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

本发明公开了一种基于过完备字典的视频监控图像压缩方法，包括字典训练过程和图像压缩过程。 在字典训练过程中，选取一部分监控图像作为样本，通过自适应学习的方法训练字典，同时对字典学习 的过程进行误差控制，使得重构图像能够达到人们所期望的质量。在图像压缩的过程中，基于该字典对 图像进行稀疏表达，同时提出了一种自适应图像分块方法，使稀疏表达过程中系数的个数最少。最后根 据输出数据特点设计量化和编码方法，以尽量减少图像压缩后的数据量。本发明可以预先对重构

本发明公开了一种根据观看环境变化调整视频编码质量的方法, 其中，移动设备获取由携带的传感器采集的环境参数，并使用网络传 输协议把环境参数发送给视频服务器，视频服务器分析接收到的环境 参数分析，并估测移动设备当前的观看环境状态，根据估测的观看环 境状态动态改变视频编码的质量。本发明通过动态调整视频流质量， 可最好地匹配当前的观看场景，提高视觉质量与体验质量，并且提高 带宽的利用效率。

本发明公开了一种质量自适应的无线视频编码方法，首先利用动态纹理合成方法，由已编码图像的 重建帧来构建待编码帧的虚拟重建帧，然后以结构相似性（SSIM）作为指标，设置一个阈值来确定该 虚拟重建帧中的低质量宏块，最后调节这些低质量宏块的编码参数，在编码时对这些宏块采取更精细的 编码，从而更好的处理复杂纹理及边缘区域宏块，提升整幅图像的用户体验质量。 

本发明属于计算机数据存储技术领域，公开了一种海量存储系 统中基于关联特性的重复视频检测方法与系统，该方法利用位置灵敏 哈希函数将重复视频或近似视频映射到索引表的同一个集合中，从而 可以在查询时直接定位到相应集合进行查找，不需要遍历，极大地缩 小了查询范围，提高了重复视频检测方法的查询速度。在集合内部， 使用 Cuckoo-Hashing 机制在整个索引表中进行扁平寻址，合理解决集 合内的哈希冲突，使得索引表在整体上维

本发明公开了一种基于感知哈希特征的视频目标跟踪方法，其特征在于，包括以下步骤：(1)读取待跟踪视频序列的第一帧；(2)在图像中画一恰好将目标包围的矩形框，作为目标框；(3)对视频帧图像进行灰度化处理；(4)提取目标框的局部哈希特征，并对特征进行为运算化处理；(5)读取视频下一帧，并采用同步骤(3)同样的方式对图像进行灰度化处理；(6)在当前帧中，采用倒金字塔候选框搜索方法在上一帧目标相同位置附近获取候选框；(7)采用

本发明公开了一种基于 RCM 编码矩阵权重不等分配的无线视频传输方法。包括：构造具有 UEP 性能的 RCM 矩阵；提取信源端用 H.264进行编码的视频中的 I 帧、P 帧和 B 帧；对 I 帧、P 帧和 B 帧进行比特划分；根据比特划分结果，分别取 I 帧、P 帧和 B 帧中的比特组成数据包，对比特流进行重组；采用具有 UEP 性能的 RCM 矩阵对重组的比特流进行编码，使 I 帧、P 帧和 B 帧的比特流获得合理的 UEP 保护效果，提高接收端的用户视觉体验。本发明通过设计具有 UEP 性能的无速率编码 RCM 为视频中对视频质量影响依次减弱的 I 帧、P 帧和 B帧的视频流分配依次减小的权重值，实现了 H.264 视频在不同的信道条件下的平滑质量传输。

产品详细介绍  腾创网络视频会议是基于WEB的视频会议.产品标准化、界面友好、操作简便         同时最高支持多达25路视频图像同时观看（每路视频占用带宽20~30KB）基于B/S架构，浏览器轻松打开，方便嵌入其他OA等系统支持多组会议同时召开，互不干扰强大的网络适应能力，支持各种宽带接入形式 先进的噪声过滤、自动增益及回音消除技术数据功能强大，全面兼容多种数据文件如：文档，视频文件，图片等按钮式操作方式，直观易用屏幕共享和同步录制支持服务器集群，实现大规用户权限控制和管理，最大限度的保证使用系统的安全会场讨论模式：基本的语音，视频文字互动聊天功能外，还有丰富的数据交互如：电子白板，文档演示,排麦发言，屏幕共享等 培训模式：在会场过程中，通过举手发言，排队，文档共享，电子白板等功能实现培训电子白板标注： 在开会过程中，通过电子白板画图功能，可以对当前共享的文档进行在线标注,增加记忆和培训效果，通过限制只有发言人以及主讲才能画图避免会场的混乱文档在线共享： 可以将本地的一些常用文档传到会议室里面作为会议材料，并边开会边演示。在线流媒体播放： 会场前，可以将之前录制好的一些流媒体视频文件通过平台里面的资料共享功能播放给参会人员观赏，同时支持高清和标清的流媒体视频。                屏幕共享： 共享当前的桌面给参会人员观看。通过小组讨论，可以实现达到2个人或者2个人以上在讨论模式下交流的同时，边演示文档。鼠标右键强大的管理功能，特别是远程协助设置参数功能，方便为其他新手参加会议进行远程设置强大的后台管理功能，让你轻松管理同时管理多个会议室以及授权开会账户权限。多个会议同时开展，互不干扰，独立账户和密码管理。 如你有这方面的需求，请联系 联系人：余先生 电话：13510358585 QQ：751503375