HKM定制汽车轮毂六分力传感器动态测试路谱

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

六价铬对人体具有慢性毒害，可以通过消化道、呼吸道、皮肤和粘膜侵入人体，主要积聚在人体内的肝、肾和内分泌腺中。六价铬有强氧化作用，所以慢性中毒往往以局部损害开始，逐渐发展到不可救药。通过光催化可实现六价铬还原为无毒害的三价铬。现有光催化剂多数只能利用紫外光区域，催化性能较低。酞菁在可见光区域具有良好吸收效果，通过利用八甲基取代的酞菁铜纳米棒与氧化石墨烯制备复合材料，可以有效提高光催化剂的光谱吸收范围，实现太阳能的充分利用，同时加快电荷传输，实现在水溶液中高效还原六价铬，在日常太阳光照下两小时内降解97%的水中的六价铬。

常见的纳米酶大多数是金属化合物纳米颗粒，其催化活性主要是来自在纳米颗粒表面的金属离子。在自然界中，生物酶的特征表明活性位点和支持、稳定活性位点的网络环境对于高催化效率同样重要。通过调整活性位点的成分和环境可以实现高的活性和选择性。水凝胶是一类具有良好生物相容性的三维亲水网络材料，其结构可以有效地保护酶分子活性中心，同时提供更好的底物迁移微环境，从而实现有效的催化作用，载酶水凝胶材料已成为生物学研究中的热点。纳米凝胶为水凝胶的纳米粒子，具有类似于宏观水凝胶材料的亲水网络及类似流体的传输特性，其纳米的尺寸可以作为进一步体内生物应用的理想载体。在受限的纳米空间中实现修饰或组装以获得杂化纳米凝胶仍然存在挑战。应对这一挑战，同济大学化学科学与工程学院王启刚团队从仿生的角度出发，设计了一种酶催化的原子转移自由基聚合（ATRPase）和金属配位交联方法成功制备出纳米人工多酶凝胶体系。该体系具有模拟超氧化物歧化酶（SOD-like）和过氧化物酶（POD-like）特性，可以实现肿瘤微环境级联催化的响应成像。日前，相关研究成果以“Multienzyme‐Mimic Nanogels Synthesized by Biocatalytic ATRP and Metal Coordination for Bioresponsive Fluorescence Imaging”为题，发表在国际著名学术期刊 Angewandte Chemie International Edition （《德国应用化学》） 上。同济大学化学科学与工程学院为该文的唯一通讯作者单位，硕士生齐美园为第一作者，王霞副教授和王启刚教授为共同通讯作者。 图1.（a）人工多酶凝胶体系的ATRPase及配位交联制备流程（b）模拟SOD和POD级联酶催化的肿瘤微环境响应的荧光成像机制。研究人员首先在纳米粒子表面修饰酶催化的原子转移自由基聚合的引发剂(-Br)，以具有良好生物相容性的生物酶为催化剂，修饰有双键的赖氨酸（N-acryloyl-L-lysine）为聚合单体，在纳米粒子周围聚合制备得到聚赖氨酸高分子刷，最后通过亚铁配位交联，从而构建出具有多酶活性的人工多酶凝胶体系（如图1所示）。凝胶体系中高分散的Fe离子一方面作为凝胶网络的交联剂，同时作为模拟酶的活性中心。通过模拟SOD和POD酶，先将肿瘤部位高水平的O 2 •− 催化转化为H 2 O 2 ，进一步基于肿瘤部位提升的H 2 O 2 通过级联酶催化反应实现肿瘤微环境响应的安全、高效的肿瘤成像。该人工多酶凝胶体系类似自然的过氧化物酶催化机制不产生羟基自由基，具有低毒性和高生物安全性。同时，ATRPase方法和金属配位交联技术可进一步实现多种纳米材料体系的制备，用于药物输送和其他生物医学应用。该研究成果得到了国家自然科学基金、国家重点研发计划等经费支持以及中国科学院强磁场科学中心的技术支持。王启刚教授团队多年来一直致力于高分子凝胶固定酶技术及其生物诊疗应用，近5年累计以通讯作者在 Adv.Mater. ,  Nat. Commun. ,  Angew. Chem. Inter. Ed. 等期刊发表SCI论文50多篇。文献链接：https://www.onlinelibrary.wiley.com/doi/abs/10.1002/anie.202002331  PDF：anie_202002331.pdf课题组网站：https://qgwang.tongji.edu.cn/

本发明公开一种基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法，通过姿态传感器分别获取人体手臂的各个姿态信息，并输入至控制器，人体手臂发力通过摇杆作用于六维力传感器上，六维力传感器输入相应信号至控制器，控制器将获取到的姿态参数以及力觉参数，通过建立的意图识别模型解算，并控制康复训练机器人做出相应动作，对康复训练机器人实现控制，以实现微弱主动力下的辅助主动训练。