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

项目成果/简介: 装置采用组合式陀螺体型振荡浮子与双路液压系统。相对于振荡浮子式和摆式装置，振荡浮子式装置能量转换效率较高，且各个部件的更换维修均可在海上操作完成，维护成本低，装置安全可靠。振荡浮子式装置又分为单自由度、多自由度及组合型。组合型振荡浮子装置整体效率高，运行稳定。该成果依托阵列化开发思想，针对我国近海短周期、小波高、低能流密度的波浪能资源特征设计了组合型的波浪能摄取机构，解决了多数传统装置“小浪不发电、大浪易损坏”的固有问题。 振荡浮子波浪能发电装置的潮位自适应装置为海洋能的科学利用与开发提供了全新的思路：在资源相对贫乏的低能流密度海区依靠阵列化布置与多能互补实现海洋能的高效利用与集成开发。进行波浪能向电能的转换，使用潜浮体配合张力锚链进行海上安装定位；依托阵列化开发思想，针对我国近海短周期、小波高、低能流密度的波浪能资源特征设计了组合型的波浪能摄取机构，解决了多数传统装置“小浪不发电、大浪易损坏”的固有问题；双浮体自升沉结构形式突破了近海潮差（3-4m）变化大导致装置工作时长短的难题，可在大潮差海域实现24小时全天候自主控制运行发电；开发了全自动在线控制与检测系统，可在百公里外的海大校园内对装置的实时工作状况、运行性能等实现远程监控，真正做到了无人值守与远程遥控；基于产品化设计，检修维护方便，所有活动部件的更换维修均可在海上操作完成，维护成本低，安全可靠。项目阶段: 小试、中试阶段效益分析: 将供电用户瞄准为离岸海岛，与常规能源相比，海岛越偏远，该项目的研究成果优势越明显，这也为近期海洋能的开发与利用提供了新的路径。 目前在青岛市与青岛中广核新能源山东分公司进行了初步尝试合作，为其提供科技服，“海洋能源综合利用”课题采购技术服务，项目编号20180193。知识产权类型:其他技术成熟度:通过中试技术先进程度:达到国内领先水平成果获得方式:独立研究获得政府支持情况:无

项目简介： 锑化铟薄膜型霍尔元件主要用于直流无刷电机，大量应用于电脑 的电源风扇，CPU 风扇，打印机，电动自行车等所用的微型直流无刷 马达。具有灵敏度高，使用寿命长，可靠性高，体积小，重量轻，功 耗小，频率高，耐震动，耐灰尘、油污、水汽和盐雾等各种污染或腐 蚀的优点。 项目特色： 制备温度低，能源消耗低，环境污染极小，易于大规模生产，制 造成本低，投资小的优点。 

以交联聚乙烯作为绝缘电缆的耐热性比聚氯乙烯高，它可以在90℃下长期使用，短路时的 耐热温度最高可以达到250 ℃ ；绝缘电阻高，介质损耗角正切小，基本上不随温度的变化而变 化；有良好的耐磨性和耐环境应力开裂性。交联聚乙烯一旦发生电缆燃烧散发出的是二氧化碳 和水，而PVC 电缆燃烧时产生的是氯化氢有害气体；此外，交联聚乙烯的密度比PVC 小40 ％ 左右，可以明显减轻架空线的重量。茂金属聚乙烯 (MPE) 是在茂金属催化体系的作用下乙烯 与α-烯烃 (如1-丁烯、l-己烯和1-辛烯) 共聚得到的。与传统的聚乙烯相比，MPE因具有很窄的 分子量分布和短支链分布，使它具有优异的物理性能 (如高弹性、高强度和高伸长率) 和良好 的低温性能；另外它的分子链是饱和的，所含的叔碳原子相对较少，因此具有优异的耐热老化 和抗紫外性能。对于低烟无卤阻燃材料来说，可以避免含卤阻燃材料在燃烧时所带来的二次污 染，它是阻燃材料发展的主要趋势。迄今，开发低烟无卤阻燃剂仍是一个技术难题。目前，电 工行业主要使用的无卤阻燃填料是粒状氢氧化铝和氢氧化镁，而镁铝水滑石起始分解温度可分 为低温段和高温段，拓宽了阻燃温度范围，具有阻燃、消烟和填充3种功能，兼具了氢氧化铝 和氢氧化镁阻燃剂的优点，克服了它们各自的不足，是一种高效、无毒、低烟的无卤阻燃剂， 有望成为新一代的阻燃填料。

项目成果/简介:锑化铟薄膜型霍尔元件主要用于直流无刷电机，大量应用于电脑的电源风扇，CPU 风扇，打印机，电动自行车等所用的微型直流无刷马达。具有灵敏度高，使用寿命长，可靠性高，体积小，重量轻，功耗小，频率高，耐震动，耐灰尘、油污、水汽和盐雾等各种污染或腐蚀的优点。应用范围:目前只有日本旭化成和韩国三星可以生产薄膜型锑化铟霍尔元件芯片，国内无芯片生产技术。国内市场约 50 亿人民币，具有市场广，竞争少的优点。 南开大学开发的芯片制造技术，原材料成本便宜 30%左右，具有很强的市场竞争力和投资价值。效益分析:制备温度低，能源消耗低，环境污染极小，易于大规模生产，制造成本低，投资小的优点。

项目成果/简介:旋翼无人机成功实现了把“人的眼睛”带到空中，在民用消费等领域得到广泛应用。本项目突破了多关节机械臂与旋翼无人机集成技术，实现把“人的眼睛和手臂”带到空中，把无人机的能力从“非接触观测”提升到“接触作业”，从而极大地拓展无人机的应用领域。项目以人工智能技术为基础，将其与飞行机械臂系统相结合，重点突破模块化可重构超轻型机械臂设计、复杂耦合系统的稳定性、动态非结构环境感知与理解、自主作业技能学习与发育、协同优化行为决策与优化等核心技术，研制出多轴电动无人机+单机械臂、单旋翼带尾桨无人机+双机械臂两种产品样机，实现其自主作业，为后续产品、产业化奠定基础。本成果对于我国打造无人机新的产品形态、推进无人机产业的持续发展、进而抢占无人机技术产品产业的国际制高点具有重要意义；同时，作为典型军民两用产品，这种新技术具有巨大的军民融合发展前景。项目阶段:已成功研制出样机系统、开展飞行试验效益分析:本项目最大特色在于将机械臂技术与飞行机器人技术相结合，实现了空中自主作业。完全突破了目前无人机只能完成非接触、观测类任务的局限，是无人机领域一种全新的产品形态、也非常有可能成为一种新业态。多自由度机械臂与无人机相集成（如下图所示），机械臂的运动、甚至和外界环境相杰出，都给飞行器的控制带来极大挑战；同时，要实现其对空中、地面的动目标进行识别、跟踪、捕获等作业，都需要很高的自主行为能力；相关的控制技术是本项目的亮点。

成果描述：本发明公开了一种减振型无砟轨道的水泥乳化沥青砂浆，各组分所占重量份为：水泥100份，细骨料180-220份，乳化沥青80-110份，膨胀剂10-15份，铝粉0.015份，消泡剂0.12份，水0-20份，聚合物乳液5-10份。本发明水泥乳化沥青砂浆的弹性性能介于CRTSI型低弹模水泥乳化沥青砂浆和CRTSⅡ型高弹模水泥乳化沥青砂浆之间，提高了水泥乳化沥青砂浆耐久性，同时其弹性满足地铁轨道减振的要求，对于地铁轨道结构的长期安全使用，减轻振动对建筑物和居民生活环境的危害有十分重要的意义。市场前景分析：城市轨道交通基础设施建设领域。与同类成果相比的优势分析：技术先进，性价比较高。

该成果有效提高防水砂浆和混凝土的抗渗性和粘结强度，每吨防水砂浆成本降低108.97元，占原成本的30.82%。

AOP-1 型列车超速保护装置，是北车集团长春轨道客车股份有限公司委托我校开发 的列车超速保护装置，是机车信号类产品，是一种机车车载设备，由 4U 标准机箱以及 安装在机箱内的若干功能电路板组成。主要实现以下几个功能： 功能 1：通过对外部速度传感器的脉冲信号进行计算，得到机车运行的实时速度。 功能 2：根据计算所得实时速度驱动司机台上的指针式速度表，实现测速显示（无 论何种操作模式，均反映列车实时行驶速度）。 功能 3：提供零速功能，零速的限值可以人工修改。当列车运行速度低于设定的零 速限值时，该装置将闭合所有的零速触点，反之将断开所有的零速触点。 功能 4：提供三种限速模式的超速保护：正常向前模式限速、正常向后模式限速以 及切除模式限速，每种限速模式下的限速值都可以人工修改。当其中一种限速模式启用 16 时，如果列车速度超过由机车维护人员预先所设定限速的某个比例值时，会闭合一路有 源节点，司机台上的报警器会得电报警，从而提示司机注意限速；当列车速度超过设定 限速的 100%时，该装置将断开所有的超速保护触点，从而可以导致列车安全环路断开， 产生紧急制动并向 TMS 报告有超速保护发生；之后，只有当列车速度低于所设置的零速 限值时，所有的超速触点才能重新闭合。 功能 5：任何故障都将导向安全（所有的零速触点断开，所有的超速触点断开），并 向 TMS 报告。 本装置采用模块化结构设计，各部分模块功能单板连接为背板插接式；各单板前面 板有相应指示灯显示具体信息，数码管 LED 显示关键状态代码，方便使用和维护。 为保证系统安全，本装置采用两组同样的功能单元共同来保证系统的可靠性与安全 性。两个司机室各安装一套列车超速保护装置，它们之间没有任何通信连接。 该 AOP-1 型列车超速保护装置，已经成功应用在巴西地铁 1A 线 19 列地铁列车上， 目前运行状况良好。 该装置的成功研发，保证了由于列车超速而可能导致的列车运行风险，该装置也得 到了长春轨道客车股份有限公司、香港地铁公司及巴西业主的一致好评！ 17 18 应用范围： 该装置是为巴西地铁 1A 线研制开发的列车超速保护装置，其可以用在城市轨道列 车上，用于保护由于列车超速而带来的列车运行风险，在无人控制的情况下，实现列车 制动，从而保护列车运行安全。 同时，该装置也可以应用在高速列车及普通铁路运营列车上。 

旋翼无人机成功实现了把“人的眼睛”带到空中，在民用消费等领域得到广泛应用。本项目突破了多关节机械臂与旋翼无人机集成技术，实现把“人的眼睛和手臂”带到空中，把无人机的能力从“非接触观测”提升到“接触作业”，从而极大地拓展无人机的应用领域。项目以人工智能技术为基础，将其与飞行机械臂系统相结合，重点突破模块化可重构超轻型机械臂设计、复杂耦合系统的稳定性、动态非结构环境感知与理解、自主作业技能学习与发育、协同优化行为决策与优化等核心技术，研制出多轴电动无人机+单机械臂、单旋翼带尾桨无人机+双机械臂两种产品样机，实现其自主作业，为后续产品、产业化奠定基础。本成果对于我国打造无人机新的产品形态、推进无人机产业的持续发展、进而抢占无人机技术产品产业的国际制高点具有重要意义；同时，作为典型军民两用产品，这种新技术具有巨大的军民融合发展前景。