新葡京娱乐场-大陆娱乐场开户注册

本發(fā)明公開了一種基于開槽結(jié)構(gòu)的四分之一模基片集成波導(dǎo)濾波器，包括四分之一模基片集成波導(dǎo)弧形腔，四分之一模基片集成波導(dǎo)弧形腔通過基片集成波導(dǎo)圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一模基片集成波導(dǎo)弧形腔包括介質(zhì)基片，介質(zhì)基片的上表面設(shè)有上金屬層，介質(zhì)基片的下表面設(shè)有下金屬層，介質(zhì)基片中沿四分之一模基片集成波導(dǎo)弧形腔的周向均勻分布有貫穿上金屬層和下金屬層的金屬通孔。本發(fā)明相對于傳統(tǒng)的基片集成波導(dǎo)圓形腔有效實(shí)現(xiàn)了小型化。并且，相對于傳統(tǒng)的多層結(jié)構(gòu)，本發(fā)明結(jié)構(gòu)簡單，加工方便。此外，相對于傳統(tǒng)的微帶結(jié)構(gòu)，本發(fā)明的濾波器品質(zhì)因數(shù)高，損耗小。

導(dǎo)讀東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動皮層中創(chuàng)建十個scout來選擇感興趣的區(qū)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(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)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(jù)國際10-10系統(tǒng)從64個通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動轉(zhuǎn)化為源空間的活動。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動皮層中創(chuàng)建了10個scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動相關(guān)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(qū)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(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)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(shù)據(jù)集包含每個受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時，受試者執(zhí)行了不同的運(yùn)動想象任務(wù)。每個受試者針對以下四個任務(wù)中的每一個執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)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(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時，目標(biāo)會想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)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(kuò)展到40個頂點(diǎn)，每個頂點(diǎn)只有一個源。L1區(qū)域?qū)?yīng)40個信號，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動皮層中創(chuàng)建了十個scout，如圖3所示。圖3 創(chuàng)建10個scout使用ESI計(jì)算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個任務(wù)(T1、T2、T3、T4)的源。對于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個受試者每次都要進(jìn)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(xiàng)任務(wù)的來源。然后提取10個scout的時間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動皮層中創(chuàng)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(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個六層卷積網(wǎng)絡(luò)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(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個卷積層、四個最大池層和一個全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個最大池化層。并嘗試了不同數(shù)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(wù)，R5 scout的時頻圖如圖6所示。包含時間和頻率互補(bǔ)的時頻分析方法提供了時域和頻域的聯(lián)合分布信息，清晰地描述了信號頻率與時間的關(guān)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(wù)只對特定的頻率和時間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測試集。首先，將十個受試者的數(shù)據(jù)集（總共19320個樣本）分為17388個樣本以訓(xùn)練所提出的CNN模型，以及1932個樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個樣本)，其中24343個樣本是訓(xùn)練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測試，以驗(yàn)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(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)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(biāo)準(zhǔn)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(wù)的組級統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)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(wù)中的每一個都如圖9(b)所示。通過改變訓(xùn)練集和測試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務(wù)中每一個的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達(dá)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(xiàn)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(jié)論東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對運(yùn)動想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)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(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

博士研究生以上學(xué)歷，在化工工藝、化工工程領(lǐng)域擁有相應(yīng)科研成果，能夠組建技術(shù)團(tuán)隊(duì)，并帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。 碩士研究生以上學(xué)歷，在儀表及自動化控制領(lǐng)域擁有相應(yīng)科研成果，能夠帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。 碩士研究生以上學(xué)歷，在精餾萃取領(lǐng)域擁有相應(yīng)科研成果，能夠帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。

12月10-12日來自全國各地的委員代表齊聚粵港澳大灣區(qū)核心海濱城市-珠海出席2021年度工作會議。本次大會由全國顆粒表征與分檢及篩網(wǎng)標(biāo)委會顆粒分技術(shù)委員會主辦，珠海真理光學(xué)儀器有限公司負(fù)責(zé)承辦。

近日，北京大學(xué)化學(xué)與分子工程學(xué)院吳凱/劉婧團(tuán)隊(duì)與電子學(xué)院的王永鋒等人利用堿金屬離子與有機(jī)分子間的靜電相互作用，在銅或銀單晶表面上實(shí)現(xiàn)了一系列無缺陷的表面謝爾賓斯基分形結(jié)構(gòu)的構(gòu)筑（如下圖），并利用掃描隧道顯微鏡（STM）成像和密度泛函理論（DFT）計(jì)算對形成分子分形結(jié)構(gòu)的靜電作用進(jìn)行了實(shí)驗(yàn)表征和理論闡釋。該研究拓展了可用于構(gòu)筑分子分形結(jié)構(gòu)的分子間相互作用的種類，尋找到了該系列研究中缺失的新“拼圖”板塊，豐富了利用表面化學(xué)手段制備復(fù)雜分子納米結(jié)構(gòu)的“工具箱”。

HKM定制汽車輪轂六分力傳感器動態(tài)測試路譜

本發(fā)明公開了一種焦磷酸測序檢測clade2.1.3分支H5N1亞型禽流感病毒的方法。本發(fā)明提供了一種檢測clade 2.1.3分支H5N1禽流感病毒的成套引物，包括如下引物對：所述引物對由序列表中序列1所示的單鏈DNA分子和序列表中序列2所示的單鏈DNA分子組成。上述成套引物還包括核苷酸序列為序列表中序列3的測序引物。本方法的特異性強(qiáng)、靈敏度高，與病毒分離和血凝抑制實(shí)驗(yàn)等常規(guī)實(shí)驗(yàn)方法的鑒定結(jié)果相比，符合率達(dá)100％，可以及時對禽染病情況及區(qū)域、環(huán)境的病毒污染情況作出及時快捷的檢測和確診，這對于及時監(jiān)測clade2.1.3分支H5N1禽流感病毒入境傳播具有重要意義。