1037879腦電信號特征提取編碼器秉銘DFS60B-T7CL04096電信號被用于診斷各種顱內病變,如腦中風、腦瘤等。這類疾病在發作時腦電活動的頻率和節律會發生變化,腦電信號分析已成為用于這些疾病輔助診斷及治療的必要手段,但是依然存在許多臨床需求難以滿足。腦電信號特征提取及分類方法的研究已經成為計算機科學、神經科學及醫學領域中共同面對的研究課題。隨著腦電信號的應用不斷擴大,特別是可穿戴腦電采集設備的廣泛應用,使腦電信號的數據更加豐富多樣,對腦電信號特征提取及分類方法在準確性、普適性及實時性等方面都提出更高的要求。本文進行腦電信號特征提取及分類方法的研究,以若干癲癇疾病相關腦電數據集為測試數據,提出新方法提高現有方法的準確性、普適性及實時性。本文基于計算機對腦電信號的處理流程,對流程中的兩個核心環節（特征提取方法和分類方法）開展研究工作。在特征提取方法的研究上,本文分別從三個不同角度提出三種不同的特征提取方法。針對信號分類,本文提出一種更具有普適性的分類方法。論文的研究內容主要包括以下四個方面:提出一種基于多重分形去趨勢波動分析方法的腦電信號特征提取方法（FE-MDFA）。由于腦電信號具有隨機性、非平穩性及非線性,利用多重分形去趨勢波動分析方法對腦電信號進行非線性分析,得到腦電信號樣本的多重分形譜,然后進一步在信號樣本的多重分形譜上提取可解釋、具有清晰的物理意義的特征向量。通過該特征向量進行腦電信號分類研究。分類過程中,通過搜索算法進行分類模型超參數選擇,并對小樣本訓練進行研究。第二:提出一種基于頻域特征搜索的腦電信號特征提取方法（GAFDS）。現有的腦電信號分析方法可提取出大量的信號特征。該方法利用遺傳算法在腦電信號頻域上搜索有利于分類的若干特征。對該方法得的特征與一些常用的非線性動力學特征進行分析比較,并研究特征搜索的擴展性。分類過程中,進行擴大特征搜索范圍提高分類準確率研究。第三:提出一種基于深度卷積網絡和自編碼器的腦電信號特征提取方法（AE-CDNN）。該方法研究有別于與第二項基于現有特征分析方法進行人工設計或搜索特征方式,方法基于深度卷積網絡和自編碼器對腦電信號進行特征降維,從而提取信號特征。研究中該方法與主成分分析方法和稀疏隨機映射方法降維得到的特征進行分類比較。同時對該方法得到特征的通用性和有效性進行研究,即研究基于這些特征在不同數據集中提高現有研究的分類準確率。第四:提出一種自適應不同采樣頻率的腦電信號的分類方法（CNN-E）。腦電數據呈現豐富多樣,分類方法能否適用不同規格的腦電數據成為難題。針對具有不同采樣頻率和不同長度的腦電信號分類問題,對現有方法可能存在的局限進行分析,并研究有效解決方法。上述的三種腦電信號特征提取方法各有特點及適用范圍,都能夠在一定程度上提升腦電信號的分類準確率。針對腦電為了能夠及時跟蹤產品質量、有效監控過程狀態、實現穩定可靠控制,生產過程關鍵質量變量的及時檢測至關重要。然而,由于環境惡劣、工況復雜和檢測技術有限等原因,實際生產過程中一些關鍵質量變量無法實現實時在線檢測。通過軟測量技術可以建立關鍵質量變量和易于測量的過程變量之間的數據模型,從而實現關鍵質量變量的實時預測估計。傳統軟測量建模過程中,往往都假設采集得到的輸入和輸出樣本是一一對應的。然而,在實際的工業生產過程中,關鍵質量變量樣本往往通過實驗室或者精密儀器分析得到,人力、時間、費用成本高,因此關鍵質量變量的測量樣本往往有限。相反,在生產過程中卻可以獲得大量的易于測量的過程變量樣本。傳統的軟測量建模方法往往只能利用這一小部分有標簽樣本（含有關鍵質量變量的樣本）建模,舍棄掉大量的無標簽樣本（只含有易測過程變量的樣本）。這樣不但難以建立準確的軟測量模型,同時也沒有充分利用無標簽樣本中包含的大量有用信息。本文針對工業過程中有標簽樣本有限、非線性以及動態性等問題,提出了基于深度學習的半監督軟測量建模方法,主要研究工作如下:（1）針對有標簽樣本有限及非線性問題,提出了一種基于自編碼器的半監督軟測量建模方法。將原來先無監督學習再有監督調整的建模方式,改進為只更新優化一個半監督自編碼器模型,由自編碼器模型和神經網絡模型共同構建了一個半監督軟測量模型,在脫丁烷塔數據集上驗證了其有效性。（2）針對有標簽樣本有限及動態性問題,提出了一種基于長短時記憶單元的半監督軟測量建模方法,長短時記憶單元（LSTM）模型不但可以使用大量的無標簽樣本,還可發掘樣本之間的相關特征,可解決動態性問題。將LSTM模型與注意力機制模型有機結合,解決序列長度變長后LSTM模型建模效果變差的問題,建立了LSTM-Attention模型。進一步添加卷積層,用于深度提取樣本之間的局部特征,建立了LSTM-CNN-Attention半監督軟測量模型,并在二氧化碳吸收塔數據集上驗證了該方法的有效性。（3）針對非線性和有標簽樣本稀缺以至于無法建立準確的軟測量模型的問題,提出了一種基于主動學習神經網絡的半監督軟測量建模方法。當有標簽樣本少到一定程度時,無論使用多少無標簽樣本都沒法建立準確的軟測量模型,這時候直接的方法就是添加有標簽樣本,通過主動學習神經網絡模型,從大量的無標簽樣本中選擇價值的無標簽樣本,然后交由專家或者實驗室進行標注,然后添加到有標簽樣本集中,提高軟測量模型的效果。主動學習神經網絡模型可以實現通過少的無標簽樣本標注得到軟測量模型精度的提升。在脫丁烷塔數據集上驗證了該方法的有效性。

為了增加光電平臺有效載荷的放置空間,需要將其內框架布局進行合理優化。采用平行軸傳動方式,將光電編碼器安裝在主軸旁,可有效擴大光電平臺內框架軸向空間。分析了同心軸傳動和平行軸傳動的優缺點,在平行軸傳動中,闡述了單片齒輪傳動、消間隙齒輪傳動及鋼帶傳動的適用性與局限性。通過實驗分析了消間隙齒輪傳動與鋼帶傳動在有限轉角范圍內對光電編碼器測角精度的影響。實驗結果表明,消間隙齒輪傳動在有限轉角范圍內的測角誤差大于3′,鋼帶傳動在有限轉角范圍內的測角誤差小于1′,為增加有效載荷空間提供了一種途徑。 

1037879腦電信號特征提取編碼器秉銘DFS60B-T7CL04096 間接成像器由于具有探測效率高等優勢,因此是一項很重要的技術。X射線間接成像器將入射的X射線通過閃爍體轉換成可見光,隨后物像經過后續的光學透鏡系統傳送到成像探測陣列中實現圖像可視和讀取。因此閃爍體的性能是X射線探測器性能的基礎,閃爍體影響著X射線間接成像探測器的空間分辨率、時間分辨率和探測效率等重要指標。*,閃爍體可以吸收高能射線后發出可見光,具有不潮解、耐高低溫、熱力學性能穩定、實用性、適用性強,并且具有微米級的成像分辨率等優點,在科研醫療、行李安檢、工業探傷、輻射探測領域、設備無損檢測等方面發揮重要作用。但是閃爍體的折射率與空氣的折射率差距比較大,閃爍體內部的受激光子在閃爍體和空氣的界面處發生全反射,損失大量受激光子,特別是中高頻光信息,造成X射線間接成像探測器成像質量不高。因此,對高性能X射線間接成像探測器的需求吸引了眾多科學研究人員從多方面進行深入研究。為了提高X射線間接成像探測器的成像質量,提高圖像細節信噪比,解決X射線成像方法學的不足,我們提出了創新性的解決方案,并且進行了大量實驗工作,具體工作內容如下:（一）為了研究高性能硬X射線間接閃爍成像探測器,提高探測器的成像質量,并且解決由于閃爍體高折射率產生的衍射限制,導致中高頻信息的丟失問題,我們提出了一種重新恢復這些圖像中高頻信息的技術。在該技術中將二維高密度光柵覆蓋在閃爍體的出射面上作為編碼器,通過一階衍射將中高頻信息轉移到低頻區域,從而使中高頻信息從閃爍體內部出射。后我們把編碼器的影響近似為修正點擴散函數（PSF）,用修正PSF對相機記錄的圖像進行解碼,將轉移到低頻區域的高頻信息重新轉換到高頻區域,從而大大提高了信噪比。我們稱之為高空間頻譜增強重建（HSFER）方法。終進行實驗,驗證了HSFER方法的有效性、實用性和適用性。實驗結果表明,HSFER方法可以大幅度提高圖像細節信噪比,使圖像細節更加清晰,與此同時,該方法可以降低成像實驗中曝光劑量,使在較低劑量下實現高信噪比重建。在許多實際應用領域中,HSFER技術都有希望實現高信噪比、高空間分辨率成像,并且高保真地成像,特別是在基于大型同步輻射裝置或桌面X射線管的高空間分辨率X射線間接成像中。與同實驗條件低輻射劑量下的間接X射線成像相比,HSFER技術具有更高的對比度和信噪比。（二）在HSFER技術中,需要構建只依賴系統的描述編碼器的PSF,但是在測量PSF中,往往會受到圖像的影響,因此在HSFER技術中需要構建與圖像無關的編碼器PSF,為了消除具體圖像的影響,我們提出了一種利用構PSF的方法,從而在非相干光照明情況下獲得編碼器PSF。我們利用非相干光下光信息分布的非定域性重建了PSF中央區域,并且成功應用于基于HSFER方法的這種復雜X射線間接成像系統。根據同步輻射成像實驗的結果比較,迭代算法構建該PSF能準確地復原圖像,并且圖像保真度高,信噪比提升明顯,實現一步成像。（三）基于上述理論,我們研制了一套適合我們HSFER方法的大數值孔徑成像探測器,保證頻譜的連續性,成功進行了X射線間接成像實驗。實驗顯示,信噪比實現了52倍的增長,終的成像實驗結果證明了成像探測器使用HSFER技術具有較強的實用性。（四）極紫外（EUV）干涉光刻技術適用于高效地制備期的大面積納米結構。我們利用課題組已有的技術應用在HSFER成像實驗中,做了以下工作:利用大面積拼接技術制備厘米級的二維高密度光柵作為編碼器進行了成像實驗,獲得了高信噪比圖像,該技術有望應用在CT成像中;用含有金屬氧化物的光刻膠直接制備二維高密度光柵,形成的圖案不需要圖形轉移,且具備很強的穩定性,避免了后處理引起的圖形轉移的失真。