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

该机选用手扶拖拉机为配套动力，动力消耗小，便于在丘陵山 地行应用。综合采用可调升降机架以及挖掘深度调控技术和浮动式振动抖土技 术，有效提高挖掘深度稳定性和薯土分离效果。配套动力 8.8kW；收获幅宽 700mm； 生产率为 0.10 hm2/h； 损失率≤5.0 %；伤薯率≤5.0 %。与国内外同类机具相 比具有挖掘深度调节方便、作业稳定、薯土分离效果好等优点。该机已有青岛 市洪珠农业机械有限公司组织批量生产，在四川、贵州、山东、内蒙古等地广 泛推广应用。 产品研发显著提高了我国马铃薯的机械化水平，提高了相关生产企业的经 济收益和市场竞争力。项目产品，按每年生产 8000 台马铃薯收获机，售价按 3500 元/台计，每套成本 2500 左右，则生产企业年新增产值 2800 万元，可实现利税青岛农业大学科技成果介绍 2017 －65－ 800 万元，同时采用机械化作业后，还将大幅度提高劳动生产率、降低损失、缩 短耕、种、收时间，有利于劳动力向二三产业转移，增加农民收入。通过项目 实施可以有效提升西南、中南地区农业机械化水平。 

根据《中国药典》规定，注射用水必须采用蒸馏法进行生产，早期的蒸馏手段都是单效蒸发，假设以工业蒸汽为热源，理论上生产一吨蒸馏水需要消耗一吨蒸汽。目前普遍采用多效蒸发的手段生产注射用水，理论上讲，生产一吨蒸馏水的生蒸汽消耗量为效数的倒数，比如六效蒸发的理论蒸汽消耗量是 167 公斤，实际消耗量约为 220～230 公斤，目前制药用水普遍采用 4～7 效蒸发装置进行生产。理论上讲，增加效数会减少能量消耗，但效数超过 7 时，系统构成极为复杂、热力匹配非常困难，并且受到蒸汽热源压力制约。近年来，国外出现了基于蒸汽再压缩热泵技术（MVR）的热泵蒸发纯水机，也称热压式蒸馏水机产品，该系统本质上相当于单效蒸发，利用压缩机将二次蒸汽加压升温后送入热源侧，将二次蒸汽的冷凝热释放给待蒸发的水，依此循环往复维持系统工作。理论上讲该系统只需输入少量的压缩机机械功便可维持运行，相比于六效蒸发系统大约可产生 30%的节能效益。 

产品详细介绍明基投影机常见故障维修画面抖动本文主要介绍明基投影机在日常使用过程中出现的问题，明基投影机的故障现象，通过现象对问题的分析和解决方法，在以后使用买进投影机时的注意事项等。希望广大明基投影机用户在出现类似问题时首先自己解决，或告知我们专业的维修。故障：明基投影机在显示画面出现抖动条纹故障现象呈扫描状不断地从上往下滚动，重新搜索信号多次都不能解决问题。后来更换了与计算机相连接的VGA信号线，问题依旧，继续将投影机和原来的VGA信号线连接到另外一台PC机上，投影机能够正常工作。很明显，VGA信号线和投影机本身都没有问题，那么，问题可能是出于与之连接的PC机上了。因此立即查看PC机的显示参数，发现该电脑的显示颜色、分辨率、刷新率都在投影机允许的工作范围之内，而且经过调整依然无效。问题分析调节问题、VGA信号线的问题、电脑的输入问题等，但究竟是什么原因造成的呢？不难发现，与投影机有关的所有东西都已经替换过，然而还差一个电源问题未能排除。因此用万能表测试了一下市电，发现电压也是非常正常的220伏。但是我们好像忽略了一个问题：与投影机相连的电源插座还没被替代过。解决办法电源插座后发现奇迹果然出现，投影画面的显示终于恢复正常了，没想到一个并不起眼的电源插座也会导致投影机不能正常工作这么严重的故障。但是插座能有什么故障呢？后来检查发现该插座上的零线和地线被短路在一起了，因此接通了电源之后，插座上的火线和零线之间的回路会导致插座上的地线也被一起带电，那么电流回流到投影机上，导致投影机电信号的干扰，使投影显示画面出现抖动条纹。重新将这个故障插座上的零线和地线分接，并将该插座的地线可靠接地后，再将投影机连接到这个修复后的插座上时，投影机工作恢复正常了。 

产品详细介绍品牌：久滨型号：JB-250A名称：陶瓷乳钵式微粉研磨机一、产品概述：　　JB-250A型陶瓷乳钵式微粉研磨机，主要用于替代国内生产中手工研磨或高等院校的物料研磨实验，可广泛用于化工、电子、制药、冶金等行业的超硬颗粒或微粉研磨，粉末细度可达纳米级，是一款高效节省人工的自动化研磨设备。二、技术参数：1、乳钵口径：250mm2、最大研磨量：300g/次3、研棒转速：120rpm4、研钵转速：10rpm5、研棒功率：60w6、研钵功率：40w7、研钵材质：高铝陶瓷8、研棒棒头材质：高铝陶瓷9、运行时间控制：自动设定10、长X宽X高：500*500*920mm11、重量：35kg12、电压：220V  50/60HZ三、适用条件：1、研磨颗粒要求：颗粒硬度没有限制，颗粒大小≤0.5mm；2、研磨方式：可干磨也可湿磨；

钢铁是现代工业的基石，宽厚板广泛应用于石油、化工、国防等重点工程，支撑着国民经济的快速发展。宽厚板的平直度是评价宽厚板质量的重要指标之一。 正在开发的“智能化高强宽厚板压力矫正机”在保证压平宽度、厚度的前提下，可实现压平前、后弯曲度自动识别和自动放置垫板功能，具有自动化程度高、可有效降低工人劳动强度、生产安全高效的优点。目前，国内外压力矫正机均为人工垫板、凭经验判断所压平物料的平直度。新开发的智能化高强宽厚板压力矫正机处于技术领先地位。

海带作为一种重要的美食,在国内外具有极大的市场需求。海带的打结对于海产品产业经济的发展具有重要的意义。目前人工徒手完成,打结效率低,用工成本高。针对以上难题，设计海带打结机及打结方法。 该项目独创由步进电机带动圆盘式上料装置上料技术，三对打结指模拟手工打结技术，快速方便的独特切割技术，电-气控制相结合技术等技术解决了当前海带打结机打结效率低等难题。