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。

南开大学生命科学学院丁丹教授团队牵头，联合南方医科大学南方医院郑磊教授团队、华南理工大学唐本忠院士团队、深圳金准生物医学工程有限公司开展联合攻关,成功研制出新冠病毒IgM/IgG抗体联合检测试剂盒，并已实现量产。 1例（63.9%），IgG阳性138例（87.3%），在151例健康对照及非新冠肺炎疾病中特异性为98.7%。

目前汞在线分析仪的原理是基于元素汞的检测，即只能检测元素汞Hg0，氧化态汞Hg2 的检测需要使用Hg2+/Hg0转换装置。 东南大学开发的氧化汞/元素汞转换装置（Hg2+），采用化学湿法，可将烟气中氧化汞Hg2+实时转化成元素汞Hg0，经除酸性气体、除水装置后，通入汞在线分析仪即可检测烟气中元素汞（ Hg0）、氧化态汞（ Hg2+）和气态总汞浓度（HgT）。 本装置为便携式操作单元，使用方便，精度高。可应用于实验室、工业排气（不含尘）中汞形态浓度的实时检测。

项目简介： 水安全是一个国家社会与经济发展的基本保障。水资源的管理和 使用需要精确和及时的监测。现有的水质检测技术需要不断提高其便 携性、降低成本、提高测量灵敏度，用来实现野外的实时水质监测。 本项目以 pH、pO2、温度等水质参数为出发点，通过小型化相关 传感器和检测设备，研发出可用于多参数水质检测的手持式设备。 项目特色： 用于水质多参数检测的手持式设备包括多个传感器、传感器信号 采集电路、低功耗蓝牙（BLE）和窄带物联网（NB-IoT）等通讯电路 以及多传感器融合算法等软硬件模块。 一般商用的 pH、pO2、温度等水质测量设备，需要使用市电供电， 只能在室内使用或者工作环境必须有市电的接入口。使得水质测量范 围受限。并且多数水质检测设备体积较大，难以携带。少数可手持的 设备，成本高昂，功能单一，难以适应室外多参数水质检测的需求。

无损检测在现代工业中受到越来越广泛的关注，超声检测方法由于其适用性广、绿色环保等优点，一直以来是应用最广泛的无损检测方法。相控阵超声检测技术具有检测速度快、效率高、缺陷检出率较高、检测方法灵活多样以及适用于狭窄空间等优点。目前，欧美等发达国家已经普遍采用了相控阵超声检测技术。最近几年，国内一些大型电力和石化公司也开始采用相控阵方法进行检测，但所使用的设备均为国外进口，比如加拿大R/DTech公司生产的PipeWIZARD管道相控阵超声检测系统，日本Olympus、美国GE等公司也分别有各自的相控阵超声检测产品。 最近几年，国家相关部门也开始对相控阵超声检测技术逐渐重视起来，并于2012年底发布，2013年6月开始实施了国内第一个相控阵超声检测的国家标准－GB/T 29302-2012《无损检测仪器相控阵超声检测系统的性能与检验》。

一种低复杂度的空间调制检测方法，通过设置合理的门限，将信号向量检测算法和硬解调最大似然检测算法相结合，在检测得到的BER性能极其接近最优算法ML检测的情况下，极大的降低检测的复杂度。

本发明提出一种电梯闸皮不均匀磨损的检测方法，包括：a)使用红外热像仪获取电梯制动时被测电梯闸皮及其附近空间的红外热像图像；使用摄像机拍摄从未使用过的性能良好的对照电梯闸皮及其附近空间的可见光图像；b)对红外热像图像进行降噪处理，滤去红外热像仪采集过程中的高斯噪声和椒盐噪声；c)对降噪后的红外热像图像进行特征提取，提取被测电梯闸皮制动时的等温线特征向量；对可见光图像进行特征提取，提取对照电梯闸皮的边缘特征向量；d)计算被测电梯闸皮制动时的等温线特征向量与对照电梯闸皮的边缘特征向量的相似度，检测被测电梯闸皮的不均匀磨损程度。本发明解决了电梯闸皮不解体情况下无法定量检测电梯闸皮不均匀磨损的问题。

本发明公开了一种套用商户类别码欺诈行为的检测方法，首先通过获取正常商户交易数据并进行预处理、层次聚类获取标准行为模式；然后，按照正常商户：套用商户＝1:1的数量，随机抽取正常商户、套用商户的交易流水数据并获取各商户的86维特征的交易数据向量，通过欧式距离计算获取一个9维特征进行叠加，得到95维的特征向量，通过批量梯度下降方法不断训练得到逻辑斯蒂回归模型的参数，从而得到分类器；最后依据新用户的一年的交易流水数据构造一个95维的特征向量送入分类器分类，检测出是否是套用商户。