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

技术成熟度：技术突破 1.空间目标及星图光学探测仿真系统。由于空间目标探测真实数据获取成本较高，且数据量较少，结果验证困难，团队开发了空间目标及星图光学探测仿真系统。此工作以软件形式呈现，以友好的人机交互界面，根据用户的实际系统参数，提供准确可靠地提供当前时刻空间探测仿真图像，该软件前期经过与stk仿真软件结果比对验证其坐标的准确性，与在轨实测图像进行比对验证其仿真效果的可靠性。目前该软件已经在项目开发过程中广泛使用，为提高系统开发效率、验证算法性能提供有效支撑。 2.空间目标探测感知关键技术及算法体系。该成果以理论及软件开发包形式呈现，团队具备多年的空间探测相关开发经验，并将相关理论及算法构建软件开发包。该SDK开发包基于C++开发，具有较好的泛化能力，具有坐标描述转换、预处理、目标提取、星表制备、星图识别、光学标定、定位定姿定轨等功能，可支撑各层次的空间探测相关开发需求。目前团队基于此SDK开发的顶层软件，采用目标TLE数据库匹配的解决方法，已经完成长光奥闰光电科技有限公司地基望远镜空间目标的感知识别及长光卫星技术股份有限公司的星敏感器在轨图像空间目标自动提取与识别，后续还将采用更多的数据验证完善提升本系统的技术成熟度。 意向开展成果转化的前提条件： 1、长春长光奥闰光电科技有限公司等测站望远镜生产企业，利用本项目的共性技术，实现地基测站的空间目标自动探测感知，为空间安全提供支撑服务。 2、长光卫星技术股份有限公司、吉天星舟空间技术有限公司等遥感卫星公司，通过本技术的转化，可以利用星上光学载荷构建空间态势感知平台，为自身卫星安全提供保障、为国家及其他航天企业的空间安全需求提供数据支撑服务。另外可以在空间光学载荷开发过程中应用空间目标及星图光学探测仿真系统，对光学载荷的精度和鲁棒性进行评估和测试。

        技术成熟度：技术突破         针对船舶机械设备减振降噪需求，提出了结构振动信息作为性能指标的主动减振控制策略。解决了船舶复杂应用环境下，主动减振技术“减振不一定降噪”的难题。攻克超低频、高出力密度主动减振系统执行机构的分析方法和设计关键技术，研发了系列化的电磁式作动器和主被动复合减振器，应用于船舶主机、辅机和管路系统振动抑制。突破了现有主动执行机构低频作动能力的瓶颈，发明了准零刚度作动器，有效覆盖国外探测技术的频率下限，解决了新一代船舶对超低频线谱振动和水下辐射噪声控制的迫切需求。提出了稳定性高、收敛速度快、扩展性强的主动减振核心控制算法并形成工程应用软件。突破了参考输入线谱增强、多频振动均衡控制、控制输出饱和抑制等一系列核心关键技术，解决了主动减振技术实船应用的稳、快、准的难题。研发了首套兼具工作过程自监测、运行故障自诊断、控制效果自评估功能的集成化、模块化主动控制系统，实现了主动减振系统100%国产化。解决了船舶机械设备主动减振系统关键部件自主可控难题。         意向开展成果转化的前提条件：船舶机械设备减振降噪

济南格非生物技术有限公司成立于2012年4月，是一家服务于生命科学领域的企业，专业提供涉及分子生物学、细胞生物学、生物化学、免疫学、食品药品检验、临床检验等相关领域的试剂、消耗产品、仪器的推广与销售。 公司目前拥有Corning、、依科赛、四正柏、硕华等国内外多个生物技术公司的一级代理权及分销权。客户遍布于细胞生物学、免疫学、农业、林业、生态等生命科学领域的高校、研究所、医院、疾病控制、检验检疫、药物研发、生物技术公司和食品工业等单位。现在已发展成为一家专业从事生物技术产品销售和生命科学技术服务的综合性生命科学公司，。      公司拥有一支以专业技术背景的管理、销售团队，公司以敢于创新、忠于服务、诚信经营为宗旨与理念，致力于服务生命科学领域的研究发展。我们将通过自己的努力使济南格非成为一支在齐鲁乃至全国生命科学领域都具有影响力的专业供应商和服务商。

团队具备成熟的高性能电机研发能力，具备瞬态有限元仿真技术、多物理场联合仿真技术、场路耦合仿真技术，能够定制开发有刷/无刷直流、感应电机、电励磁/永磁同步等各类电机，助力多家企业实现核心电机自主化、国产化。 团队研发了基于空间磁场的高性能电机健康状态在线监测系统，能够实时监测电机健康状态，即使发现电机微小故障，有效提高电机可靠性。

人参作为传统中药材，早在《神农本草经》中就被列为上品，具有“补中益气，养血安神，强壮体魄”的功效，长期以来在中医药中占据着重要地位，尤其在提升体力、增强免疫力等方面有显著作用。 随着现代技术的发展，冻干技术的应用为人参加工带来了革命性变化。通过低温和真空环境下的升华原理，冻干技术能够去除新鲜人参中的水分，最大限度保留其活性成分、营养物质和药效。这不仅延长了产品的保质期，还改善了产品的便捷性，便于储存和运输，适应了现代消费者的需求。 本项目专注于人参冻干技术的研发，旨在提高人参产品的质量与市场竞争力。冻干后的产品不仅保留了原有的药效和营养成分，还具有更长的保质期，能够广泛应用于人参粉、营养补充品、保健食品等多个领域。同时，项目优化了冻干工艺，提升了有效成分的提取率，确保最终产品在营养和药效上的最大保留。 通过技术创新与产业化应用，本项目将推动人参产业的现代化发展，提升人参附加值，满足国内外市场对高品质人参产品日益增长的需求，为行业带来更多发展机遇。 1. 目标市场与市场规模： 本项目主要面向国内外高端健康食品、保健品和营养补充品市场，重点关注中老年人、亚健康人群及健身爱好者。随着生活水平提高，年轻消费者也逐渐关注天然、绿色健康产品，冻干人参成为理想选择。全球人参市场年增长率约为5%-7%，冻干人参的潜力尤为巨大，特别是在高端健康领域。 2. 市场竞争预测： 目前，国内外已有企业涉足人参冻干技术，但大多数仍处于初步阶段，技术尚不成熟，且现有产品集中于中低端市场，冻干工艺不够精细，导致有效成分损失较大。竞争者包括传统人参生产商和新兴健康品牌。随着消费者对品质要求提升，市场将向高品质、高效能产品倾斜。本项目的冻干技术创新和产品高端化，使其具备强大竞争力，有望迅速占领高端市场份额。 3. 本项目核心竞争优势： 本项目的核心竞争优势在于冻干技术创新。相比传统工艺，项目技术能更好保留人参中的有效成分，提高营养价值和药效。产品形态多样（如粉末、颗粒、薄片等），满足不同消费者需求，提供便捷使用体验。项目在原材料采购、生产环节和质量控制上的优势，确保产品的高品质和稳定性。随着市场对高品质健康产品需求增长，本项目具备较强的技术壁垒和市场竞争力。