导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本发明公开了一种基于回转式固定床的二氧化碳高温循环脱除方法，填充钙基吸收剂的固定床转子旋转至高温烟气侧通道，烟气中CO2被钙基吸收剂填料脱除并形成CaCO3，脱除CO2后烟气排出，CaO则通过碳酸化反应转化为CaCO3；固定床转子继续携带已转化为CaCO3的填料旋转至燃料气侧通道，燃料气与纯氧通入该区域发生燃烧并放出热量为CaCO3分解供热，释放出高浓度CO2，随后CO2由该反应区排出并被封存或作他用，CaCO3分解再生为CaO；内部填料再生后的固定床转子重新旋转至烟气侧捕获分离烟气中CO2，利用转

一种通过用胶带预处理基底来气相沉积生长单层MoS 2 枝晶的方法，有意在初始成核阶段和/或生长过程中引入孪晶缺陷，实现单层MoS 2 树枝晶的形貌调控。所得的MoS 2 晶体具有六次对称的骨架，分枝数可调。其形状的演化过程是由胶黏剂种子诱导的双晶缺陷形核和局部硫/钼源蒸气比的协同效应所引起的。此外，由于硫空位的富集，极大地增强了循环孪晶区的光致发光效率。该工作为合成可控形状的单层MoS 2 提供了一种简便有效的策略，同时也为理解孪晶缺陷的生长机制以及在其电催化和光电催化等领域的应用做出了贡献。

本发明涉及一种多视角地面激光点云数据自动化全局配准方法。该方法分为两个关键的模块:语义 特征点的提取与特征匹配。第一步，进行语义特征点的提取，通过数据切片、距离聚类、几何基元拟合 等一系列方式，获得语义特征点;第二步，进行语义特征点的匹配，通过构建三角几何约束条件与语义 约束条件来匹配语义特征点;并采用几何一致性的聚类方式剔除其中错误的匹配;最后，以匹配的特征 点个数的倒数作为权值，构建一个加权无向图，以加权无向图的最小生成树作为配准的路径，最终得到 各个站的全局配准参数，实现全局最优配准。本发明构筑了一种适用于多视角的自动化地面站激光点云 配准方法，该方法能够有效抵抗噪声、点密度与遮挡的影响，提高了激光扫描作业效率，具有很好的实 用价值。

本发明公开了一种数控成品电路板在环境综合作用下的可靠性 快速测评方法，包括：（i）选择温度和直流偏压做为加速应力，为待 执 行 测 评 的 电 路 板 构 建 加 速 模 型 （ⅱ）确定加速应 力水平和应力组合数，分组进行加速寿命试验同时纪录试验数据； （iii） 选取寿命分布模型并根据试验数据进行参数求解，计算出不同加速应 力组合下的特征寿命值；（iv）根据特征寿命值对电路板加速模型进 行拟合和模型系数确立，然后执行可靠性测评，从而获得数控成品电 路板在环境综合作用下的可靠性指标。通过本发明，能够快速、定量 地确定数控成品板在环境综合作用下的可靠性指标，满足系统可靠性 快速评估的要求，并且整体流程便于操作，效率高，满足数控系统高 可靠性的要求。 

本发明属于高分子材料合成技术领域，具体为一种基于三嗪类化合物的金属主链高分子及其合成方法。本发明借助三嗪类化合物高效的反应活性、优异的配位能力以及有效的电子调控特性，实现辅助配体框架的高效精准合成；然后，利用配体辅助合成策略，以配体作为模板在加热条件下与金属离子化合物进行配位反应，实现金属离子的有序聚合，最终合成出分子量为11.14 KDa的三嗪类镍金属主链高分子。本发明首次合成出分子量达到一万阈值的金属主链高分子，具有分子结构精准可控、金属‑金属键相互作用力强的优点，同时，分子量的提升为金属主链高分子带来吸收可见光的能力、半导体的电学带隙以及溶液加工性，推动金属主链高分子材料的合成技术进一步发展。

成果描述：本发明公开了一种柴油机微粒捕集器DPF碳累积量估计方法，通过压差传感器测得DPF前后总压力差，根据DPF前后总压力差和废气体积流量得到DPF的总流阻，根据灰分质量和废气体积流量得到DPF残余碳产生的流阻，总流阻减去白载体流阻及残余碳产生的流阻即可得到积碳所产生的流阻，根据积碳产生的流阻与废气体积流量即可得到碳积累量；所述灰分质量通过废气质量流量和发动机转速经过积分计算得到。本发明提出了碳积累量增量估计方法，可以基于当前总流阻、当前灰分质量和当前废气体积流量计算出碳积累量的增量，然后得到当前的碳积累量。本发明方法得到的DPF碳累积量估计精度更高，而且避免了使用现有估计方法中物理意义不明确的参数，估计过程更加快速精确，从而大大提高了判断DPF再生时机的准确性。市场前景分析：内燃机技术领域。与同类成果相比的优势分析：技术先进，性价比较高。

本发明公开了一种人体动作增强可视化方法及人体动作增强现实系统，该方法通过人体动作获取设备提取人体骨架动作信息，将其设置为边界条件及外力，使用计算流体力学的方法，在叠加的图层上进行气流运动的仿真，并将气流下密度场的变化与运动数据同步显示，从而增强各类动作的可视化效果，适用于对微小及瞬时动作的可视化。本发明通过计算自动合成增强运动效果的视觉数据至原人体动作视频上，无需人为地对动作数据进行后续的处理，可配合增强现实眼镜或其他相机显示一体设备，应用于增强现实等领域。

成果介绍一种城市中心区位置和聚集强度的确定方法，在城市建成区用地图中确定城市建成区几何重心、城市人口分布重心和城市道路交通可达性重心，将所述三个重心两两连接，得到的区域即为城市中心区位置；区域面积的大小对应各个重心聚集强度，区域面积越小，中心区聚集强度越高。本发明提供一种确定城市中心区位置的技术方法，具有理论基础的完善性、数据选取的客观性、计算方法的科学性、空间类型的针对性等特点，应用本发明所述的方法进行城市中心区位置以及聚集强度的确定，更具科学性、合理性和可操作性，为中心区研究提供了良好的技术平台。技术创新点及参数一种城市中心区位置和聚集强度的确定方法，在城市建成区 用地图中确定城市建成区几何重心、城市人口分布重心和城市道路交通可达性重心，将 所述三个重心两两连接，得到的区域即为城市中心区位置；区域面积的大小对应各个重 心聚集强度，区域面积越小，中心区聚集强度越高。城市建成区几何重心、城市人口分布重心和城市道路交通可达性重心的确定方法。市场前景本发明属于城市规划技术领域，为一种城市中心区位置和聚集强度的确定方法。

本发明公开了一种芳香族硝基化合物选择性加氢还原方法，包括：将介孔氮化碳负载的纳米钯催化剂、水和芳香族硝基化合物加入到反应容器中，氢气氛围中反应完全，后处理得到对应的芳香族氨基化合物。本发明选用介孔氮化碳负载的纳米钯催化剂对芳香族硝基化合物进行选择性还原，选择性和转化率均在99％以上，且还原条件温和，可操作性强，具有很强市场化前景。