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

人工智能应用创新实训平台是一款专为人工智能领域专业学生设计的多功能教学工具，它集科研教学、实验实训和项目实践于一体，提供了一个全面的学习环境。该平台以国产高性能芯片RK3588作为其边缘计算的核心，支持本地化编程开发，使得学习者能够深入掌握人工智能技术。此外，平台还支持PyTorch、TensorFlow、NCNN等多种主流深度学习框架，便于学生进行模型训练和推理实践。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov11等前沿模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括深度相机、双轴云台、多轴机械臂、微型输送带、工业级相机以及麦克风阵列等。这些尖端设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。

针对下肢残障人士恢复运动能力的需要，北京大学工学院项目团队开展学科交叉研究，首次提出并实现具有柔性可控关节和分段平脚的智能动力假肢，并研制出目前国际上重量最轻的动力小腿假肢。研发团队提出基于本体感觉的多层控制机制，实现智能小腿假肢的流畅运动和对复杂地形的自主适应，并在国际上首次提出基于人体电容信号实现下肢运动意图识别的方法，为人与假肢融合控制提供了全新的研究手段。

头盔（安全帽）是施工现场必须佩戴的安全防护装备。在需要交流通信和监 督等需求的场景，手机、对讲机以及监控设备虽能实现部分功能，但操作不便， 且监控设备存在死角。在头盔这一必备装备基础上进行功能延伸，开发可穿戴设 备，不仅能有效实现相关功能，而且可以解放双手，不影响正常施工操作。团队 针对不同层次需求，主要研发三款智能头盔产品： 普惠版智能头盔：具有语音对讲功能，特别是吵杂环境中，可便于现场工人 可靠沟通、交流； 精英版智能头盔：在普惠版智能头盔基础上，实现视频录制与传输功能，实 现无死角全程监控； 荣耀版智能头盔：在精英版智能头盔基础上，增加全景成像和音视频智能分 析功能，实现实时监督与预警的智能化。 此外，团队注重智能头盔的模块化设计，针对不同行业可提供可选配模块。 比如为电力行业增加电场感知与测量模块。市场及经济效益分析： 针对不同行业，需求明确，市场潜力巨大，代表性行业与应用场景如下: 针对电力行业：智能头盔加装电场感知模块，可避免触电事故； 针对公安交警：智能头盔可替代警用安全帽和执法记录仪； 针对建筑行业：智能头盔可替代安全帽，工人之间可通过语音对讲协作。

智慧教室方案产品，通过智能网关对智慧教室中所有设备，包括教学大屏、录播、班牌、智慧黑板等进行智慧感知和综合控制

实现设备的集中控制，实时全方位的监视用户设备与系统的运行情况和关键参数信息数据，保障设备与系统稳定运行。提供生产流程监控，关键参数数据监测，数据报表，异常事件报警和记录等功能，并支持多平台、多终端数据访问。并对重要数据进行预测维护。实现程序的远程监测调试，实现数据手机推送。

井盖智能管理系统是基于市政管理相关部门对市政井盖管理的需求，实现对井盖区域定位信息化管理的目标。 系统整体由感知层、网络层和应用层3个部分组成。感知层网络平台建立后，为市政井盖上安装内嵌有各种传感器的电子标签，当其姿态、位置或状态发生异常变化时，其上的电子标签通过传感器立即感知，并向附近的基础服务网络智能网关即基站发送报警信息 该报警信息通过智能网关上传到监控中心，管理人员通过系统管理平台，就可以在电脑屏幕前，第一时间看到管理对象的状态变化和报警信息，为采取行动措施极大地缩短了响应时间，从而为这些市政井盖提供了低成本、实时高效的监控管理手段。 基站通过 RFID 技术接收井盖信号，并通过Ethernet 或CDMA通信方式，将信息传送至路灯管理中心信息中心，将前端感应装置编码、编号和位置信息与 GIS 地图结合，迅速判断被监控对象的位置与状态并进行报警，报警将通知市政部门管理中心及相关人员手持终端，可及时迅速地调动相关工作人员，及时解决故障，消除安全隐患。 系统还可实现信息录入/导出功能、报警显示功能、报警联动功能、卡-卡联动功能以及信息查询统计功能，通过内置的模块对区域内井盖进行数量统计管理，方便盘点清算工作。 井盖智能管理系统通过将有源RFID 标签固定在路灯灯杆的杆体上，通过射频识别传输技术将 RFID 标签上的井盖信息发送到周围的 RFID 基站上，RFID 基站接收到信息后通过 Ethernet 或CDMA网络传输到市政管理中心平台，由管理员对相关日常、报警等信息进行及时管理。

公司经营范围： 经营开发、制造、销售汽车零部件、电器机械及器材、环保设备、机床工具、电力设备及器材、通信设备（不含接收和发射设施）、计算机及其零部件、有色金属冶炼及压延加工产品、仪器仪表、办公机械产品、风力发电设备；装备制造业、房地产开发业，金融业投资；进出口贸易、高新技术咨询服务。

快捷导入课表随时看，创造课表交友新方式，只需要一个课表APP，即可认识同班同学、了解大学新鲜资讯，多维度充分享受大学生活。

智能门禁系统和RFID安全门构成联动环境，读者需要刷读者证进入馆内，找到所需图书后，完成借书手续走到门禁通道，系统会自动感应到并联动打开玻璃门。当RFID安全门检测到未办理借阅的书籍时会发出声光报警提示，发送信号给门禁系统，使玻璃门处于常闭状态，防止图书丢失。