云上高博会

TX-2003B型数字电路电子二合一实验室设备

本设备适用于高等院校及要求较高的中专、技校、职业学校，可完成电工学、电工原理、电路分析、模拟电子技术、教字电路,电气控制设备等课程实验。该设备是现有实验室设备的更新换代或新建、扩建实验室的理想产品,它的配备是学校上水平、上等级的重要标志。一、用途、特点: 　　目前，国内各类学校电工、模拟、数字电路、电气控制实验大多是分体的，也有部分学校根据教学要求自制各种形式的实验设备，由于工量少，受自身加工能力的限制，加工工艺粗糙，功能不全，满足不了实验要求，也容易发生人身及设备事故，且实验元器件繁多难购置、难以管理，很难开出实验大纲规定的实验。基此，我厂吸取德国及国内同类产品的优点，结合我国高教，职教教学大纲要求而研制本系列产品。　　实验台具有较完善的安全保护措施，较齐全的功能。实验操作桌中央配有通用电路插扳，电路插板注塑而成，表面均布有九孔成一组相互联通的插孔，元件盒在其上任意拼插成实验电路；元件盒盒体透明，直观性好，盒盖印有永不褪色元件符号，线条清晰美观。盒体与盒盖采用较科学的压卡式结构，维修、更换元件拆装方便。元器件放置在实验操作桌下边左右柜内，实验时取存方便，大大提高了管理水平，规划化程度，大大减轻了教师实验准备工作。　二、结构与配备 1、实验台桌:见彩图，一台二座，台桌外形尺寸:160X70X8Ocm。台桌中央配置通用电路板。每张台桌配一粒胶皮板，以保护通用电路板及桌面(如需要在其上放置电机、焊接等)。台桌下都是元件储存柜，放置元器件。 2、实验台:共12台，每张学生实验操作桌上配置l台 3、示教台:1台示教台，分别控制12台学生的电源，通用电路板演示屏立在实验台上，尺寸150X7Ocm，用于讲解、演示。 4、器材配备: 39只指针式1.5级直流电流表、13只MF500万用表，13只数字万用表.25套电烙铁和烙铁架、13套剥线钳、尖嘴钳、螺丝刀等工具，13套实验所需的电阻.电位器.电感、电容.集成电路.变压器.条形磁铁.逻辑电平开关、逻辑电平显示 .91只集成座等元件单元盒(元件已装在单元盒内)，25张塑料凳。 5·用户自备器材:双踪示波器(型号不限)，功率表、滑线变阻器、毫伏表三、实验项目: 实验内容1、模拟部分实验 1·二极管的正、反相特性　　　　 2·晶体三极管的输入、输出特性　 3·晶体管共射极单管放大器　　　 4·两级阻客搞合放大电路　　　　 5·负反馈对放大器性能的影响　　 6·场效应管放大器　　　　　　　 7·差动放大电路　　　　　　　　 8·运算放大器指标测试　　　　　 9·集成运算放大器的基本应用(多种模拟运算电路)　 10·集成运算放大器非线性应用（多种波形发生器）　 11· 变压器耦合推挽功率放大器 12·OTL功率放大器 13· 集成功率放大器 14·单相桥式整流电路 15·串联型晶体管直流稳压电源(设计性实验) 16·集成直流穗压电源 17·单结晶体管特性 18·单结晶体管触发电路 19·晶闸管简单测试 20·晶闸管可控整流电路利用上述20项实验元器件还可完成下面实验项目 l·电压负反馈偏置电路　　　　　　 2·分压式电流负反债偏置电路　　　 3·用二极管穗定工作点　　　　　　 4·共基极放大电路　　　　　　　 5·共集电极放大电路　　　　　　 6·共源极基本放大电路 7·场效应管共漏极电路 8·场效应管共栅极电路 9·单管阻客放大电路 10·变压器耦合放大电路 11·甲类功率放大电路 12·串联电流负反馈电路 13·串联电压负反馈电路 14·并联电压负反馈电路 15·串联型晶体管直流稳压电源(设计性实验) 16·共基共射极放大电路 17·自举射极输出电路 18·NPN一PNP直接耦合放大电路 19·用负反馈消除自激根箔 20·晶体管开关作用 21·变压器反馈式振荡电路 22·电容三点式振荡电路 23·电感三点式振荡电路 24·差动放大电路的基本形式 25·长尾式差动放大电路 26·双电源长尾式差动放大电路 27·运放用作交流比例放大 28·反相输入保护措施 29·同相输入保护措施 30·电源极性错接的保护 31·RC高通电路 32·利用三极管来保护器件 33·差动输入运算电路 34·快速积分电路 35·模拟一阶微分方程电路 36·模拟二阶微分方程电路 37·基本对数运算电路 38·实用微分电路 39·反对数放大基本电路 40·简单的过零比较电路 41·利用二级管作为上限检测幅度选择电路 42·下限幅度选择电路 43·RC无源网络的低通滤波电路 44·同相输入一阶低通滤波电路 45·反相输入一阶低通滤波电路 46·简单的二阶RC滤波电路 47·典型二阶RC有源低通滤波电路 48.典型二阶高通有源滤波电路 49·基本带通滤波电路 50·典型带通滤波电路 51·矩型波振荡电路 52·宽度可调的矩形波发生器 53·幅频可调的锯齿波发生器 54·单相半波整流电路 55·单相全波整流电路 56·电容滤波电路 57·电容滤波带电阻负载 58·RC滤波电路 59·基本LC滤波电路 60·二倍压整流电路 61·三倍压整流电路 62·基本稳压电路 63．基本调整管稳压电路 64·具有放大环节的稳压电路 65·单相半波可控硅整流 66·电子调压电路 67·电子催眠器一一趣味性实验一 68·电子门铃电路一一趣味性实验二 69·电子报警电路一一趣味性实验三 15·并联电流负反馈电路 2、数字部分实验 l·TTL集成迈林门的参数测试 2．CMOS逻辑门的参数测试 3．TTL集成电极开路门与三态输出门的应用 4·与、非·或、与非门电路实验 5·半加器电路实验 6·全加器电路实验 7．RS触发器实验 8．D触发器实验 9．JK触发器实验 IO·T触发器实验 11．JK型触发器转换成D触发器 12·D型触发器转换成JK触发器 l3。计数器实验 14·MSI移位寄存器及其应用 15·译码器及其变换方式 16·MSI数据选择器及逻辑设计 17·微分型单稳态电路 18·环形多谐振薄器 19·利用门电路构成编码器，分配器、选择器 20·组合电路的设计之一一一编码转换 21．组合电路的设计之二一一显示电路 22·同步时序电路的设计 23·计算机时序电路的设计 24·集成定时器测试及应用 25·CMOS集成A/D、D/A转换电路实验 26·二极管非门·或非门电路 27·三极管非门、与非门、或非门电路 28·异步十进制减法计数器 29·异步十进制加法计数器 30·综合能力培训实验一一电子秒表

芜湖中方科教设备有限公司 2021-08-23

一种通过scout ESI和CNN解码EEG运动想象四分类任务的新方法

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

东北电力大学 2021-04-10