葡京娱乐场-富盈娱乐场开户

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本發明涉及一種 Fe2O3 層狀納米陣列、具有層狀結構的 Fe2O3/PPy 柔性復合材料及其二者的制備方法和應用，屬于材料領域。 該 Fe2O3 層狀納米陣列利用特定規格的 ZnO 納米棒模板作為原料制 備，該 Fe2O3/PPy 柔性復合材料采用氣相原位化學聚合法復合 Fe2O3 層狀納米陣列和 PPy 得到。氣相原位聚合方法更為簡單、易實現，可 控性較好。Fe2O3 層狀納米陣列具有特殊的層狀結構，具有比表面高

金碟手機微信圖書館服務平臺是基于微信平臺提供圖書檢索和在借圖書查詢、預約借還書等服務，便于移動應用。 主要功能： 1.發布通知：通過微信公眾平臺的管理頁面推送信息。 2.圖書推薦：新書推薦。 3.讀者證信息：綁定微信證件號以及查看個人信息。 4.查詢借閱信息：查看當前圖書的借閱信息。 5.續借：對當前借閱信息進行續借操作。 6.查詢圖書：通過書名，作者，主題詞等查詢圖書 7.預約借還書：根據查詢到的圖書進行預約借還書；取消預約。 8.自定義菜單：根據需求調整菜單功能。 金碟手機微信圖書館服務平臺需與金碟圖書館管理系統配套使用。用戶需申請微信公眾號。

北京信恒東方科技發展有限公司于2009年02月11日成立。公司經營范圍包括：技術開發；技術咨詢；銷售文具用品、體育用品、五金交電(不含電動自行車)、建筑材料、計算機軟件及輔助設備、裝飾材料、針紡織品、金屬材料、化工產品（不含危險化學品）、日用品、工藝品、服裝、鞋帽、機械設備、通訊器材、電子產品、醫療器械（一類）；電腦圖文設計；電腦動畫設計；企業策劃；會議服務；承辦展覽展示等。

北京華通安信科技有限公司（以下簡稱華通安信）成立于2018年7月，是賽爾網絡有限公司（以下簡稱賽爾網絡）的全資子公司。依托優質的廠商資源，華通安信通過專業化的產品和服務，為廣大學校提供一系列教育解決方案，致力于成為中國領先的教育解決方案服務商。 我們為學校提供專業的產品銷售、培訓課程、技術服務、生命周期管理等全方位服務和綜合解決方案。業務覆蓋全國31個省份，服務于1800多個教育合作伙伴，包括高校、K12學校、國際學校及教育機構。

煙臺達信精密儀器有限責任公司是由原煙臺中船船用配套實業公司改制成立的股份責任公司，公司主要產品是為各類艦船配套石英母子鐘、石英船鐘、船用傾斜儀等船用精密儀器、儀表。生產的精密儀器適用于航海等部門，曾先后為國內外的民用、軍用船舶進行產品配套。生產的CZ系列石英船鐘、鐘式傾斜儀、CZM型母子鐘系列產品通過中國船級社（CCS）產品型式認可。 公司座落在中國鐘表發源地-煙臺。  煙臺達信精密儀器有限責任公司（銷售）擁有完整、科學的質量管理體系。企業已通過中國船級社的質量體系認證。船用產品通過中國船級社（CCS）產品型式認可，軍用產品通過部隊專項檢驗。  煙臺達信精密儀器有限責任公司（銷售）的誠信、實力和產品質量獲得業界的認可。歡迎各界朋友蒞臨煙臺達信精密儀器有限責任公司（銷售）參觀、指導和業務洽談。

青島立信藏馬山悠然谷生態園成立于2014年01月14日，注冊地位于青島黃島區大村鎮藏馬三村，法定代表人為崔成利。經營范圍包括苗木、花卉、蔬菜、水果、谷類、豆類、薯類、食用菌種植、銷售；畜禽養殖、銷售；禽蛋銷售；旅游項目開發；餐飲服務；住宿服務；會務服務；室內工廠化水產品養殖、銷售（不含冷庫）；經營其他無需行政審批即可經管用的一般經營項目。（依法須經批準的項目，經有關部門批準后方可開展經營活動）（依法須經批準的項目，經相關部門批準后方可開展經營活動）青島立信藏馬山悠然谷生態園對外投資1家公司。