作者在估计预测和真实地面图和场之间使用L2损失。因此，作者对损失函数进行空间加权来解决一个实际问题，从而使一些数据集不能完全的标记所有人。具体而言，t阶段两个分行的损失函数为:每个阶段的中间监督通过定期补充梯度来解决梯度消失的问题，总目标是：Confidence Maps for Part Detection在训练期间，作者从带注释的2D关键点生成接地的真实度置信图。每个置信度图是特定身体部位出现在每个像素位置的信念的2D表示。理想情况下，如果图像中只有一个人，则只要可见部分可见，则每个置信度图中应存在一个峰值；如果出现多个人，则应该为每个人k对应于每个可见部分j的峰值。作者先为每一个人生成置信图，网络中要预测的接地真实度置信度图是通过最大算子对单个置信度图进行的汇总。Part Affinity Fields for Part Association给定一组检测到的身体部位，如何组装它们以形成未知人数的全身姿势？作者是对每对身体部位检测的关联性进行置信度度量，即它们属于同一个人。测量关联的一种可能方法是检测肢体上每对零件之间的附加中点，并检查候选零件检测之间其发生率，但是，当人们挤在一起时，这些中点很可能支持虚假的关联。这种假联想是由于表示方面的两个限制而引起的：(1)它仅编码每个肢体的位置，而不是编码方向；(2)将肢体的支撑区域减少到单个点。为了解决这些限制，作者提出了一种新颖的特征表示，称为零件亲和力字段，该字段保留了肢体支撑区域中的位置和方向信息。零件相似性是每个肢体的2D矢量场：对于属于特定肢体的区域中的每个像素，2D向量编码从肢体的一部分指向另一部分的方向。每种肢体都有一个对应的亲和力场，将其两个相关的身体部位连接在一起。在测试期间，作者通过计算对应PAF上沿着连接候选零件位置的线段的线积分来测量候选零件检测之间的关联，即作者测量预测的PAF与候选肢体的对齐方式，该肢体将通过连接检测到的身体部位而形成。具体来说，对于两个候选零件位置dj1和dj2，作者沿着线段对预测零件字段进行采样，以测量对其关联的置信度：Multi-Person Parsing using PAFs作者对检测置信度图执行非极大值抑制，以获得零件候选位置的离散集合。对于每个部分，由于图像中有多个人或误判断，作者可能有多个候选对象。这些候选零件定义了大量可能的肢体，作者使用定义的PAF上的线积分计算为每个候选肢体评分。找到最佳解析的问题对应于一个称为NP-Hard的K维匹配问题。在本文中，作者提出了一个贪婪的松弛，该松弛持续产生高质量的匹配项。作者推测原因是由于PAF网络的接收域很大，成对关联分数隐式编码全局上下文。当要找到多个人的全身姿势时，确定Z是K维匹配问题。在这项工作中，作者为优化添加了两个放宽部分。首先，选择了最少数量的边缘来获得人体姿势的生成树骨架，而不是使用完整的图形。其次，进一步将匹配问题分解为一组二分匹配子问题，并独立确定相邻树节点中的匹配。本文中显示了详细的比较结果，该结果表明，最小的贪婪推理以很小的计算成本就能很好地逼近全局解。原因是，相邻树节点之间的关系是通过PAF显式建模的，但是内部，非相邻树节点之间的关系是由CNN隐式建模的。之所以会出现此属性，是因为CNN是在大接收域下训练的，并且来自非相邻树节点的PAF也影响预测的PAF。通过这两个松弛，优化可以简单地分解为：使用相应等式分别获得每种肢体类型的肢体连接候选者。使用所有肢体连接候选者，可以将共享相同零件检测候选者的连接组装成多个人的全身姿势，在树结构上的优化方案比在全连接图上的优化快几个数量级。实验结果：在本文中，作者考虑了这种感知的关键组成部分：实时算法来检测图像中多个人的2D姿势。提出了关键点关联的显式非参数表示形式，它编码了人类四肢的位置和方向。其次，作者设计了一种用于共同学习零件检测和零件关联的架构。第三，作者证明了文中的解析算法足以产生高质量的人体姿势解析，即使图像中的人数增加，该算法也能保持效率。Reference：1.A Review of the Evolution of Vision-Based Motion Analysis and the Integration of Advanced Computer Vision Methods Towards Developing a Markerless System2.Multi-view Pictorial Structures for 3D Human Pose Estimation3.Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

医学人体健康和生物力学工程，压力测量诊断的物联网时代来临了如果问您日常使用中设计最有效，最复杂的工作结构是什么？电动还是混合动力车？发电厂？商用电传飞机？大多数人会用以下答案之一或类似的答案。但是人体呢？我们大脑的容器。我们每个人每天使用的骨骼结构和肌肉系统经常被要求通过举重，跳跃（从一个视频会议到另一个视频会议）或跑步（对于有运动倾向的人，或者对于那些有运动能力的人）吸收异常苛刻的负荷“新常态”期间在家中的小孩子）。我们的骨骼系统由许多关节组成，其中大多数关节必须在正常的一天中不断响应我们对关节的需求。我们身体中的骨骼和肌肉系统会通过复杂而精心设计的人体传递外部和内部的压力和负荷。类似于它们在造船，飞机设计或汽车测试等机械应用中的使用，听到微测量实验应力分析和换能器级产品在人类的研究，诊断和治疗中起着重要作用也就不足为奇了。近年来，生物力学领域（生物结构系统研究的名称）得到了飞速发展。随着这种增长，人们对Micro-Measurements Advanced Sensors Technology应变仪，脆性涂层，应变计仪器和光弹性的兴趣和使用大大增加了。我们的压力和力分析师（应用工程师）定期与初创公司的创始人，医学研究人员，生物力学工程师和实验室技术人员就测试和测量应用进行交流。最近的一些项目包括在复合材料原型替换关节上使用应变计设计人工关节。使用先进的传感器技术CEA和EA应变仪测量通过骨骼结构各部分传递的力；基于应变仪的传感器或混合传感器，可测量各种条件下在血液中产生的压力。应变仪技术在该领域中最有趣的应用之一是由我们的一位客户设计的“生物力学物联网平台”。该平台集成了采用Advanced Sensors Technology和System 8000 DAQ仪器构建的Micro-Measurements应变仪。该平台可测量物体与表面接触所产生的所有力。一个这样的应用是投手通过发条产生的各种力。该平台可以提供有关这些动作性质的精确，准确和可靠的数据。这些信息可以帮助评估人员确定如何提高绩效，诊断问题，规划康复进度，制定培训方法，避免可能的伤害。在体育和医学上都有无数的应用。除原位人体应用外，箔片应变仪也是医疗设备和设备的主要传感元件。一些示例是：研究中的人体：冲击力，液压，运动，重量和身体平衡。非侵入性医学成像和诊断工具。视线，触摸。心血管系统，心脏。运动系统，生物物理的。称重和力测量应用：医疗系统在不同操作条件下的弯曲和轴向载荷，机器人手术设备人体举升系统和医疗秤，病床称重，药物秤。运动康复机。输液泵。血压和心率监测设备假肢反馈控制系统。乳腺摄影。静脉输液袋称重。婴儿保育箱除生物技术和生物医学技术外，对新型超声，医学成像和机器人外科设备的需求不断增长，医疗行业是VPG箔技术和力传感器产品及解决方案（例如应变仪和箔）的重要增长引擎。电阻器。基于医疗保健的最新技术之一是基于家庭的医疗保健技术，例如基于婴儿潮一代和COVID-19大流行的需求推动的患者监护系统。随着人们越来越关注基于家庭的应用程序和基于远程的治疗方法，除了其传感和电子组件的小型化之外，我们还看到了医疗设备的计算能力不断提高。这些进步实现了更小，更机械简单且功能越来越强大的设计，同时又具有高度的可靠性和稳定性。这些传感元件和电子组件的小型化还带来了更大的便携性和可访问性-这是家庭应用中的关键因素，对于远程医疗和人体局域网等全球医疗计划的成功至关重要。2020年，物联网（IoT）和人体健康结构（HHS）在人体内部或外部创造了许多智能医疗设备和元素。人体如何变得聪明？关键在于使用各种类型的应变仪和数据采集系统进行实时数据捕获和分析。通过检测人体环境的变化，然后将模拟物理参数的信号转换为数字数据，应变仪在物联网和HHS中的作用至关重要。性能，长期稳定性，精确控制和安全性是每种医疗应用的关键因素。不幸的是，对于医疗设备的设计人员而言，在为这些设备设计前端应力分析和力测量电路时，必须考虑一些折衷。前端电路组件中的性能参数会影响诊断性能，就像系统配置和目标会影响箔式应变仪或箔电阻器的选择一样。随着这一令人兴奋的领域的发展，在医学和生物力学工程领域的无尽压力分析研究将继续扩大。在另一个领域，箔式应变仪为科学技术的至关重要领域的发展做出了重要贡献。

当地时间12月15日，美籍华人、世界“生物力学之父”冯元桢先生（Yuan-Cheng Fung)于美国圣迭戈加州大学雅各布医院（UCSD Jacobs Hospital）逝世，享年100岁。1994年6月8日，经过中科院第七次院士大会选举，产生了中国科学院首批外籍院士。此批外籍院士共有14人，其中包括杨振宁、陈省身、冯元桢、李政道等人。冯元桢（Yuan-Cheng Fung)，生于1919年9月15日，祖籍江苏武进，国际知名学者。生物力学开创者及奠基人，有“生物力学之父”美誉。生前为美国国家工程院院士(1979)，美国国家医学研究院院士(1991)，美国国家科学院院士(1992)，中国科学院外籍院士（1994）及台湾“中央研究院”院士(1966)。据中科院官网介绍，冯元桢于1941年毕业于中央大学航空工程系，后留校任教，同时攻读研究生，1943年获硕士学位。1948年获美国加州理工学院博士学位。1959年任美国加州理工学院教授。1966年至今任美国圣迭戈加州大学教授，是该校生物工程学系的主要创办人之一。曾获国际微循环学会最高奖Landis奖、国际生物流变学会最高奖Poiseuille奖、美国机械工程师学会“百年大奖”(1981)、美国国家工程院“创始人奖”（1998）、美国科学最高荣誉“美国国家科学奖章”（2000）、美国国家工程院“拉斯奖”（2007）等。为表彰冯元桢对科学和科学教育的献身精神，1986年美国机械工程学会设置了“冯元桢青年研究工作者奖”。1966年以前,冯元桢主要从事航空工程和连续介质力学方面的研究并取得卓著成果，其第一部专著已成为气动——弹性力学领域的经典著作。1966年以后致力于新兴交叉领域——生物力学的开拓，是举世公认的生物力学的开创者和奠基人。在这一领域内，冯元桢和他的实验室取得了三个具有里程碑性质的成就，即生物软组织本构关系的研究、肺血流动力学规律的研究以及生物组织器官生长和应力关系的研究。(来源:澎湃新闻)

近期，中国科学院生物物理研究所研究员李栋课题组、牛津大学教授Marco Fritzsche课题组和伦敦大学学院博士后Emad Moeendarbary课题组合作，在Nature Communications上，同期发表题为Astigmatic traction force microscopy (aTFM)和Two-dimensional TIRF-SIM-traction force microscopy (2D TIRF-SIM-TFM)的研究论文。研究人员提出了两种新型生物力显微成像方法：像散牵引力结构光照明超分辨显微镜（aTFM-SIM）和二维全反射结构光超分辨牵引力显微镜（2D TIRF-SIM-TFM），可对细胞生命活动过程中与周围环境的相互作用力进行二维或三维、高速、长时程、超分辨率观测，并利用这两种技术研究了大鼠嗜碱细胞白血病（RBL）细胞免疫激活和哺乳动物细胞迁移等过程中的作用力，以及其与细胞内微丝骨架动态形变的关联。生物力学（mechanobiology）是研究生命活动中相关力学特性的学科。细胞的生物力学特性与生命活动的一些功能相关，如肿瘤免疫过程、器官的衰老、皮肤和伤口愈合、血管形成、淋巴功能、骨骼、神经元和眼睛活动等生命过程。这些微观力学过程通常发生在亚微米、皮牛和亚秒尺度。牵引力显微镜（traction force microscopy）是最广泛应用于生物力学研究的技术之一，其利用弹性物质表面的荧光微球探针观测细胞和弹性物质互作过程中的微观作用力。然而，传统的牵引力显微镜受限于获取微球位移的精度和速度，只能以稀疏的荧光微球作为探针进行慢速的微米尺度二维观测，应用范围受限。针对传统牵引力显微镜只能二维观测的缺点，基于李栋课题组开发的三维结构光超分辨显微镜（3D-SIM）对荧光微球探针和生物样品进行超分辨观测，高精度确定荧光微球的三维位置，李栋和Marco Fritzsche团队合作，已开发完成第一代三维牵引力显微镜（3D-SIM-TFM，Nano Letters，2019, 19(7): 4427-4434）。由于3D-SIM-TFM通过多层扫描得到微球的三维位置坐标，三维生物力测量的速度依仍受限。针对该问题，研究团队提出基于柱透镜像散的力追踪显微成像方法aTFM-SIM（图1）。aTFM-SIM无需机械扫描仅单次曝光即可高精度追踪荧光微球探针的三维位置，从而计算出细胞表面三维作用力分布。aTFM-SIM的时间分辨率和轴向力追踪精度比3D-SIM-TFM分别提高5倍和10倍。研究团队进一步利用aTFM-SIM以高时、空和力精度观测了RBL细胞的免疫反应过程（图2），以及宫颈癌细胞（HeLa）的贴壁伸展过程。aTFM-SIM可有效研究微米尺度、秒量级和几十皮牛大小微观力学互作过程，但是生命活动过程中也存在大量更快速和更微小的微观力学作用，并且使用二维成像也能观测部分生命活动过程。为了进一步提升观测的时空精度，研究人员使用全反射结构光超分辨显微镜（TIRF-SIM）和牵引力显微镜相结合的方式，开发出2D-TIRF-SIM-TFM显微成像方法；利用粒子图像测速（PIV）算法取代传统的单颗粒追踪算法分析荧光微球探针的位移，可分析更密集的荧光微球探针，微球密度提升15~20倍，最终可有效探测几十纳米尺度、亚秒量级和皮牛大小的微观力学互作。和传统牵引力显微镜相比，2D-TIRF-SIM-TFM的空间和时间分辨率分别提升2倍和10倍以上。研究人员观测发现，2D-TIRF-SIM-TFM可有效解析原代鲑鱼角质细胞迁徙过程中的类旋涡状动态互作，而传统牵引力显微镜却不能（图3）。论文1（aTFM-SIM）的共同通讯作者为Emad Moeendarbary、李栋和Marco Fritzsche，生物物理所副研究员李迪、牛津大学博士后Huw Colin-York和博士生Liliana Barbieri、伦敦大学学院博士后Yousef Javanmardi为论文的共同第一作者，生物物理所博士后郭玉婷为论文第二作者。论文2（2D-TIRF-SIM-TFM）的共同通讯作者为李栋和Marco Fritzsche，牛津大学博士生Liliana Barbieri、博士后Huw Colin-York和博士后Kseniya Korobchevskaya为论文的共同第一作者，李迪为论文第二作者。研究工作得到国家自然科学基金委、科学技术部、中科院、中国博士后科学基金的资助。图1.aTFM-SIM生物力测量方法示意图图2.aTFM-SIM活细胞成像观测RBL细胞免疫反应过程中的生物力，及其与微丝动态形变的关联图3.原代鲑鱼角质细胞迁徙过程中的微小位移的观测结果，2D-TIRF-SIM能清晰观测到旋涡状的作用力产生过程论文链接：https://www.nature.com/articles/s41467-021-22376-w

雷锋网按：2018 全球人工智能与机器人峰会（CCF-GAIR）在深圳召开，峰会由中国计算机学会（CCF）主办，由雷锋网、香港中文大学（深圳）承办，得到了深圳市宝安区政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会，旨在打造国内人工智能领域最具实力的跨界交流合作平台。在第二天的机器人行业应用专场，中国科学院深圳先进技术研究院夏泽洋博士发表了主题为“精准口腔正畸诊疗机器人技术与系统”的精彩演讲。展示了口腔正畸诊疗机器人的最新研究成果。夏泽洋博士是中国科学院深圳先进技术研究院研究员、博士生导师，是广东省杰出青年科学基金获得者、吴文俊人工智能自然科学奖获得者、“国家重点研发计划”国际合作重点专项负责人，广东省重大科技专项负责人，中国科学院青年创新促进会广州分会副理事长，深圳市“孔雀计划”人才。在报告中，夏泽洋博士首先介绍了所在实验室的情况。夏博士2012年从美国回到深圳，在中科院深圳先进技术研究院创建了医疗机器人与生物力学实验室。实验室主要围绕医疗机器人与生物力学交叉方向的共性关键技术，包括创新性机器人系统设计、特殊环境下的机器人运动规划与控制、面向医疗机器人应用的若干生物力学问题，并重点在智能服务与操作机器人、精准口腔诊疗机器人、软体医疗及康复机器人几个方向开展研究工作。具体应用上，实验室主要开展了以下三个方面的研究。第一，开展了用于机器人操作的目标识别与定位、感知控制、状态监测等关键理论和技术的研究。第二，开展了用于口腔正畸诊疗的计算生物力学及机器人制备等关键理论与技术的研究。第三，研发了软体医疗及康复机器人系统设计与控制等关键理论与技术的研究。介绍完实验室基本情况和重点关注领域之后，夏博士重点介绍了精准口腔正畸诊疗机器人技术与系统的研究进展，并表示主要技术性研发工作已基本结束，后续主要工作是临床示范应用和商业推广。夏博士首先展示了传统口腔正畸临床治疗的基本流程。首先要取牙模，人工制作石膏模型，做测量，做蜡模排牙，最后做矫治器的设计和弯制。整个过程是采用试错的方式进行，存在治疗效果欠佳、周期长、综合成本高等问题。雷锋网注:传统口腔正畸临床治疗典型过程（图片来源于网络）针对上面提到的问题，夏博士团队开展了精准口腔正畸诊疗机器人的研究。该研究以口腔正畸学为临床机理，以计算生物力学为诊疗方法，最后通过机器人技术进行临床实施，旨在从基于组织生物力学的精准诊断与预测、个性化矫治器的自动制备等多个方面来提高正畸治疗效果、降低综合治疗成本。雷锋网注：精准口腔正畸诊疗机器人系统（图片来源于CAS/SIAT医疗机器人与生物力学实验室）上述工作中的基础性工作是组织重构。区别于目前临床的商业CT提供的软件和其他的商业软件基于骨密度值的重构，组织重构得到的牙齿、牙周膜、牙槽骨都可以独立操作，为团队后期辅助诊疗的工作奠定了基础。雷锋网注：利用口腔组织重构方法得到的“牙齿-牙周膜-牙槽骨”复合体模型（图片来源于CAS/SIAT医疗机器人与生物力学实验室）有了组织重构的基础后，团队建立了可视化辅助诊疗系统，并开展了基于生物力学的治疗模拟工作。通过正畸力的模拟及牙齿移动的模拟可对治疗方案进行优化，同时也可以对矫治器的设计进行优化。雷锋网注：“矫治器-正畸力-牙齿移动”的多级治疗模拟方法示意图（图片来源于CAS/SIAT医疗机器人与生物力学实验室） 左：“矫治器-TPBC”生物力学仿真模型；中：正畸力仿真示意图；右：牙齿移动仿真示意图矫治器设计完成后，下一步要做矫治器制备。目前实验室已建立了矫治器自动制备机器人系统，制备一套弓丝矫治器只需要几分钟时间，之后可以清洁打包，传递到合作的临床单位。雷锋网注：个性化弓丝矫治器机器人自动弯制（图片来源于CAS/SIAT医疗机器人与生物力学实验室）最后，夏博士展望了以后口腔正畸诊疗的场景：像深圳这样一个大城市，每个区建一个制备中心就可以了。患者来到医院或者诊所，扫描一下CT图像，终端自动完成组织重构、治疗规划，医生花上几分钟时间，把这个结果呈现给患者，如果患者同意开展治疗，医生就可以请患者在旁边喝一杯咖啡，再把数据传递给机器人制备中心。很快，机器人制备中心通过同城快递三十分钟把矫治器送到诊所，如果患者不需要进行拔牙等前期处理，喝完一杯咖啡第一个矫治器就可以装上了。在此基础上，夏博士及其研究团队希望通过上述基础理论和关键技术推动临床口腔正畸诊疗从当前基于试错的经验诊疗模式提升到可预测的精准诊疗模式，最终实现在合理的时间内给予患者个性化、可预测的口腔正畸治疗。

新京报讯（记者 王洪春）今日（12月19日）上午，新京报记者从中国科学院学部工作局证实，生物力学的开创者和奠基人、中科院首批外籍院士冯元桢（Yuan-Cheng Fung）日前逝世，享年100岁。冯元桢资料图。 图/加州大学圣地亚哥分校官网在美逝世，享年百岁今日，有消息称，美国当地时间12月15日，美籍华人、世界“生物力学之父”、中国科学院院士冯元桢逝世。新京报记者检索发现，美国加利福尼亚州当地媒体12月18日消息称，加州大学圣地亚哥分校（UCSD）教授冯元桢于12月15日在该校雅各布斯医学中心（Jacobs Medical Center）逝世，享年100岁。今日上午，新京报记者从中国科学院学部工作局证实冯元桢逝世的消息。工作人员介绍，系北京时间12月17日从其他院士处得知此事，“在美国去世的。”至于具体时间、葬礼等相关事宜，其称暂不清楚，应由冯元桢生前所在单位加州大学圣地亚哥分校公布。新京报记者就此联系加州大学圣地亚哥分校，尚未收到回复。2000年，冯元桢（右）获美国国家科学奖章，携妻子与时任美国总统克林顿（左）合影。 图/加州大学圣地亚哥分校官网被公认为生物力学的开创者公开资料显示，冯元桢1919年生于中国江苏省武进县，后移居美国。1941年，他从中央大学航空工程系毕业，1943年获该校硕士学位，1948年获美国加州理工学院博士学位，1959年任该校教授。据中科院官网资料，1966年以前，冯元桢主要从事航空工程和连续介质力学方面的研究并取得卓著成果，其第一部专著已成为气动－弹性力学领域的经典著作。1966年以后，他致力于新兴交叉领域——生物力学的开拓，是举世公认的生物力学的开创者和奠基人。冯元桢曾表示，自己从上个世纪50年代开始自学生理学，当时他已年近40岁。由于远在国内的母亲得了青光眼，他希望做点研究工作，能对她有些好处。后来，他试图将力学与生理学研究结合，“我想证明，生理问题可以通过工程方法解决。”1966年，冯元桢从加州理工学院辞职，前往加州大学圣地亚哥分校做生理学和生物工程学相关研究。他在2007年的一次演讲中说：“我转向以人为本的生物工程，因为我觉得尽管我们对飞机了解很多，但对自己却了解不多。”中科院官网资料显示，在生物力学这一领域内，冯元桢和他的实验室取得了三个具有里程碑性质（突破性）的成就，即生物软组织本构关系的研究，肺血流动力学规律的研究以及生物组织器官生长和应力关系的研究。冯元桢（中）翻看研究人员送的生日贺卡。图/加州大学圣地亚哥分校官网系中科院首批外籍院士冯元桢生前为美国国家工程院院士（1979年），美国国家医学研究院院士（1991年），美国国家科学院院士（1992年），中国台湾“中央研究院”院士（1966年），曾获国际微循环学会最高奖Landis奖、国际生物流变学会最高奖Poiseuille奖、美国机械工程师学会“百年大奖”、美国国家工程院“创始人奖”等。同时，冯元桢还是中国科学院第一批外籍院士。1994年，中国科学院第七次院士大会修订并通过了《中国科学院院士章程》，选举产生了首批中国科学院外籍院士，包括美国生物力学家冯元桢、美国理论物理学家杨振宁、美国数学家丘成桐等共14位。根据《中国科学院院士章程》规定，对中国科学技术事业做出重大贡献，在国际上享有很高学术地位的外籍学者（含外国籍的华裔学者）可被推荐当选为中国科学院外籍院士。当选的外籍院士为终身荣誉，对中国科学技术发展和中国科学院学部工作有建议权，可应邀约出席学部组织的有关会议和学术活动，可获得学部赠送的有关出版物。校对 李铭