复旦大学光子晶体课题组长期聚焦光子晶体等微纳光子材料的光场调控研究和针对微纳材料和器件的先进光学量检测技术的开发和应用，与上海复享光学股份有限公司合作在基础创新、技术突破和产学研转化方面取得了一系列成果。 一、项目分类 显著效益成果转化 二、成果简介 当今，光，作为几乎所有远程探测的手段和信息传播的媒介，对光的多维度测量分析和自由调控，既直接关系到未来信息收集、处理和传输的灵敏度和速率，也与先进微纳制造的精度、效率和能耗等诸多国家核心技术的竞争力息息相关。 复旦大学光子晶体课题组长期聚焦光子晶体等微纳光子材料的光场调控研究和针对微纳材料和器件的先进光学量检测技术的开发和应用，与上海复享光学股份有限公司合作在基础创新、技术突破和产学研转化方面取得了一系列成果。 在基础创新方面： ①动量空间光学测量思想：光与微纳结构的相互作用遵循频率-动量色散关系，也被称为光子能带。在原理上，类似于半导体利用其电子能带操控电子，光子晶体等微纳光子材料也可以通过光子能带操控光。而光子能带的本质存在于动量空间。相比于已经商业化的可探测固体材料动量空间中复杂电子能带的多维度角分辨光电子能谱设备，针对光子晶体等光子材料动量空间中光子能带的多维度光谱测量技术和设备在全世界尚属空白，亟需发展。团队突破了传统光谱测量思路，提出了从动量空间视角量检测微纳光子器件光学性能的思想。 ②适合微纳尺寸器件的动量空间成像技术：微纳尺寸的测量依赖显微镜。但显微技术在追求实空间分辨率的同时丧失了动量空间的分辨能力。此成果将傅里叶光学技术与显微技术相融合，解决了动量空间成像的像差和色差问题，实现了实空间和动量空间的双高分辨率。 ③多维度光学信息提取：相位和偏振态是可供光子器件信息调制的新自由度。团队将时域外差干涉技术延拓到具有显微分辨能力的动量空间外插干涉技术，单次成像实现了在光波长尺寸内40毫弧度的相位测量精度。同时，建立了适合于动量空间成像测量技术的耦合模理论，实现了在非相干的白光照明下任意椭圆偏振态的测量。 ④光学量测中国解决方案：处于芯片产业上游的微纳制程光学量测环节，是芯片良品率控制的关键。在此关键领域，我国远远落后于国际先进水平。动量空间成像光谱技术所采集的多维度光谱信息富含微纳结构的三维形貌信息。团队提出并实现了基于动量空间成像光谱技术的全新光学微纳制程量测新原理和新技术。该原理利用深度神经网络构筑了微纳米尺度结构与动量空间色散的构效关系和映射。同时，由于在所测量的色散关系中包含了冗余的结构信息，因此在实际技术应用中极大优化了量测逆问题中测量噪音带来的病态问题。 ⑤相关成果：团队以通讯作者发表1篇Nat.Photon.，1篇Nat.Commun.，3篇PRL，4篇Light：Sci.&Appl.，1篇Sci.Bull.，1篇Light:Advanced Manufacturing等国内外高水平期刊论文。动量空间成像光谱技术使动量空间得以被直接实验观测，并成为发现新光场调控机制的眼睛。团队利用此技术首次实验揭示了动量空间中存在具有拓扑奇点的偏振场，提出了动量空间中光场调控的新思路，开辟了光子晶体在全偏振态、涡旋光束生成和光束位移操控方面的新应用。由于周期性光子晶体无几何中心，因此不需光学对准，具有应用价值，成果被评为2020年度中国光学十大进展，入选ISI高被引论文。日本NTT首席科学家Notomi在Nat.Photon.上以"动量空间中的拓扑成真"为题对团队工作进行专题报道，给予高度评价。 在技术突破方面： ①在国际上首次实现了广谱符合阿贝正弦关系的动量空间成像光谱设备。其中动量分辨率小于1.7毫弧度，实空间分辨率小于600纳米，相位分辨率小于40毫弧度，最大偏振度误差小于1%，波长分辨率小于0.1纳米。 ②结合产业需求和动量空间成像光谱技术的优势，提供了一系列产业问题的分析解决方案，包括利用动量空间偏振依赖的辐射分布量测发光分子三维取向分布和利用动量空间光子色散关系逆向量测微纳结构纳米精度的三维形貌等。实测结果达到亚纳米分辨稳定性和98%以上的置信度，测量膜厚与计量认证厚度差异小于5埃。 ③相关成果授权发明专利9项，在申请PCT国际专利2项。

该项目重点研制了VXI/CPCI监测单元、基于LabVIEW的监测诊断平台和融网络诊断工具和故障数据于一体的专家会诊环境，构建了包含基于Intranet的监测诊断平台和基于Internet的虚拟诊断中心两个层面的监测诊断网络，不仅可以全面在线监测诊断企业关键设备的运行状态和故障，并可以对疑难故障实现异地多专家的网上多媒体会诊。

成果与项目的背景及主要用途：本技术、设备与配套的产品应用于污水处理领域。其成果主要包括：新型膜组件反应器、新型处理工艺和具有安全环保优势的免维护系统。其中新型膜组件反应器是以聚偏氟乙烯（PVDF）为材料，以耐腐蚀材料为骨架，具有独立知识产权；新型处理工艺和具有安全环保优势的免维护系统能够具有：出水清澈透明、容积负荷高、占地面积小、抗冲击负荷能力大、剩余污泥产量低、系统运行管理简单、运行成本低、易于集成并实现自动化等特点。本产品具有联合组装曝气功能，应用该它可以很好的将区域污水、洗浴废水、生物难降解废水和医药制药废水等进行处理。处理后的出水水质完全满足国家城市杂用水的水质标准。是目前国内外公认的、在区域（小区、开发区等）中水回用领域中最先进的处理技术之一。 技术原理与工艺流程简介：近年来，随着膜生产技术的提高和生产成本的降低，膜技术在污水处理领域中的应用特别是与生物反应器相组合的膜生物反应器（MBR：Membrane Bio-Reactor）作为一种新型高效污水处理技术在国际上受到了广泛关注。以超滤或微滤膜与传统的活性污泥生化处理技术相结合而成的膜生物反应器，以膜分离过程取代重力沉降过程，不论污泥颗粒的沉降性能如何，均可完成固液分离过程，并且可以避免因生物体流失而造成的系统运行失败。此外，采用膜分离与活性污泥法相结合的膜生物反应器处理含碳有机物，能使有机物深度氧化，并且能完全保留生物体，使污泥保留的时间相当长，从而完全保留体系中缓慢生长的硝化细菌，可同时通过硝化与反硝化作用成功除氮，在低温时亦能维持高处理能力。MBR 反应器能够维持高处理能力而使处理厂规模缩小，还可通过维持低 F／M 比例减少剩余污泥产量。对于各类污水，使用本产品进行处理是一种特别有效的方法，它可以将生物降解的物质分离出去，而将微生物留在生物处理池中。这样可以使生物池内微生物的含量处于最佳浓度，反应速度最快。和其他污水处理方法相比，使用膜生物反应器进行再生水处理不仅可以节约大量水资源，还可以减少设备占地，节约能源，减少设备和运行和管理费用，避免二次污染，有着很好的环境效益、社会效益和经济效益。 技术水平及专利与获奖情况： 已经获得的相关专利： 1．带有电位测控的工业废水处理系统（发明专利） 2．膜反应器（实用新型） 已经申请的相关专利： 1．超声波膜反应器（2004200289565.4） 2．工业废水气动搅拌机（200420056558.3） 已经获得的奖项：高校节水技术（天津市科技进步二等奖） 应用前景分析及效益预测：通过本产品的应用，可以带来巨大的环境效益、生态效益、经济效益及社会效益，通过中水回用项目，使天津大学成为国内第一所具有一流的教育环境、一流的节水技术（包括节水器具）全面综合开发的研发基地，为实现天津市创建环境保护模范城市的奋斗目标，为天津市的发展以及全国各高校的建设提供了一定的借鉴作用。该项目经济效益显著，其年投资与效益分析约为 1:0.4 左右，即可以得到约 40%的回报。 应用领域：环境保护、污水回用。

EDI（电去离子）是一种将电渗析和离子交换技术相结合的超纯水制备工艺-2。 核心优势：其最大的优点是在直流电场的作用下，系统内的离子交换树脂可以连续不断地自动再生，无需像传统混床离子交换那样停机使用酸碱进行化学再生-2。这使得它可以连续、稳定地生产高纯度水，无化学污染排放，运行和维护成本也更低-2。 出水能力：采用EDI技术为核心的系统，通常结合反渗透（RO）等前置工艺，可以稳定地产出电阻率达到15 MΩ·cm以上的高纯水-2，最终出水的电阻率最高可达18.2 MΩ·cm（25℃）的超纯水-1-5-8

成果简介：矿化处理有机废水技术利用添加剂产生高能量物质破坏污染物分子的化学键，使污染物分子由大变小，最终可以把污染物分子中的碳转化为二氧化碳，从而消除有机物污染物，提高水质。该技术具有以下特点：不产生淤泥和二次污染物；可以处理含有较高盐浓度的有机废水；气温的变化对 该技术的处理效果影响较小，炎热的夏天和寒冷的冬季都可以降解废水中的 有机物；几乎可以降解废水中的各种有机物，尤其是高浓度的有机废水；该 方法工艺性能

XM-164人体骨杠杆分类模型   XM-164人体骨杠杆分类模型由头颅骨（含下颌骨）的矢状切，第1－5颈椎的矢状切，胫骨和腓骨下段、距骨、肱骨、前臂骨、手骨（示手舟骨、头状骨、第三掌骨和中指骨）等组成，根据骨杠杆类型分别将上述骨加以连接，分别贴于杠杆的支点、力点和阻力点等标签，可观察人体骨杠杆概念分类和三类骨杠杆的传递力、平衡力、省力以及增大运动幅度与速度等所起的作用。 尺寸：自然大，60×44×12cm 材质：PVC材料

XM-165人体骨关节分类模型   XM-165人体骨关节分类模型将人体分为单轴关节、双轴关节、多轴关节以及屈戌关节、车轴关节、双髁状关节、鞍状关节、椭圆关节、球窝关节、杵臼关节和平面关节。 尺寸：自然大，60×44×12cm 材质：PVC材料

洁净厂房作为高洁净度生产场景的核心载体，其选址规划、厂区布局、主体建设与配套设施设计，直接决定了生产环境的洁净可控性与产品质量安全。为从源头规避污染风险、保障洁净生产体系长期稳定运行，结合行业合规要求与工程实践经验，对洁净厂房全流程建设核心要求进行系统化规范与细化明确如下： 一、洁净厂房选址核心要求 洁净厂房选址应遵循 “源头防控、合规优先、风险可控” 的基本原则，优先选择环境清洁、无显著污染隐患的区域，从地理区位上杜绝外源污染物对生产环境的侵扰，核心管控要求如下： 污染源防护距离管控洁净厂房选址应与各类有毒有害场所及其他污染源，保持不低于 25 米的最小卫生防护距离，确保生产环境不受外源污染物污染。其中污染源特指可能产生病原性微生物污染、严重危害性污染物的场所，主要分为三大类：一是工业扩散性污染源，包括化工厂、水泥厂、石材加工厂、石灰厂、冶炼厂、危险化学品生产仓储企业等，存在持续性粉尘、有毒有害气体、放射性物质及其他扩散性污染物隐患的场所；二是固体废弃物与环卫污染源，包括生活垃圾、工业固废的收集、存放、中转、处置全链条场所；三是生物性污染源，包括畜禽屠宰场、规模化畜禽饲养场、公共厕所、集中式污水处理设施等易滋生病原微生物、产生恶臭污染的场所。 选址环境底线要求厂区严禁选址于对食品、药品、精密元器件等生产产品存在显著污染风险的区域，厂区周边不得存在有毒废弃物处置点、持续性粉尘排放源、有毒气体扩散源、放射性物质存放点等无法通过防控措施消除的扩散性污染源。选址阶段应同步评估区域常年主导风向，优先将洁净厂房设置于污染源的常年主导风向上风向区域，避开下风向污染扩散带，最大程度降低大气污染物侵入风险。 不可规避污染源的防控要求若区域内各类污染源难以完全避开，必须开展专项污染风险评估，并配套设置可靠、有效的污染防范措施。包括但不限于设置全封闭物理隔离围挡、高密度防护林带、强化净化新风系统的多级过滤等级、调整新风取风口位置与高度等，经技术验证可彻底清除污染源对生产环境造成的影响，杜绝交叉污染风险后，方可开展后续建设工作。 二、厂区总平面布局与环境管控规范 厂区整体布局应遵循 “功能分区清晰、动线合理分离、污染全程防控” 的原则，实现厂区全域环境的闭环管控，核心要求如下： 功能分区与交叉污染防控厂区应按生产属性、洁净等级、使用功能，明确划分洁净生产区、辅助生产区、仓储物流区、办公生活区四大功能板块，各区域边界清晰、动线独立，严禁交叉设置。其中生活区与洁净生产区必须保持足够的防护距离或完全物理分隔，生活污水、生活垃圾处置设施、餐厨区域等，应远离洁净车间设置，杜绝生活源的生物性、化学性污染物向生产区域扩散。厂区人流、物流、污流应设置独立通道，顺向流转不折返、不交叉，从厂区全局规避交叉污染风险。 厂区全域环境与虫害防控厂区应保持全域环境整洁，无裸露垃圾、无积水洼地、无卫生死角，从源头消除鼠类、蚊蝇、蟑螂等病媒生物的孳生条件。生产场所周边不得设置易导致虫害大量孳生的潜在场所，若厂区周边存在此类风险源，必须配套设置全封闭物理隔离屏障、常态化虫媒监测体系与无害化消杀方案，确保洁净生产环境不受生物污染侵扰。 厂区道路与绿化管控厂区内主干道、支道及生产区周边道路，应全部采用混凝土、沥青等硬质材料铺设，路面平整密实、无破损、无扬尘、无积水，确保人流、物流运输过程不产生二次粉尘污染。厂区绿化应遵循 “防污染、防虫害、低干扰” 原则，绿化植被与洁净车间外墙、新风取风口应保持不小于 5 米的安全距离；优先选择无飞絮、无花粉扩散、易养护的常绿品种，严禁种植易滋生虫害、产生大量花粉 / 飞絮的植物。绿化区域应设置完善的灌溉与排水系统，定期开展修剪、养护与病虫害防治工作，杜绝绿化区域成为虫害孳生地与粉尘污染源。 三、厂房与洁净车间主体建设要求 厂房与洁净车间的建设规模、功能布局、洁净等级设计，必须与生产产品的品种、生产批量、工艺要求及行业合规标准完全适配，核心要求如下： 空间适配与作业区划分厂房应具备与生产规模相匹配的建筑面积与空间尺度，根据生产工艺流程、洁净度级别要求，合理划分洁净作业区、准洁净区、一般生产区、辅助作业区等功能区域。工艺布局应遵循 “由低洁净度向高洁净度逐级过渡” 的原则，减少洁净区域的非必要开口，各区域动线顺向不交叉，杜绝生产过程中的交叉污染。洁净车间的空间尺度应同时满足生产设备安装、人员操作、物料流转与净化系统运行的双重需求。 关键功能区域物理分隔厂房内设置的检验检测室、原辅料暂存区、成品仓储区、工器具清洗消毒区等，必须与生产作业区域（尤其是高洁净度生产区）进行严格的物理分隔。其中检验室应独立设置，与生产区域完全分隔，检验过程中产生的废液、废弃物、微生物培养物等，应设置专用的处置通道与无害化处理设施，严禁检验区域的污染物回流至生产区域，造成产品污染。 建筑结构基础规范厂房建筑结构应具备良好的密闭性、保温隔热性与结构稳定性，洁净车间的墙体、地面、顶棚应采用平整光滑、无裂缝、不积尘、易清洁消毒、耐腐蚀的合规材料，符合洁净生产环境的建筑规范要求。车间门窗应采用密闭性良好的材质，配套设置防虫、防尘、防鼠设施，洁净区域的门窗不得直接向非洁净区域开启，确保洁净环境的密闭可控。 四、净化系统配套空间与建筑条件专项要求 洁净车间的净化空调系统、送回风管路等核心设施，对厂房建筑本体条件有明确的专项要求，需在厂房设计与选型阶段同步规划、提前预留，保障净化系统稳定达标运行，核心要求如下： 车间层高与竖向空间预留洁净车间的楼层净高，需结合净化系统送回风管道管径、安装空间、吊顶内障碍物（消防管线、结构梁体等）的高度综合核算，楼层最低有效净高，即障碍物底部至地面的净距，必须满足通风管道安装、设备布置与后期检修的最小空间要求。送回风主管道的管径，需根据车间设计洁净等级、换气次数、所需总风量进行精准水力核算，同步预留管道保温、支吊架安装、检修操作的冗余空间，严禁因层高不足导致风管管径压缩、风量不足，进而影响洁净车间洁净度达标。常规非单向流洁净车间，吊顶内风管安装区域的净空高度不宜低于 1.2 米，车间完成面净高需同时满足生产设备安装与人员操作需求。 净化空调机组安装空间预留净化空调系统分为室外机组与室内洁净送风柜（空气处理机组 AHU）两大核心部分，厂房选型与设计阶段必须同步预留对应安装空间。其中，室外空调机组的安装位置，需具备良好的通风散热条件，远离粉尘、油烟、废气排放口与新风取风口，预留机组安装、检修、维护的充足操作空间，同时需提前规划机组运行的降噪减震措施，避免对周边环境与洁净车间造成振动与噪声影响。室内洁净送风柜应优先设置在专用的净化空调机房内，严禁直接设置在洁净生产区域内，机房位置应靠近洁净车间，缩短送风管路长度，降低风量损耗与冷量损失。 专用净化空调机房设计要求厂房总建筑面积规划中，除生产所需的洁净车间、辅助区域面积外，必须根据净化系统的冷量需求、机组规格、管路排布，预留独立、专用的净化空调机房。机房的面积、层高、承重荷载，需与空调机组、水泵、水箱、配电控制系统等设备的尺寸与运行参数完全匹配，同时预留设备检修、管路更换的操作空间。机房应设置完善的通风、排水、降噪、减震设施，满足设备长期稳定运行的环境要求，严禁将机房与生产区域、仓储区域合并设置，杜绝设备运行产生的粉尘、噪声、振动对洁净生产环境造成干扰。 送回风管路系统的建筑适配洁净车间的送回风管道布局，应在厂房建筑结构设计阶段同步规划，提前预留主管路的穿梁、穿墙孔洞，规避结构柱体、消防管线、给排水管线等障碍物对管路排布的影响。回风系统的设计需结合车间布局，合理设置回风夹道、回风竖井，预留对应的建筑空间，确保送回风系统的气流组织均匀，满足洁净车间的洁净度、温湿度、压差控制要求。 本规范所有技术要求，除满足上述条款外，还应符合《洁净厂房设计规范》GB 50073、对应行业生产质量管理规范（如食品生产通用卫生规范 GB 14881、药品 GMP 等）的国家现行标准要求，实现合规性、安全性与实用性的统一。

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

本项目研究成果产生了极其突出的国际学术影响，发表SCI论文109篇，包括信息科学领域国际一流期刊IEEE Transactions论文53篇，其中，8篇代表性论文他引2091次，SCI他引共计875次。获IEEE电路与系统协会颁发的2011年度IEEE Transactions on Circuits and Systems for Video Technology最佳期刊论文奖，以及3项国际会议最佳论文奖。经四川省科技厅组织省内外专家进行成果鉴定，一致认为该项目的研究成果创新性强，“达到国际领先水平”。 相关技术成功应用于国家火星探测项目“萤火一号”。