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

（专利号：ZL 201410424243.8） 简介：本发明公开了一种催化合成12-芳基-8，9，10，12-四氢苯并[α]氧杂蒽-11-酮衍生物的方法，属于有机合成技术领域。该合成反应中芳香醛、β-萘酚和1，3-环己二酮衍生物的摩尔比为1：1：1，酸性离子液体催化剂的摩尔量是所用芳香醛的7～10％，反应溶剂90％乙醇水溶液的体积量(ml)为芳香醛摩尔量(mmol)的3～6倍，回流反应时间为15～60min，反应结束后冷却至室温，过滤，所

酿酒、调味品等食品酿造工艺工程类及精细化工领域装备技术合作

本成果发明的一类芳香杂环酮或酮醌类化合物作为锂离子二次电池正极材料，是以具有芳香杂环酮或酮醌为电化学氧化还原位点的有机化合物，包括芳香杂环酮和芳香杂环酮醌类衍生物。该类化合物以芳香共轭酮或酮醌骨架上的羰基与锂离子的反应为作用机制并以羰基为反应活性位点，酮羰基、酮醌羰基是都是有机化合物正极材料中普遍使用的活性官能团之一，能够用于实现较高的比容量、更正的氧化还原电位和更高的放电电位，并作为高比容量、高循环性能的锂离子正极材料。

全三维粒子模拟软件CHIPIC是国家*63计划*03主题支持项目“***粒子模拟软件研发”的主要研究内容，其研究目的是在坚实理论基础指导下，深入开展强波粒相互作用理论及HPM和HPMM相关理论研究，建立强流相对论互作用的理论体系，为高功率微波器件理论研究提供一款实用的粒子模拟软件。 因为粒子模拟软件在军事领域有重大应用价值，国外的一些先进粒子模拟软件对我国是禁运的（如美国的MAGIC），从而一些内部技术对我国也是封闭的。本软件是完全依靠国内的自身条件研制完成的，是具有完全知识产权的软件。由本软件运算的准确性（与国外软件比较验证）可以证明本成果使用的技术线路是完全可与国外软件媲美的。 该项目完成了三维电磁粒子模拟理论与算法、软件设计、软件测试等研究内容，突破了高效并行计算、大尺度结构建模、三维PIC/MCC混合算法等关键技术，设计了友好的图形化输入界面及多窗口输出界面，形成了功能完整的CHIPIC3D模拟软件。并最终应用于对高功率微波源、真空电子学太赫兹源、脉冲功率真空器件等进行三维粒子模拟。 该项目主要技术指标如下：1.CHIPIC3D全三维电磁粒子模拟软件在直角及圆柱坐标系下实现了三维FDTD及粒子算法，能对各种对称、非对称结构的高功率微波源及太赫兹波源器件进行三维粒子模拟，模拟结果与实验吻合。2.采用基于消息交换与共享内存相结合的并行计算方法，使加速比达到30以上;3.采用分段建模并行计算的方法，能对30米以上大尺度精细结构进行三维粒子建模及模拟；4.将蒙特卡洛及Vaughan模型算法应用于三维粒子模拟软件，使其能模拟介质表面二次电子倍增、气体放电及介质表面击穿等复杂物理问题；5.采取面向对象的方法，能提供友好的图形化的输入界面及多窗口输出界面。 目前该软件已在中国工程物理研究院流体物理研究所、中国工程物理研究院应用电子学研究所、北京应用物理与计算数学研究所、国营第七七二厂、四川大学电子信息学院、西南交通大学等单位应用。从军事应用角度来看，该软件将缩短我国高功率微波源的研究周期，从而加快我国军队相关武器装备的研究进程；从经济效益角度来看，该软件避免了大量的重复加工及重复试验，节约了大量的人力物力，从而为用户单位带来巨大的经济效益。

本发明阐述了一种激光溅射法制备CsPbBr3薄膜的方法。具体步骤为：先通过DMF、DMSO、环己醇、PbBr2、CsBr材料以溶液加热方法制备出足量的CsPbBr3单晶并压成靶材，再采用脉冲激光沉积薄膜制备技术：调整激光能量和基底温度，通过激光脉冲数控制薄膜厚度，真空沉积制备CsPbBr3薄膜。本发明利用脉冲激光沉积技术制备CsPbBr3薄膜，可实现均匀大面积薄膜的便捷制备，易于有效控制薄膜厚度并且节约材料，有利于该材料在太阳能电池的工业化生产与应用。