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

本书结合作者对图像处理,分析和三维重建等进行的研究和工作,对从数码相机拍摄的建筑物图像中以参数化建模的方法恢复建筑物的三维几何结构进行了论述和探讨.

成果描述：本发明公开了一种参数可调智能高性能发动机主构架，通过曲柄摇杆机构、摆杆、摇杆滑块机构将曲轴的圆周运动转化为副活塞的上下往复直线运动，主副活塞所受侧向力、阻力均较小，发动机噪声低、热效率高；通过特定尺寸大小关系，发动机体积和重量大幅降低；排量调整机构调整发动机的排量、压缩比与发动机其它辅助系统协调工作实现发动机热力循环类型可调。本发明可以根据负载、路况的变化实时调节发动机排量、压缩比、热力循环，确保发动机在各种负载、路况下都有良好的工作条件，中小负载时该发动机的节能减排效果更明显,四缸发动机排量的最大调整范围在1.2-3.5之间，发动机压缩比的最大调整范围在6-6之间。市场前景分析：内燃机工程技术领域。与同类成果相比的优势分析：技术先进，性价比较高。

本实用新型公开了一种洗衣机多参数自动检测系统，该系统包括:主控板、电力信号预处理电路模块、声音信号预处理电路模块、振动信号预处理电路模块、数据采集模块、液晶显示模块，其中主控板包括DSP芯片和FPGA芯片、GPS同步时钟模块、UART串口通信电路模块、SD卡存储模块。系统实时同步采集洗衣机工作时的电力信号、声音信号以及三维振动信号。本实用新型的多参数检测系统可以相对全面地检测出洗衣机的具体工作状态；采用多达45个3D振动传感器采样振动信号，精度相对较高；对电力、声音及振动信号采取了同步采样时序控制，

本发明属于电力系统参数辨识技术领域，涉及一种数据误差影响电力线路参数准确度的测定方法，先根据电力传输线路等值电路的参数确定其对PMU数据灵敏度的影响，然后判定线路参数对PMU数据误差的敏感性并给出参数准确度的计算方法，通过数据误差增量与参数偏离量之间的数量关系，判断每一个数据对电力线路参数的定量影响程度，改善实测PMU数据质量并提高参数辨识的准确率；其设计原理可靠，判定工艺科学性强，准确度高，定量精确，应用范围广，测算效率高。

本发明公开了一种用于动态无线充电的装置及其参数获取方法， 包括能量发射模块和能量接收模块；能量发射模块包括依次连接的高 频逆变单元、LC 滤波单元、第一补偿单元和功率发射线圈；高频逆变 单元将直流源转换为高频交流电，经过 LC 滤波和第一补偿单元的调节后，以高频磁场耦合方式发射能量；能量接收模块包括依次连接的 功率接收线圈、第二补偿单元和不控整流单元，将接收的高频交流电 转换为直流供给负载。本发明能够根据功率线圈的互感耦合程度自动 地调节原边功率线圈电流，从而获得保持稳定输出功率的特性，适用 于宽偏

本发明公开了一种新能源混合系统控制参数的优选方法，用于在新能源混合系统中对 PID 控制参数进行优选。根据新能源混合系统建立模型，然后依据该仿真系统建立以 PID 控制器输入和输出参数为状态量的目标函数，运用本发明设计的优选方法求解目标函数得到最优 PID 控制参数。本发明设计的新能源混合系统控制参数的优选方法，采用一种新型启发式优化算法优化目标函数，能搜索到更优的目标函数值，得到的解代表更优的 PID 控制参数。更优的 PID 控制参数能使新能源混合系统频率偏差更小，调节速度更快，系统响应曲线更加

本发明兼顾地学空间统计学和模式识别理论方法，基于统计方法提出分割前最优尺度分割参数自动选择及分割后的尺度效应评价及尺度分割参数的优化调整，提高了面向对象遥感影像信息提取和分析的精度、效率和自动化程度。

本发明公开了一种永磁同步电机机械参数的在线辨识方法。基于电机运动方程，首先通过获取的电机加速度信号、速度信号和实际 输出的电流信号，求解电机运动方程;随后将求解得出的辨识参数投 影到三维坐标系中，并将坐标等分成小区域，比较得出坐标系中的数 据分布密度最大的区域;最后将该区域内的解求平均值，从而辨识电 机本体的转动惯量、负载转动惯量、辨识时刻转速下的电机粘滞摩擦 系数和负载转矩等电机的机械参数。算法的计算量小，计算时间短， 因而实现了对永磁同步电机机械参数的实时准确的在线辨识，能为电 机控制提供更为准