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

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

研发阶段/n本发明提供一种蛋白质分子印迹膜，能够选择性识别结合模板蛋白质分子，是以魔芋葡甘聚糖为主要基质，其制备方法是将魔芋葡甘聚糖充分溶胀后，加交联剂或与其它高分子共混，中和后加入模板蛋白质分子，充分混合后流涎成膜，干燥脱水形成模板蛋白质的分子印迹，加洗脱液充分洗脱模板蛋白质分子后制成魔芋葡甘聚糖蛋白质分子印迹膜。本发明所得蛋白质分子印迹膜，可作为生物分离模拟亲和膜应用于蛋白质分离纯化，尤其是基因工程蛋白质产品的分离纯化，生物传感检测中的敏感膜部件以模拟抗体识别相应抗原等。

本发明是一种活性污泥与生物膜协同作用的污水处理设备，适用于处理石化工业废水，以及低浓度和高浓度的生产或生活污废水。处理工艺的处理效果稳定，运行可靠，出水水质可以达到国家排放标准的一级标准；产生的污泥具有较好的沉降性能，易于处理；与其它处理设备或构筑物相比较，工艺流程短，污泥回流量减少40％～ 80％，运行费用降低18％～31％。通过处理设备的内外成结合达到多种处理工艺的组合，运行方式灵活，节省工程的投资，减少占地面积。

一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 学号 邓多多 化学化工/化学工程 2018.9/2022.6 201831044104 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 王娜 化学化工/制药工程 实验教师/高级实验师 环境功能材料 四、项目简介 聚乙烯亚胺是一种包含伯胺，仲胺和叔胺的部分支链聚合物。本项目根据聚乙烯亚胺和单宁酸的性质，采用聚乙烯吡咯烷酮（PVP）与超支化聚乙烯亚胺作为纺丝的前体材料，通过静电纺丝制备纳米级纤维膜，再与戊二醛交联，使纤维膜具有水不溶性，最后与单宁酸接枝。制备出一种新型纤维膜并用于吸附水中Cr(VI)离子。

该项目是在国家自然科学基金委的大力支持下，由西安交通大学吴裕远教授主持的课题组经过15年的艰苦努力，突破传统机理，锐意科技创新，所取得的最新成果，荣获2001年国家技术发明奖二等奖。该项目是西安交通大学，拥有完全的自主知识产权,非常适宜在制氧、石油、化工、乙烯等换热器领域推广应用。 

研发阶段/n本发明涉及一种利用亲水改性无机填料作致孔剂制备多孔膜的方法，该方法是在成膜过程中使用水或水溶液将亲水改性的无机填料以固体状态从聚合物膜中析出得到多孔膜的方法，该亲水改性的无机填料是使用能溶于水且能与无机填料形成配位键或氢键的聚合物或小分子化合物改性制备的，其特征在于，该方法包括如下工序：无机填料的亲水改性工序，该亲水改性工序可以在配制膜液前完成或在膜液配制过程中完成；使用水或水溶液作为凝胶浴在浸没沉淀相转化的成膜过程中将亲水改性的无机填料以固体状态从膜中析出的工序。这种方法制膜时不仅可以

本发明公开了一种可防止取多张非覆膜编织袋的取袋设备，包括机架及安装在机架上的取袋翻袋机构、分袋机构、翻转压袋机构、袋口托板和吹气喷嘴，所述取袋翻袋机构包括取袋翻袋安装架、取袋气缸、下压板、翻转气缸旋转轴、取袋吸盘、翻转气缸、翻转板、活动铰链、活页、夹袋旋转气缸、夹板轴和夹板；所述分袋机构包括驱动电机、传动机构和分袋板。本取袋设备采用从袋尾取袋的方式，吸盘在吸取上层袋时，下层袋在袋尾重量作用下容易与上层袋分离；此外，由于袋尾部分的厚度比袋中部分厚，因此在袋库中，编织袋堆叠后，各层袋袋尾之间较袋口易形成较大间隙，间隙间存在空气越多，包装袋越容易分离。

本发明公开了一种用于液流电池的不对称无机陶瓷膜及其制备方法，属于电池隔膜技术领域。用于液流电池的不对称无机陶瓷膜包括基底层、过渡层和选择层；基底层为厚度为0.5~2 mm、孔径为0.5~3μm的氧化铝陶瓷片；过渡层的材质为氧化铝，其厚度为10~30μm，孔径为80~120 nm；选择层为单层或多层结构，选择层中各层的材质为氧化铝、氧化钛和氧化锆中的至少一种，每一层的厚度为0.5~5μm，孔径为2~10 nm。本发明的用于液流电池的不对称无机陶瓷膜携带大量的羟基基团，这些呈电负性的羟基基团通过道南效应可以排斥锌酸根离子，从而有效避免金属锌的不规则沉积，进而有效抵御锌枝晶对隔膜的刺穿。

（专利号：ZL 201510237036.6） 简介：本发明公开了一种合成2H‑吲哚[2，1‑b]酞嗪‑1，6，11(13H)‑三酮的方法，属于离子液体催化技术领域。该合成反应中芳香醛、邻苯二甲酰肼和5，5‑二甲基‑1，3‑环己二酮的摩尔比为1：1：1，酸性离子液体催化剂的摩尔量是所用邻苯二甲酰肼的3～7％，反应溶剂乙醇以毫升计的体积量为邻苯二甲酰肼以毫摩尔计的摩尔量的3～5倍，回流反应8～30min，反应结束后冷却至室温，有大量固体析出，抽滤后滤渣乙醇洗涤、真空干燥后得到产物。本发明与采用其它酸性离子液体催化剂的合成方法相比，具有催化剂催化活性高、可生物降解性好、制备成本较低以及整个合成过程操作简单方便等特点，便于工业化大规模应用。