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

本发明涉及一种磁性离子液体，特指基于胍基官能团的离子液体的制备方法及在萃取脱除非极性溶液中含硫有机物的用途。其结构如通式（I）所示，该类离子液体是典型的室温离子液体，具有很低的熔点及很高的沸点，室温呈液态，蒸汽压低，稳定性好，与非极性溶剂互溶度极低；具有极高的脱硫效率，可在3~6min达到脱硫的萃取平衡；选择性高，不会对原来的非极性溶液产生污染及着色。该发明的磁性离子液体之中，当n=1.5~2时，具有很高的顺磁性，其比磁化系数大于59.1×10-6emu/g,优于已有的报道。因此，萃取脱硫结束后可以通过外加磁场的方法方便地实现离子液体和非极性溶剂的分离。该类磁性离子液体通过加水稀释并用四氯化碳反萃取的方法能恢复其性能，并且可以循环多次使用而不会引起脱硫效率的明显降低。脱除的含硫芳环化合物也能通过减压蒸馏富集并实现回收利用。

该项目研制的酶联免疫检测技术包括免疫原、包被原、抗体的制备以及样品的处理和检测等步骤。能一次性测出样品中斑蝥黄、β-胡萝卜素、β-阿朴-8’-胡萝卜素醛、叶黄素、辣椒红素、β-紫罗酮酸的总含量，缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 该项目缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 成果完成时间：2013年

北京化工大学计算机软件及管理平台采购竞争性磋商

计算机控制系统的抗干扰是计算机软、硬件设计中必须考虑的重要问题，而程序计数器 PC 的抗干扰俗称 “ 程序跑飞 ” 问题，又是设计中需主要解决的问题之一。现有解决 “ 程序跑飞 ” 的常用方法包括设置 “Watchdog” 监视器、设置程序指针陷阱或使用复位指令等。通过对计算机控制系统抗干扰的研究，在 “ 程序跑飞 ” 的故障中，程序计数器 PC 的内容变化有一定规律的。我们以 PC 被干扰后其内容分布在程序存储器空间的区域不同，将干扰分为三种： Me 区干扰； Mo 区干扰； Mf 区干扰。该专利提供一种计算机中央处理器的抗干扰方法，其硬件设计简单、使用操作简便，能够简易能快速发现程序在空白程序存储区 Me 和空闲程序存储区 Mf 的干扰问题。

III-V族半导体合金体系热、动力学计算机辅助分析系统建立并完善了含Al-Ga-In-N-P-As-Sb-C-H等多元体系的III-V族合金化合物半导体热力学数据库，使之成为当前国际上数据资源相对丰富、可靠程度高的专业型数据库。在此基础上，应用该计算机辅助分析系统，可采用统一的成分空间表达方式，将覆盖四元半导体整个成分空间的光电性能（能量间隙或波长）、与相应衬底匹配的成分条件、以及各种温度下发生溶解间隙的成分范围，投影于一平面，构成III-V族半导体体系综合优化图，用以对金属有机物气相外延工艺进行辅助分析、确定满足优质半导体生长的成分空间、预测外延层半导体的成分等。同时，该系统还发展了非平衡过程分析研究方法：亚稳平衡处理、条件平衡处理和不可逆过程分析处理等，这些方法有助于III-V族半导体液相外延、气相外延和金属有机物气相外延工艺过程的热力学分析。 该项目面向光电子材料和器件的研制与生产 III-V族半导体合金体系热、动力学计算机辅助分析系统，目前主要是作为应用研究，服务于有关光电子材料和器件的研制与生产过程中工艺条件的辅助设计，以促进III-V族半导体液相外延、气相外延和金属有机物气相外延工艺逐步从经验设计迈向科学设计，在相关领域的高技术产业化方面起积极作用。 Al-Ga-In-N-P-As-Sb-C-H等多元体系的III-V族合金化合物半导体热力学数据库；瑞典皇家工学院Thermo-Calc相平衡热力学计算软件。

本发明提供故障模拟器及计算机联锁CAN总线通信故障测试方法，故障模拟器过通信机与计算机联锁主机相连，包括：环回数据模拟器接收通信机发的来自于计算机联锁主机的驱动数据包，测试通信机输出链路正确性，根据通过检验的驱动数据包生成环回数据包并进行故障注入生成各种类型的错误环回帧并发给通信机，测试各错误场景下通信机与计算机联锁主机处理方式是否正确；采集数据模拟器仿真继电器驱采单元接收到驱动数据包的处理，判断驱动数据包有效性及测试通信机输出链路正确性，将采集数据包通过环回数据模拟器及通信机发给计算机联锁主机，测试联锁主机收到错误采集数据时处理是否正确。可实现计算机联锁CAN总线通信多种故障测试，测试结果准确。

本发明公开了一种深部巷道软弱煤岩松动圈厚度的计算方法及应用该方法的测量装置，该算法包括以下步骤：(1)定义测点的初始位置距巷道表面的距离为r，测点的位移为u，所述测点在深部巷道软弱煤岩钻孔中并位于松动圈范围内，构建如下u随r变化的表达式：其中，u0、k1和k2为系数；(2)测量两个以上测点的u随r变化的过程，计算得出k1和k2的值；(3)将得出的k1和k2的值带入如下公式，计算得出深部巷道软弱煤岩松动圈厚度L的值：L＝?k2ln(20k2/k1)。本发明计算方法简单、合理，容易实施，而且计算准确度高

本发明公开了一种云计算服务器集群网络保障方法，包括：虚 拟机资源分配管理模块对管理员提供的服务器集群网络拓扑、服务器 集群计算和存储资源进行初始化，请求调度管理模块接收租户提交的 创建服务请求，根据虚拟机资源分配管理模块中的服务器集群网络拓 扑以及服务器集群计算和存储资源进行服务请求放置分析，以确定创 建服务请求对应的虚拟机所要放置的服务器，虚拟机资源分配管理模 块根据请求调度管理模块中虚拟机放置的分析结果在虚拟机集

本项目提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。 一、项目分类 重大科学前沿创新 二、成果简介 提出一种基于数据总线工作模式可切换的超导量子计算机芯片结构设计(发表于国际一流期刊PRB，2005)，相比于美国Google公司、IBM公司、加拿大D-Wave公司的超导量子计算机芯片而言，具有更强的纠错和避错品质，更易于实现大规模阵列集成。技术上已经实现了全国产设备工艺线上，芯片电路单元核心器件-约瑟夫森结和共面波导超导谐振器的自行设计制造，在极低温环境下完成了单元器件性能的标定和检验。