高校科技成果尽在科转云

脑卒中为脑血管破裂或血栓阻塞血管导致大脑缺血损伤，其治疗的药物非常缺乏，阿替普酶是迄今为止唯一获得FDA批准用于缺血性脑卒中的溶栓药物,易引起再灌注损伤,可延长其给药时间窗和减轻再灌注损伤。但临床上神经保护剂十分缺乏。本项目为脑中风治疗的小分子蛋白药物研究，包括两个小分子量蛋白。其一是犬钩虫抗凝多肽5（AcAP5），是一种具有强效抗血栓形成（抑制FXa）和溶血栓（抑制TAFIa）两种功能的蛋白，其中溶栓作用为本团队发现（已申请专利并获得授权）。 其二是在AcAP5基础上改造的蛋白TBN（已申请专利），具有溶栓和神经保护作用功能。体内外实验表明AcAP5和TBN均具有较好的溶栓（溶解动脉血栓）、抗栓（预防脑中风血栓溶解过程中血栓再形成）和神经保护作用（减小梗死体积），“三位一体”的功能使其具有更好的治疗脑卒中效果。

脑卒中为脑血管破裂或血栓阻塞血管导致大脑缺血损伤，其治疗的药物非常缺乏，阿替普酶是迄今为止唯一获得FDA批准用于缺血性脑卒中的溶栓药物,易引起再灌注损伤,可延长其给药时间窗和减轻再灌注损伤。但临床上神经保护剂十分缺乏。本项目为脑中风治疗的小分子蛋白药物研究，包括两个小分子量蛋白。其一是犬钩虫抗凝多肽5（AcAP5），是一种具有强效抗血栓形成（抑制FXa）和溶血栓（抑制TAFIa）两种功能的蛋白，其中溶栓作用为本团队发现（已申请专利并获得授权）。 其二是在AcAP5基础上改造的蛋白TBN（已申请专利），具有溶栓和神经保护作用功能。体内外实验表明AcAP5和TBN均具有较好的溶栓（溶解动脉血栓）、抗栓（预防脑中风血栓溶解过程中血栓再形成）和神经保护作用（减小梗死体积），“三位一体”的功能使其具有更好的治疗脑卒中效果。

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

成果描述：一种基于应变信号近似熵的风洞试验天平的评估方法，其做法主要是，在飞行器模型顶端内壁、模型框架和天平上分别安装模型、框架、天平三向应变片，对三个片测出的各向应变信号进行傅里叶变换得到频谱信号，进而计算出0~300Hz内六个频带的近似熵特征值，再分别计算模型、框架同向应变信号的近似熵特征值的差值，以及模型与天平同向应变信号的近似熵特征值的差值；当各向的这两种应变近似熵特征值的差值均在规定范围内时，评估结果判定天平的测试数据可信，否则判定不可信。从而保证风洞试验时通过天平测出的模型的力学数据准确、可靠；为航空航天飞行器提供更准确、可靠的试验数据。市场前景分析：风洞工程技术领域。与同类成果相比的优势分析：技术先进，性价比较高。

本项目在 2 项国家自然科学基金项目和国家"863"计划海洋重大专项连续 3个五年计划滚动支持下，历经 10 多年产学研联合攻关，研究并掌握了基于稀疏换能器阵列的三维成像规律，发明了适用于近场和远场条件下的换能器阵列稀疏方法，解决了换能器阵元数量巨大所导致的高系统复杂度难题；研究了波束形成算法的计算机制，发明了分布式子阵波束形成实时处理算法和动态三维图像构建方法，实现了水下高分辨率三维场景的实时成像；发明了基于大规模 FPGA 的并行处理系统架构，实现了 128×128 个波束信号的高速实时计算，成功研制了高分辨率相控阵三维声学摄像声纳系统，为我国海底探测和水下安防等提供了一整套高端先进的探测手段。本项目的成果打破了国外的技术垄断，填补了国内空白，作为国家重大科技成果参加了“十一五”国家重大科技成就展。本项目共申请国家发明专利 18 项，其中授权 14 项；获得美国发明专利授权 2 项；获得软件著作权 3 项；发表 SCI/EI论文 16 篇；经由两位院士和其他专家组成的专家组鉴定，项目总体技术水平达到国际领先，为行业进步起到重要的推动作用。

本发明公开了一种无人机电磁信号管理和调制方式识别方法，属于电磁信号存储和识别技术领域。所述识别方法首先获取无人机电磁信号详细信息并存储，然后构建调制方式识别模型，输入电磁信号波形和调制方式数据迭代训练调制方式识别模型参数，实现对未知无人机电磁信号波形的调制方式识别。

本实用新型公开的光学干涉式重力仪中的闭环信号采集装置，具有稳频激光光源、第一分束器、落体棱镜、参考棱镜、两个平行设置的平面反射镜、第二分束器、光电探测器、相位调制器以及PC上位机或者示波器。由光电探测器将落体棱镜下落过程中采集的光信号作为反馈信号输给相位调制器，相位调制器输出一个偏置相位，补偿落体下落过程中测试光和参考光之间的相位差，相位补偿至2π后立即重置，并且重复相位补偿过程。通过相位调制器引入的相位差以及产生相位差的电压值作为最后获得的信号数据。本实用新型结构简单，信号数据处理简便，测量灵敏度高。

功能： 采集和处理64路弦振式压力传感器的信号。用途： 对河堤大坝各点的压力测试。概述：弦振式压力传感器的特点是：测量精度高，重复性好，性能稳定不产生零点漂移。但需要加一个周期性的160v的强电激振信号后才能产生以弱电形式的振动频率信号。并且强电和弱电只能通过一根线“分时”交替输入和输出信号。技术优势：特点：该仪器精度高。与国外同类仪器相比成本低得多。