Упрощенка 2019: Важные изменения УСН в 2019 году — СКБ Контур

Содержание

Абдулганиев: «Упрощенка» для предприятий поможет выводу бизнеса из тени

https://ria.ru/20211119/biznes-1759859731.html

Абдулганиев: «Упрощенка» для предприятий поможет выводу бизнеса из тени

Абдулганиев: «Упрощенка» для предприятий поможет выводу бизнеса из тени — РИА Новости, 19.11.2021

Абдулганиев: «Упрощенка» для предприятий поможет выводу бизнеса из тени

Упрощенная система налогообложения для микропредприятий в РФ будет способствовать сокращению их издержек и дальнейшему выводу малого и среднего бизнеса из тени, РИА Новости, 19.11.2021

2021-11-19T17:33

2021-11-19T17:33

2021-11-19T17:33

республика татарстан

рустам минниханов

михаил мишустин

фарид абдулганиев

/html/head/meta[@name=’og:title’]/@content

/html/head/meta[@name=’og:description’]/@content

https://cdnn21.img.ria.ru/images/07e5/0b/13/1759861282_0:0:1600:900_1920x0_80_0_0_67450c975bf9563b94fe4a49c3885e22.jpg

КАЗАНЬ, 19 ноя – РИА Новости. Упрощенная система налогообложения для микропредприятий в РФ будет способствовать сокращению их издержек и дальнейшему выводу малого и среднего бизнеса из тени, заявил РИА Новости уполномоченный при президенте Татарстана по защите прав предпринимателей Фарид Абдулганиев.В Госдуму внесен проект поправок в Налоговый кодекс РФ, который предусматривает введение нового налогового режима для микропредприятий «Автоматизированная упрощенная система налогообложения». Новый налоговый режим в качестве эксперимента заработает с июля 2022 года в Москве, Московской, Калужской областях и Татарстане. Ожидается, что эксперимент по переходу продлится 6 лет. Новый налоговый режим предусматривает в частности обнуление страховых взносов и отказ от необходимости сдачи налоговой отчетности.Ранее премьер-министр России Михаил Мишустин отмечал, что переход микропредприятий в РФ на упрощенную систему налогообложения позволит снизить производственные издержки, а освободившиеся ресурсы направить на собственное развитие. Новшество, по его мнению, также существенно облегчит взаимодействие бизнеса с государством.»Опыт Татарстана говорит о востребованности у предпринимателей сервисного подхода, уже опробованного ФНС на самозанятых, что, по нашему мнению, будет способствовать сокращению издержек микропредприятий и дальнейшему выводу МСП из тени», — сказал Абдулганиев, комментируя разработку нового налогового режима для малого бизнеса.Однако при этом он обратил внимание, что микробизнес – это не про налоги, а про занятость населения. «С нашей точки зрения, самое главное, что власти страны в лице налоговой службы понимают это, делая очень важный шаг навстречу ожиданиям этой категории предпринимателей, для которых каждый поход в налоговую – это стресс», — уточнил бизнес-омбудсмен Татарстана.Абдулганиев отметил, что эксперимент пройдет в тех же четырех регионах, в которых ранее запускался «пилот» по самозанятым. По его словам, в 2019 году жители Татарстана одними из первых оценили удобство администрирования налога на профессиональный доход и те возможности, которые он открывает. Только за 10 месяцев этого года самозанятых в Татарстане стало на 54% больше – сейчас их более 164 тысяч.Бизнес-омбудсмен подчеркнул, что самозанятые являются «стратегическим резервом» для роста татарстанского малого бизнеса. Главное, по его мнению, предоставить им условия развития, в первую очередь – обеспечить сбыт продукции. Большие перспективы в этой области, по его словам, связаны с выходом самозанятых на маркетплейсы.Он напомнил, что по поручению президента Татарстана Рустама Минниханова в марте этого года заработал центр электронной торговли «Маркетплейс.Легко», который оказывает бесплатные для татарстанских предпринимателей услуги по выводу их на маркетплейсы, в том числе по оцифровке товаров и доведения до первых продаж. Только за 10 месяцев этого года количество татарстанских предпринимателей, работающих на маркетплейсах, увеличилось в пять раз, превысив 16 тысяч. Примерно каждый четвертый из них – самозанятый.

https://ria.ru/20211117/tatarstan-1759524088.html

https://ria. ru/20211110/tsekh-1758382124.html

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

2021

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

Новости

ru-RU

https://ria.ru/docs/about/copyright.html

https://xn--c1acbl2abdlkab1og.xn--p1ai/

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

https://cdnn21.img.ria.ru/images/07e5/0b/13/1759861282_250:0:1450:900_1920x0_80_0_0_512d367409646c2b6880c89276d45a21.jpg

РИА Новости

[email protected]

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

РИА Новости

[email protected] ru

7 495 645-6601

ФГУП МИА «Россия сегодня»

https://xn--c1acbl2abdlkab1og.xn--p1ai/awards/

рустам минниханов, михаил мишустин, фарид абдулганиев

КАЗАНЬ, 19 ноя – РИА Новости. Упрощенная система налогообложения для микропредприятий в РФ будет способствовать сокращению их издержек и дальнейшему выводу малого и среднего бизнеса из тени, заявил РИА Новости уполномоченный при президенте Татарстана по защите прав предпринимателей Фарид Абдулганиев.

В Госдуму внесен проект поправок в Налоговый кодекс РФ, который предусматривает введение нового налогового режима для микропредприятий «Автоматизированная упрощенная система налогообложения». Новый налоговый режим в качестве эксперимента заработает с июля 2022 года в Москве, Московской, Калужской областях и Татарстане. Ожидается, что эксперимент по переходу продлится 6 лет. Новый налоговый режим предусматривает в частности обнуление страховых взносов и отказ от необходимости сдачи налоговой отчетности.

17 ноября 2021, 18:04Республика ТатарстанПравительство Татарстана утвердило программу развития интернет-торговлиРанее премьер-министр России Михаил Мишустин отмечал, что переход микропредприятий в РФ на упрощенную систему налогообложения позволит снизить производственные издержки, а освободившиеся ресурсы направить на собственное развитие. Новшество, по его мнению, также существенно облегчит взаимодействие бизнеса с государством.

«Опыт Татарстана говорит о востребованности у предпринимателей сервисного подхода, уже опробованного ФНС на самозанятых, что, по нашему мнению, будет способствовать сокращению издержек микропредприятий и дальнейшему выводу МСП из тени», — сказал Абдулганиев, комментируя разработку нового налогового режима для малого бизнеса.

Однако при этом он обратил внимание, что микробизнес – это не про налоги, а про занятость населения. «С нашей точки зрения, самое главное, что власти страны в лице налоговой службы понимают это, делая очень важный шаг навстречу ожиданиям этой категории предпринимателей, для которых каждый поход в налоговую – это стресс», — уточнил бизнес-омбудсмен Татарстана.

Абдулганиев отметил, что эксперимент пройдет в тех же четырех регионах, в которых ранее запускался «пилот» по самозанятым. По его словам, в 2019 году жители Татарстана одними из первых оценили удобство администрирования налога на профессиональный доход и те возможности, которые он открывает. Только за 10 месяцев этого года самозанятых в Татарстане стало на 54% больше – сейчас их более 164 тысяч.

10 ноября 2021, 13:16Республика ТатарстанСтроительство нового цеха начато на Казанском вертолетном заводе

Бизнес-омбудсмен подчеркнул, что самозанятые являются «стратегическим резервом» для роста татарстанского малого бизнеса. Главное, по его мнению, предоставить им условия развития, в первую очередь – обеспечить сбыт продукции. Большие перспективы в этой области, по его словам, связаны с выходом самозанятых на маркетплейсы.

Он напомнил, что по поручению президента Татарстана Рустама Минниханова в марте этого года заработал центр электронной торговли «Маркетплейс.Легко», который оказывает бесплатные для татарстанских предпринимателей услуги по выводу их на маркетплейсы, в том числе по оцифровке товаров и доведения до первых продаж. Только за 10 месяцев этого года количество татарстанских предпринимателей, работающих на маркетплейсах, увеличилось в пять раз, превысив 16 тысяч. Примерно каждый четвертый из них – самозанятый.

С 2019 года многие «упрощенцы» потеряют право на пониженные тарифы страховых взносов

В Письме от 23.10.2018 N 03-15-05/75886 Минфин напомнил, что поправки, предусмотренные Федеральным законом от 03.08.2018 N 303-ФЗ, уточнили перечень лиц, имеющих право на применение пониженных тарифов страховых взносов.

Для отдельных категорий плательщиков (некоммерческих организаций социальной направленности и благотворительных организаций, применяющих УСН) продлено действие пониженных тарифов страховых взносов до 2024 года. Но для большинства «упрощенцев» и ИП на ПСН, начиная с 2019 года предусмотрено исчисление страховых взносов исходя из общих тарифов.

Страхователи, указанные в подпунктах 5 — 9 п. 1 ст. 427 НК РФ

Возможность применения пониженных тарифов страховых взносов

Организации (ИП) на УСН, основной вид деятельности которых указан в подп.

5 п. 1 ст. 427 НК РФ

отменена с 2019 года

Аптечные организации (ИП, имеющие лицензию на фармацевтическую деятельность) на ЕНВД

отменена с 2019 года

Некоммерческие организации (кроме государственных (муниципальных) учреждений) на УСН, осуществляющие деятельность в области социального обслуживания граждан, научных исследований и разработок, образования, здравоохранения, культуры и искусства, массового спорта (за исключением профессионального)

продлена до 2024 года

Благотворительные организации на УСН

продлена до 2024 года

ИП, применяющие патентную систему налогообложения

отменена с 2019 года

Полный текст документа смотрите в СПС КонсультантПлюс Ссылки на документы доступны только пользователям КонсультантПлюс — клиентам компании «ЭЛКОД». Дополнительную информацию по приобретению СПС КонсультантПлюс Вы можете получить ЗДЕСЬ.

Упрощенка Live. Всероссийский слет малого бизнеса

18 июня 2019г.

Уважаемые коллеги!

Союз «Торгово-промышленная палата Калужской области» информирует, что 19 июня 2019 года состоится онлайн-трансляция для руководителей, ИП и бухгалтеров компаний на УСН «Упрощенка Live. Всероссийский слет малого бизнеса».

Мероприятие пройдет с 11.00 до 17.00 по московскому времени. Организатор – журнал «Упрощенка» – профессиональное издание для руководителей и бухгалтеров предприятий на упрощенной системе налогообложения.

Для Вас зарезервировано бесплатное участие в онлайн-трансляции. Вам осталось только пройти по ссылке и зарегистрироваться.

Участвовать бесплатно>>>

На мероприятии будут рассматриваться следующие вопросы:

1. Как расширить бизнес и не слететь с УСН расскажет Митюкова Эльвира Сайфулловна, к.э.н., аттестованный аудитор, руководитель проектов и ведущий лектор консалтинговой компании «Академия успешного бизнеса».

2. Про законные и незаконные способы обналички, риски и ответственность бизнеса спросим у Ежовой Натальи Геннадиевны, советника государственной гражданской службы РФ 3-го класса

3. На какие поблажки и льготы могут рассчитывать малые компании в 2019 году узнаем от Новиковой Татьяны Александровны, к. э. н., аттестованного аудитора и налогового консультанта, преподавателя УМЦ при ФНС России.

4. Чем грозят бизнесу серые схемы выплаты зарплаты и как их вычисляют налоговики расскажет Лабутов Владислав Валерьевич, заместитель начальника отдела управления налогообложения доходов физических лиц и администрирования страховых взносов ФНС России

5. Как малым компаниям перейти на ККТ с 1 июля и как изменится работа тех, кто уже применяет онлайн-кассы спросим у Сорокина Александра Александровича, заместителя начальника Управления оперативного контроля ФНС России.

6. Как налоговики могут использовать документы и информацию компании против нее самой узнаем у Мухина Михаила Сергеевича, Президента, главного эксперта-координатор Центра финансовых экспертиз и аудита.

Контактное лицо:
Юрий Дощицин,
телефон: 8 (4842) 53-00-74, 
график работы: 8.00 – 17.15 (обед: 13.00 –14.00).

Автоматизация ведения учета по УСН на базе ПП «1С:Упрощенка 8» у ЧЛ Смирнова Сергея Сергеевича

ЧЛ Смирнов Сергей Сергеевич
Москва, Январь 2019

Вариант работы: Файловый
Общее число автоматизированных рабочих мест: 1

Количество одновременно работающих клиентов
Толстый клиент: 1

Автоматизированы следующие функции:

  • Банк и касса
  • Завершение периода
  • Налоговый учет
  • Нематериальные активы
  • Основные средства
  • Расчет зарплаты и кадровый учет
  • Расчеты с контрагентами
  • Регламентированная отчетность
  • Товарно-материальные ценности
  • Торговые операции

Сопровождение:

  • Бесплатная поддержка базовой версии (услуги линии консультации; обновления программ и доступ к метод. материалам на сайте поддержки пользователей)

Выполнены следующие работы:

  • Доставка программных продуктов в офис заказчика
  • Индивидуальное обучение в офисе заказчика
  • Консультации по выбору программного обеспечения и вариантов его сопровождения
  • Начальные настройки типового/отраслевого решения (программы) для начала ведения учета
  • Продажа выбранных программных продуктов
  • Установка программного обеспечения на компьютеры заказчика

Отзыв клиента

Для клиентов и партнеров компании «1С-Рарус»

Отзыв

Наша организация Смирнов Сергей Сергеевич
(отрасль — Другие профессиональные услуги).

Мы обратились в компанию «1С-Рарус» за выполнением работ по автоматизации деятельности на платформе «1С:Предприятие 8».
Наша организация принял(а) решение об использовании программного продукта «1С:Упрощенка 8» в целях автоматизированного ведения учета по стандартам российского законодательства.

Система введена в промышленную эксплуатацию 16.01.2019

На наш выбор программы «1С:Упрощенка 8» главным образом повлияли следующие возможности продукта:
— предварительная настройка для ведения учета по УСН;
— автоматическое формирование записи «Книги учета доходов и расходов»;
— автоматизированная выписка первичных документов, учет продаж.

Программный продукт «1С:Упрощенка 8» имеет понятный и дружелюбный интерфейс, удобен в использовании. В результате его внедрения улучшилась эффективность деятельности автоматизированных служб, сократилось время на выполнение рутинных операций, повысилось качество работы персонала.

Успешно применяя в работе программы системы «1С:Предприятие 8», мы рекомендуем другим компаниям также становиться пользователями данных программ.

Налоговые стимулы для бизнеса на время войны: что в новом законе №7137-д.: Ярослав Железняк. Экономика|

Верховная Рада начала неделю с помощью бизнеса. Налоговый комитет на своем заседании в понедельник, 14 марта, единогласно утвердил текст нового закона, который должен поддержать украинский бизнес в условиях войны. Он будет принят как альтернативная комитетская версия №7137-д.

Закон содержит нормы об уменьшении НДС и акциза на горючее, налоговые стимулы для крупного бизнеса и благотворительности.

«Упрощенка» для крупного бизнеса

На период действия военного положения платить единый налог смогут не только ФОПы-«упрощенцы», но и крупные предприятия. Это одна из ключевых новаций законопроекта. Эту норму комитет поддержал по инициативе Кабинета министров Украины.

Закон повышает лимит доходов для использования единого налога с 10 млн до 10 млрд гривень. Это значительно расширяет круг предприятий, которые смогут снизить налоговую нагрузку на время войны и сохранить свою деятельность. Налог с оборота устанавливается на уровне 2%. Порядок уплаты налога будет определяться Кабмином.

Кроме того, для таких предприятий снимается ограничение по количеству работников и видов деятельности (исключение составляет деятельность, связанная с подакцизными товарами и игорным бизнесом). Надеемся, это позволит поддержать наличие рабочих мест в стране.

Льготы для реализации топлива

С начала войны и гражданские, и военные столкнулись с ограниченными возможностями достать горючее. Проблемы есть и со снабжением, и с ценой – нефть даже в довоенные времена уже била многолетние рекорды, а с наложенными санкциями поползла вверх. Аналитики прогнозировали, что сохранение текущего регулирования могло бы привести к цене в 50 грн за литр или вообще дефициту топлива.

Законопроект №7137-д содержит сразу несколько шагов по стабилизации цен и поставке необходимого топлива:

— устанавливается нулевая ставка акциза;

— уменьшена ставка НДС на топливо – 7% вместо 20%, предусмотренных сейчас.

Стимулы для помощи бойцам и благотворительности

Закон освобождает от налогообложения передачу имущества Вооруженным силам Украины, нашим бойцам по терробороне и другим украинским вооруженным формированиям, больницам.

Не будет облагаться налогом и другая благотворительная помощь – это позволит поддержать беженцев, убежища и других пострадавших от развязанной Россией войны.

В частности, для реализации этой нормы предусмотрены следующие изменения:

— освобождается от уплаты налогов и акцизов горючее, которое передано военным, принудительно изъято для нужд государства или передано как гуманитарная помощь. Также от налогообложения освобождается принудительно изъятое для нужд государства имущество;

— освобождается от НДФЛ благотворительная помощь участникам боевых действий и жителям на территории боевых действий;

— не облагается НДФЛ вся нецелевая благотворительная помощь, оказываемая пострадавшим в результате вооруженной агрессии РФ;

— предоставлено право на налоговую скидку в размере 16% (вместо текущих 4%) на пожертвование неприбыльным организациям;

— благотворительную помощь, перечисленную учреждениям здравоохранения и спецсчетам НБУ для поддержки вооруженных сил, можно относить к расходам без ограничений (сейчас такие ограничения составляют 4% от размера прибыли).

Послабление для предпринимателей: без НДС за уничтоженные товары и штрафы по РРО

Предприниматели, потерявшие склады, производства или магазины в результате боевых действий, не будут платить НДС по уничтоженному товару. НДС также не придется платить с товаров, переданных на нужды обороны.

Также предприниматели смогут включить в налоговый кредит по НДС суммы, по которым еще не зарегистрированы налоговые накладные, но имеются необходимые первичные документы. Такие накладные нужно будет зарегистрировать в течение шести месяцев после прекращения военного положения.

До прекращения военного положения компании получают разрешение на импорт и реализацию табачных изделий без установленной маркировки, но с маркировкой в соответствии с требованиями ЕС.

Также в 2022 году предприятия, находящиеся на территории активных боевых действий, не уплачивают экологический налог.

Кроме того, могут не беспокоиться бухгалтеры. Подать электронные документы или получить электронные сервисы можно в рабочие дни с 08:00 до 18:00.

Поддержка ФОПов и владельцев земли

ФОПы как на упрощенной, так и на общей системах налогообложения, а также лица, осуществляющие независимую профессиональную деятельность, и члены фермерского хозяйства освобождаются от уплаты ЕСВ за себя. Эта норма стартует с 1 марта 2022 года и прекращает действие через год после окончания военного положения.

ФОПы-«упрощенцы» 2-3 группы не будут платить ЕСВ и за мобилизованных сотрудников, эти расходы покроет госбюджет.

Также до завершения военного положения предприниматели освобождаются от санкций за нарушение закона об РРО. Единственное исключение – нарушения при продаже подакцизной продукции, поскольку мы уже сталкивались со злоупотреблениями, в частности, в продажах горючего из-за большого ажиотажа.

Также налоговые льготы предусмотрены владельцам земельных участков. С марта 2022 года до конца года они освобождаются от платы за землю, которая расположена на территориях боевых действий в соответствии с перечнем КМУ, а также до конца 2023 года – от минимальной платы за землю (МНС).

Защита прав потребителей: безналичные расчеты и ипотека без санкций

От российской войны страдают не только бизнес, но и граждане.

Во-первых, на время военного положения и еще 30 дней спустя будет действовать запрет на взыскание имущества и выселение жильцов, взявших жилье в ипотеку до войны.

Во-вторых, банк не может начислять дополнительные штрафы за просроченные задолженности по потребительским кредитам.

В-третьих, с начала войны мы получили сотни обращений от граждан, которым в магазинах или на заправках отказывали в расчетах карточками и требовали кэш. Предусмотренное в законопроекте восстановление фактических проверок позволит проверять такие предприятия и сохранить права потребителей на безналичные расчеты.

Кроме того, на время военного положения изменения коснутся и государства – зарплата чиновников (которые напрямую не вовлечены в оборону страны) ограничивается суммой в 10 «минималок» (с 1 января 2022 года эта сумма составляет 65 000 гривень), а государство получает право конфисковать имущество не только российских госкомпаний, но и граждан, а также частных предприятий страны-агрессора.

Спасибо Налоговому комитету Верховной Рады, Кабмину, Государственной налоговой службе, бизнесу, экспертам, работавшим 24/7 над разработкой этого законопроекта. Теперь ожидаем его принятия сразу за основу и в ближайшее время.

Если Вы заметили орфографическую ошибку, выделите её мышью и нажмите Ctrl+Enter.

Статьи, публикуемые в разделе «Мнения», отражают точку зрения автора и могут не совпадать с позицией редакции LIGA.net

Как отключить упрощенное создание учетной записи в Outlook 2016, Outlook 2019 и Outlook для Office 365

Сводка

При настройке учетной записи Office 365 в Outlook 2016, Outlook 2019 или Outlook для Office 365 вы видите функцию упрощенного создания учетной записи, которая представлена ​​в виде мастера «Подключить Outlook к Office 365» в Outlook.

Однако вы можете предпочесть использовать традиционное диалоговое окно учетной записи для настройки новых учетных записей в Outlook 2016, Outlook 2019 или Outlook для Office 365, как показано на следующем рисунке:

Дополнительная информация

Если вы используете групповую политику или данные реестра в этой статье для отключения упрощенного создания учетной записи, щелкните здесь, чтобы оставить отзыв о том, почему вы предпочитаете традиционное диалоговое окно учетной записи и как можно улучшить функцию упрощенного создания учетной записи для работы в вашей среде.

Чтобы отключить диалоговое окно «Упрощенное создание учетной записи» в Outlook 2016, Outlook 2019 или Outlook для Office 36 и вместо этого использовать традиционное диалоговое окно учетной записи, выполните следующие действия.

Важно: Внимательно следуйте инструкциям в этом разделе. При неправильном изменении реестра могут возникнуть серьезные проблемы. Прежде чем изменять его, создайте резервную копию реестра для восстановления в случае возникновения проблем.

  1. Выйти из Outlook.

  2. Запустите редактор реестра. Для этого используйте одну из следующих процедур в зависимости от вашей версии Windows.

    • Windows 7: нажмите Start , введите regedit.exe в поле поиска и нажмите Enter.

  3. В редакторе реестра найдите и щелкните подраздел пользовательских настроек в реестре:

      HKEY_CURRENT_USER\SOFTWARE\Microsoft\Office\16.0\Outlook\setup

    или подраздел групповой политики в реестре:
    HKEY_CURRENT_USER\SOFTWARE\Policies\Microsoft\Office\16.0\Outlook\setup

  4. Введите DisableOffice365SimplifiedAccountCreation и нажмите Enter.

  5. Щелкните правой кнопкой мыши DisableOffice365SimplifiedAccountCreation и выберите Modify .

  6. В поле Значение данных введите 1 и нажмите OK .

  7. В меню File выберите  Exit , чтобы выйти из редактора реестра.

О функции упрощенного создания учетной записи

Функция упрощенного создания учетной записи была впервые представлена ​​в установках Outlook по технологии «нажми и работай», начиная с версии 16. 0.6769.2015. Вы должны войти в учетную запись Office 365, чтобы активировать эту функцию.

Чтобы просмотреть учетную запись, которую вы использовали для входа, выберите Файл , выберите Учетная запись Office , а затем просмотрите Информация о пользователе .

границ | Упрощенный метод классификации CNN для MI-EEG с помощью сигналов электродных пар

1. Введение

Моторно-визуальная электроэнцефалография (МИ-ЭЭГ) представляет собой саморегулирующуюся ЭЭГ без внешнего стимула, который можно обнаружить с помощью электродов. В обзоре литературы было высказано предположение, что ИМ согласуется с изменениями, вызванными реальными упражнениями в области моторной коры (Jenson et al., 2019; Kwon et al., 2019).

Интерфейс мозг-компьютер (BCI) представляет собой канал связи между мозгом и внешним миром, и различные типы мыслительной деятельности в мозге могут быть обнаружены с помощью ЭЭГ (Atum et al., 2019; Мебаркиа и Реффад, 2019 г. ; Мезиани и др., 2019). Применение ИМК в реабилитационном обучении может помочь нормально мыслящим пациентам с параличом нервно-мышечной системы взаимодействовать с внешним миром (Leeb et al., 2015; Rupp et al., 2015; Müller-Putz et al., 2017; Wang L. и др., 2019). Кроме того, были проведены ЭЭГ-исследования управления интеллектуальной инвалидной коляской (Zhang et al., 2016; Pinheiro et al., 2018), роботизированной рукой (Meng et al., 2016) и другими внешними устройствами (He et al., 2015; Эдельман и др., 2019). Основная проблема BCI состоит в том, чтобы интерпретировать намерение движения по активности мозга. Эффективный алгоритм нейронного декодирования может значительно повысить точность декодирования, что может повысить производительность BCI. Низкое отношение сигнал/шум ЭЭГ приводит к низкой точности классификации. Поэтому эффективные методы выделения и классификации признаков стали важной темой исследования MI-EEG (Li et al., 2019). Обычно используемые алгоритмы извлечения признаков включают вейвлет-преобразование (WT) (Xu et al. , 2018), общие пространственные паттерны (CSP) (Kumar et al., 2016), вариации CSP (Kim et al., 2016; Sakhavi and Guan, 2017), разложение по эмпирическим модам (EMD) (Kevric and Subasi, 2017) , и так далее.

Глубокое обучение (DL) привлекло внимание во многих областях своей превосходной производительностью. ГО может эффективно работать с нелинейными и нестационарными данными и изучать базовые функции сигналов. Некоторые методы глубокого обучения используются для классификации сигналов ЭЭГ (Cecotti and Graser, 2010; Bashivan et al., 2015; Корли и Хуанг, 2018 г.). Сверточные нейронные сети (CNN) широко используются в классификации MI-EEG из-за их способности изучать особенности локальных рецептивных полей. Поскольку обученный детектор можно использовать для обнаружения абстрактных признаков путем повторения сверточных слоев, CNN подходят для сложных задач распознавания ЭЭГ, достигли хороших результатов и широко используются многими учеными (Amin et al., 2019; Hou et al., 2019; Jaoude et al. , 2020; Zhang et al., 2020).

Предварительная обработка необработанных сигналов ЭЭГ может улучшить соотношение сигнал/шум ЭЭГ и точность классификации, но это не обязательно.CNN — это биологически вдохновленные варианты многослойных персептронов, предназначенные для использования минимальной предварительной обработки (LeCun et al., 1998). Например, Дозе и др. (2018) и Tang et al. (2017) использовали CNN для непосредственной классификации необработанных сигналов ЭЭГ. Шен и др. (2017) объединили RNN с CNN, чтобы улучшить представление признаков и возможности классификации необработанных MI-EEG, которые были вдохновлены распознаванием речи и обработкой естественного языка. Ширмейстер и др. (2017) установили более глубокий слой нейронной сети для декодирования воображения или выполнения задач из необработанных сигналов ЭЭГ.Хаджинорузи и др. (2016) предложили улучшенную CNN с необработанными сигналами ЭЭГ для прогнозирования когнитивного состояния водителя, связанного с эффективностью вождения, что дало хорошие результаты. Можно видеть, что использование исходных сигналов также может дать хороший эффект классификации MI-EEG. CNN могут напрямую принимать многомерные данные в качестве входных данных, избегая сложного процесса выделения искусственных признаков, который может извлекать информацию об отличительных признаках.

Количество электродов влияет на точность классификации.Как правило, более высокая точность может быть достигнута с использованием большего количества электродов на основе результатов сравнения Yang et al. (2015) и Чекотти и Гразер (2010). Карачони и др. (2019) также объяснили, что увеличение количества электродов может повысить точность классификации и распознавания без изменения набора данных и метода классификации. Однако увеличение количества электродов приведет к увеличению сложности систем BCI. Хотя некоторые BCI имеют лучшую точность распознавания, структура системы сложна (Chaudhary et al., 2020; Тан и др., 2020).

В этой статье мы предложили архитектуру CNN с разделенными временными и пространственными фильтрами, которая классифицирует необработанные сигналы MI-EEG от левого и правого симметричных электродов мозга без какой-либо предварительной обработки и операций извлечения искусственных признаков. Он имеет 5-слойную CNN, в которой четыре слоя свернуты по временной оси, а другой слой свернут по пространственной оси. Он использует 4-уровневый максимальный пул для уменьшения размерности и полносвязный (FC) уровень для классификации.Отсев и нормализация партии используются для снижения риска переобучения.

CNN добились замечательных достижений в области классификации изображений. Многоканальные данные ЭЭГ также двумерны, но время и канал ЭЭГ имеют разные единицы измерения. В отличие от других методов CNN, использующих данные ЭЭГ в качестве изображений для классификации, наш метод использует отдельные временные и пространственные фильтры и фокусируется на обнаружении связанных со временем особенностей в сигналах ЭЭГ, что помогает повысить точность.

Глубокое обучение обычно обеспечивает лучшую производительность классификации за счет увеличения размера обучающих данных. На основе базы данных Physionet мы также создали гибридный набор данных, включающий 9 пар образцов электродов от 100 человек. Каждый образец содержит информацию только от одной пары электродов от одного субъекта. Таким образом, размер образца и сложность обработки уменьшаются.

Оставшаяся часть этого документа организована следующим образом: раздел 2 кратко представляет набор данных.В разделе 3 описаны теория, построение и классификация CNN. Детали экспериментальных результатов и анализа обсуждаются в разделе 4. Наконец, раздел 5 завершает эту статью.

2. Материалы и методы

2.1. Каркас

Системная основа предлагаемого метода представлена ​​на рисунке 1.

(1) Мы загрузили данные каждого испытуемого, случайно перетасовали в соответствии с испытанием, а затем разделили данные на 10 частей. Для данных каждого субъекта наш рабочий процесс был таким.

(2) Мы взяли один кусок в качестве тестового набора, а остальные девять — в качестве тренировочного. В тестовом наборе и обучающем наборе мы собрали данные от нескольких субъектов. Необработанные сигналы МИ-ЭЭГ девяти пар симметричных электродов над областью моторной коры были извлечены из каждого испытания, и сигналы каждой пары составляли выборку.

(3) Мы обучили нашу предложенную модель CNN, используя обучающий набор. 5-слойная CNN изучила особенности ЭЭГ, а 4-слойное максимальное объединение уменьшило размеры.Слой FC разделил MI на четыре типа: левый кулак, правый кулак, оба кулака и обе ноги. Затем, сравнивая четыре типа меток, можно получить оптимальную модель обучения. Наконец, мы проверили достоверность модели на тестовом наборе.

(4) Применяя 10-кратную перекрестную проверку, обучение и тестирование модели проводились 10 раз, что дало нам 10 результатов. Их средние значения используются в качестве глобальной средней точности.

Рисунок 1 . Системная структура упрощенного метода классификации CNN для MI-EEG с помощью сигналов пар электродов, включая извлечение необработанных сигналов девяти пар симметричных электродов, 5-слойного CNN, 4-уровневого максимального объединения и уровня FC.

2.2. Набор данных

В данной работе использовалась база данных Physionet MI-EEG, которая была записана разработчиками системы BCI2000 (Goldberger et al. , 2000; Schalk et al., 2004). По международной системе 10-10 (исключая электроды NZ, F9, F10, FT9, FT10, A1, A2, TP9, TP10, P9 и P10) исходные данные извлекаются из 64 электродов, включая 4 задачи ИМ. База данных содержит более 1500 одноминутных и двухминутных записей ЭЭГ от 109 различных субъектов с частотой дискретизации 160 Гц.

Для сбора данных ЭЭГ

обычно используется 32 или 64 электрода. Существует много причин для уменьшения количества используемых электродов (Tam et al., 2011). Во-первых, меньшее количество электродов может сэкономить больше времени на подготовке к установке электродов. Во-вторых, меньшее количество электродов снизит стоимость приобретения оборудования. В-третьих, и это наиболее важно, при использовании систем BCI риск переобучения классификаторов и пространственных фильтров будет увеличиваться с увеличением количества нерелевантных электродов.

Важно правильно выбрать электроды и их расположение в системах BCI.Меньшее количество электродов, но их неправильное расположение может привести к потере важной информации, в то время как слишком большое количество электродов может создать избыточную информацию, тем самым снижая производительность системы. Поэтому выбор электрода имеет большое значение для анализа ЭЭГ. В данной работе девять пар симметричных электродов (FC5-FC6, FC3-FC4, FC1-FC2; C5-C6, C3-C4, C1-C2; CP5-CP6, CP3-CP4, CP1-CP2) над моторной корой области были выбраны в качестве объектов исследования, которые показаны на рисунке 2А.

Рисунок 2 .ЭЭГ 64 Расположение электродов и временная диаграмма для базы данных Physionet MI-EEG по международной системе 10-10. (A) Выбирают девять пар симметричных электродов над областью моторной коры. (B) 6-секундная временная диаграмма испытания.

Каждый испытуемый выполнял четыре задания МИ: левый кулак, правый кулак, оба кулака и обе ноги, которые называются Т1, Т2, Т3 и Т4, и для каждого задания МИ было выполнено 21 испытание. Временная диаграмма испытания показана на рисунке 2B.Время начала пробы t = −2 с, испытуемый расслабляется на 2 с. При t = 0 с на экране появляется цель:

(1) L указывает на моторное воображение разжимания и сжимания левого кулака;

(2) R указывает на моторное воображение разжимания и сжимания правого кулака;

(3) LR указывает на моторное воображение разжимания и сжимания обоих кулаков;

(4) F указывает на моторное воображение открытия и закрытия обеих стоп.

Субъекту было предложено выполнить соответствующее задание МИ в течение 4 с.В t = 4 с цель исчезает, и это испытание заканчивается. После 2-секундного отдыха начинается новая попытка (Dose et al., 2018).

Поскольку моторное воображение выполнялось каждый раз около 4 с, а частота дискретизации составляет 160 Гц, эффективный размер данных каждого электрода за попытку составляет 640. Образец содержит пару симметричных электродов, и их данные объединены последовательно. , поэтому объем данных выборки равен 1280.

Каждый субъект выполнил 21 попытку по каждому заданию МИ, всего 84 попытки.В этой статье для наборов данных была проведена 10-кратная перекрестная проверка. Мы разделили все испытания предмета на 10 частей. Для каждого класса задач мы использовали 2 пробы для проверки, а остальные – для обучения. Таким образом, в тестовом наборе 8 испытаний, а в обучающем наборе 76 испытаний. В наборе данных 10 субъектов (S1 ~ S10) 840 испытаний, 760 для обучения и 80 для тестирования. В наборе данных 20 субъектов (S1 ~ S20) 1680 испытаний, 1520 для обучения и 160 для тестирования. Существует 5040 испытаний в наборе данных 60 субъектов (S1 ~ S60), 4560 для обучения и 480 для тестирования.Существует 8400 испытаний в наборе данных 100 субъектов (S1 ~ S100), 7600 для обучения и 800 для тестирования. Кроме того, мы извлекли 9 образцов в каждом испытании. Для обучения модели и проверки эффективности обобщения был выбран набор данных десяти субъектов с 7560 образцами, набор данных 20 субъектов с 15 120 образцами, набор данных 60 субъектов с 45 360 образцами и набор данных 100 субъектов с 75 600 образцами.

2.3. Теория и структура CNN

2.3.1. Теория CNN
Структура

CNN может имитировать сложную кору головного мозга человека.Он опирается только на большой набор обучающих данных для обучения сложной модели, которая использует алгоритм оптимизации обратного распространения и градиентного спуска для изучения функций и использует серию операций фильтрации, нормализации и нелинейной активации для извлечения функций (Wu et al. , 2019; Мохсени и др., 2020).

Каждый сверточный слой в CNN состоит из нескольких сверточных ядер одинакового размера для извлечения признаков. Каждое ядро ​​представляет собой двумерную матрицу с весами. Значение каждого нейрона в сверточном слое — это результат, полученный путем умножения данных предыдущего входного слоя на ядро ​​свертки, а затем добавления соответствующего смещения.При выполнении операции извлечения признаков ядро ​​последовательно сканирует входные данные верхнего уровня в соответствии с определенным шагом и настройкой режима. Кроме того, ядра и данные в предыдущем слое перемножаются для получения подграфа свертки (Zhang X. et al., 2019; Zheng et al., 2020).

В работе сверточного слоя используются две важные характеристики локального соединения и распределения веса (Dai et al., 2019; Sun et al., 2019). Локальная связь аналогична локальной рецептивной области.Он в основном используется для извлечения признаков с соответствующей степенью детализации и уменьшения количества параметров CNN. Разделение веса означает, что все нейроны в одном подграфе свертки имеют одинаковый вес и значение смещения, что может уменьшить количество параметров сети, объем вычислений и риск переобучения (Acharya et al., 2018; Podmore et al., 2019; Чжан С. и др., 2019).

Математическое выражение сверточного слоя:

ymn=f(∑j=0J-1∑i=0I-1xm+i,n+jwij+b)    (1)

, где x — входные двумерные данные; y — результат M × N ; 0 ≤ m M , 0 ≤ n N ; w — ядро ​​свертки с J × I ; b — уклон; а f — функция активации.

CNN используют многомерные исходные сигналы в качестве входных данных сети и полагаются на алгоритм обучения обратного распространения, чтобы превратить скрытые слои в подходящие экстракторы признаков, чтобы избежать сложного искусственного процесса извлечения признаков. CNN подходят для таких сигналов, как ЭЭГ, которые сильно меняются со временем (Zhang Y. et al. , 2019; Zuo et al., 2019).

2.3.2. Структура CNN

Мы выбрали 10 субъектов в качестве набора данных, всего 7560 образцов, в которых обучающий набор составил 6840, а тестовый набор — 720.Была проведена серия экспериментов по определению количества слоев и их параметров в структуре. Leaky ReLU (Dose et al., 2018; Macdo et al., 2019) был выбран в качестве функции активации, чтобы избежать проблемы исчезающего градиента. Оптимизатор принял алгоритм Адама (Dose et al., 2018; Chang et al., 2019), который обновлял веса и смещение с помощью алгоритма обратного распространения ошибки, а скорость обучения составляла 1 × 10 90 239 −5 90 240 .

В экспериментах каждая сетевая структура повторялась 10 раз, и количество итераций каждый раз составляло 2000.Наконец, мы определили 5-уровневый CNN и 4-уровневый максимальный пул. В этой модели также использовались отсев и нормализация партии, чтобы снизить риск переобучения.

Выбранная архитектура CNN показана в таблице 1: первый уровень является входным уровнем; второй, третий, пятый, седьмой и девятый слои — сверточные слои; четвертый, шестой, восьмой и десятый слои являются слоями максимального объединения; и одиннадцатый уровень — это уровень FC.

Таблица 1 . Предлагаемая архитектура CNN.

Формат входных данных CNN: T × N , где T относится к объему выборки каждого канала, а N — количество используемых электродов. В этой статье T = 640, N = 2,

Блок-схема CNN представлена ​​на рисунке 3. В этой статье в основном используется одномерная свертка, которая полезна для извлечения важных локальных признаков между значениями соседних элементов вектора признаков (Schirrmeister et al., 2017). В сверточном слое 1 выполняется одномерная свертка в направлении временной оси, с 25 ядрами [11, 1, 1, 25]. После свертки размер данных становится (1, 630, 2, 25), а 25 — это канал. В сверточном слое 2 свертка выполняется вдоль пространственной оси. Размер ядер равен [1, 2, 25, 25], первые 25 — это канал, а последние 25 — количество ядер. После свертки размер становится (1, 630, 1, 25). На уровне объединения 1 максимальное объединение выполняется с ядром [1, 3, 1, 1], шагом [1, 3, 1, 1] и выходным размером (1, 210, 1, 25). ).В сверточном слое 3 свертка ведется по временной оси, и имеется 50 ядер размером [11, 1, 25, 50]. После свертки размер данных становится (1, 200, 1, 50). Параметры слоя объединения 2 такие же, как и у слоя объединения 1, а выходной размер равен (1, 66, 1, 50). В сверточном слое 4 имеется 100 ядер с размерами [11, 1, 50, 100]. После свертки по временной оси размер данных становится (1, 56, 1, 100). На уровне пула 3 параметры такие же, как и выше, а размер вывода равен (1, 18, 1, 100).В сверточном слое 5 свертка выполняется по временной оси. Имеется 200 ядер размером [11, 1, 100, 200], а размер данных после свертки становится (1, 8, 1, 200). На уровне объединения 4 максимальное объединение выполняется с ядром [1, 2, 1, 1], шагом [1, 2, 1, 1] и выходным размером (1, 4, 1, 200) .

Рисунок 3 . Иллюстрация блок-схемы CNN. Модель состоит из пяти сверточных слоев, четырех слоев максимального объединения, а также слоев FC.

Суть операции объединения заключается в субдискретизации. Мы выбрали максимальное объединение, которое реализуется путем взятия максимального значения признаков в окрестности. Это может подавить явление, когда ошибка сетевого параметра вызывает сдвиг расчетного среднего значения, и лучше извлечь информацию об особенностях.

После извлечения признаков применяется слой FC для расширения возможностей нелинейного отображения сети. Он воспринимает глобальную информацию и объединяет локальные признаки, полученные на сверточном уровне, для формирования глобальных признаков для классификации.Каждый нейрон в этом слое связан со всеми нейронами в предыдущем слое, и между нейронами в одном слое нет связи. Формула

yj(l)=f(∑i=1nxi(l-1)×wji(l)+b(l))    (2)

, где n — количество нейронов в предыдущем слое, l — текущий слой, wji(l) — вес связи нейронов j в этом слое и нейронов i в предыдущем слое, b ( l ) — смещение нейронов j , а f — функция активации.

Вывод слоя Fc генерируется слоем софтмакса, который содержит четыре нейроны [ y 1 , y 2 , y 3 , y 4 ], представляющий четыре категории. Он отображает выходные данные нескольких нейронов в интервал (0, 1), который можно рассматривать как вероятность множественной классификации. Формула выглядит следующим образом:

Yi=argmax(eyi∑i=14eyi)    (3)

В этой статье все функции активации сетей приняли дырявую функцию ReLU:

f(x)={x, если x>00.01x, иначе    (4)

Мы использовали алгоритм Адама в качестве оптимизатора для минимизации функции потерь и обновления веса и смещения с помощью алгоритма обратного распространения ошибки. Это алгоритм стохастического градиентного спуска (SGD), основанный на адаптивной скорости обучения моментов первого и второго порядка среднего значения градиента. Этот метод обычно ускоряет сходимость модели и более надежен при наличии шума и разреженных градиентов.

Предлагаемая архитектура CNN включает алгоритмы пространственного отсева и пакетной нормализации (BN) для повышения точности классификации.Отсев относится к «временному отбрасыванию» некоторых нейронных узлов с определенной вероятностью во время обучения глубокой сети. Для любого нейрона каждое обучение оптимизируется вместе со случайно выбранным набором различных нейронов. Этот процесс ослабляет совместную адаптивность всех нейронов, снижает риск переобучения и повышает способность к обобщению (Srivastava et al., 2014).

Формула прямого распространения, соответствующая исходной сети, равна

. zi(l+1)=wi(l+1)y(l)+bi(l+1)    (5) yi(l+1)=f(zi(l+1))    (6)

После применения отсева формула прямого распространения принимает вид:

rj(l)~Бернулли(p)    (7) y~(l)=r(l)•y(l)    (8) zi(l+)=wi(l+1)y~(l)+bi(l+1)    (9) yi(l+1)=f(zi(l+1))    (10)

Функция приведенной выше функции Бернулли состоит в том, чтобы случайным образом сгенерировать вектор с коэффициентом вероятности p (значение 0 или 1), указывающим, нужно ли отбрасывать каждый нейрон.Если значение равно 0, нейрон не вычисляет градиенты и не участвует в последующем распространении ошибки. В этой статье мы использовали отсев 50%, чтобы уменьшить переоснащение. Пространственное отсев реализовано после сверточного слоя. Удаление всей карты объектов, а не одного элемента, помогает улучшить независимость между картами объектов.

Суть процесса обучения нейронной сети заключается в распределении обучающих данных. Если распределение обучающих данных и тестовых данных отличается, это значительно снизит способность сети к обобщению.(k)=x(k)-E[x(k)]Var[x(k)]    (11)

, где x ( k ) — исходные входные данные k-го нейрона в этом слое, E [ x ( k )] — среднее значение входных данных в k-м нейроне, а Var [x(k)] — стандартное отклонение данных в k-м нейроне.

Пакетная нормализация накладывает дополнительные ограничения на распределение данных, что повышает способность модели к обобщению. Входное распределение после нормализации принудительно равно 0 среднему и 1 стандартному отклонению.(к)+β(к)    (12)

, где γ ( k ) и β ( k ) — дисперсия и отклонение распределения входных данных соответственно. В операции пакетной нормализации γ и β становятся параметрами обучения этого уровня, которые отделены от параметров предыдущего сетевого уровня. Следовательно, это больше способствует процессу оптимизации и улучшает обобщающую способность модели. Формула полного процесса прямой нормализации сетевого уровня с пакетной нормализацией выглядит следующим образом:

μ=1N∑i=1NXi′    (13) σ2=1N∑i=1N(Xi′-μ)2    (14) Xinorm=Xi′-μσ2+ε    (15) Xi~=γXinorm+β    (16)

В этой статье глобальная усредненная точность и ROC-кривая использовались для оценки модели классификации.Глобальная усредненная точность представляет собой отношение количества правильно классифицированных отсчетов к общему количеству отсчетов. Площадь под ROC-кривой выражается в AUC и колеблется от 0,5 до 1. Чем ближе AUC к 1,0, тем выше достоверность метода. Эффективность модели при распознавании четырех типов ИМ измерялась по точности, полноте и F-оценке. Чем больше значения, тем лучше производительность модели. Вот, ТП, настоящие срабатывания; TN, истинные негативы; FP, ложные срабатывания; ФН, ложноотрицательные результаты.

Глобальная средняя точность=TP+TNTP+TN+FP+FN    (17) Точность=TPTP+FP    (18) Отзыв=TPTP+FN    (19) F-оценка = 2 × точность × точность отзыва + отзыв. (20)

3. Результаты

В этой статье для набора данных была проведена 10-кратная перекрестная проверка. Девяносто процентов набора данных использовались в качестве обучающего набора для обучения модели CNN для проверки ее устойчивости к изменениям данных. Десять процентов набора данных использовались в качестве тестового набора для проверки достоверности модели. Обучающая и тестовая выборки были нормализованы, а затем отправлены в CNN для работы.

3.1. Точность пар электродов

На наборе данных 10 субъектов мы провели 9 групп экспериментов с одной парой, чтобы проверить их глобальную усредненную точность и точность четырех задач MI (T1, T2, T3, T4). Каждая группа тестировалась 10 раз, а затем усреднялась. Среднее значение принимается как глобальная средняя точность пары электродов, как показано в таблице 2. Глобальная усредненная точность тестового набора представляет собой среднюю точность 9 пар электродов.

Таблица 2 .Точность пар электродов.

В таблице 2 верхние 2 строки представляют собой точность тренировочной и тестовой выборки, а следующие 9 строк — результаты каждой пары электродов. Самая высокая глобальная усредненная точность одной пары была FC3-FC4, достигая 98,61%, и точность четырех задач MI также относительно высока: 99,00, 97,27, 98,03 и 100,00% соответственно. FC5-FC6 имеет самую низкую глобальную усредненную точность 88,73%, а точность четырех MI составляет 94,86, 94,76, 94,69 и 76.80% соответственно. Точность первых трех классификаций относительно высока, а влияние задачи ИМ на Т4 (обе ноги) является общим.

3.2. Точность по отдельным предметам

Чтобы получить глобальную усредненную точность по отдельным субъектам, мы разделили все испытания конкретного субъекта на 10 частей, девять для обучения и одну для тестирования. Это гарантировало, что никакие блоки данных не будут разделены между обучающими и тестовыми наборами.

Затем мы обучили и протестировали модель, чтобы получить точность. От сегментации данных до обучения и тестирования мы сделали 10 циклов по каждому предмету. Их среднее значение принимается за глобальную усредненную точность отдельного субъекта. Точность следующая: S1 (93,08%), S2 (95,71%), S3 (95,42%), S4 (96,56%), S5 (94,61%), S6 (95,25%), S7 (96,82%), S8 ( 94,86%), С9 (95,81%), С10 (96,02%).

Из рисунка 4A видно, что S7 имеет самую высокую глобальную среднюю точность, а S1 — самую низкую точность. Четыре точности МИ отдельного субъекта показаны на рисунке 4B, T1 достигает наивысшей точности на S5, T2 на S8, T3 на S8, T4 на S10.Кроме того, T1 имеет самую низкую точность на S8, T2 на S5, T3 на S10 и T4 на S1.

Рисунок 4 . Глобальная усредненная точность отдельного субъекта в наборе данных из 10 субъектов. (A) Столбчатая диаграмма глобальной усредненной точности отдельного субъекта. (B) Столбчатая диаграмма четырех типов точности ИМ (левый кулак, правый кулак, оба кулака и обе ноги, которые называются T1, T2, T3 и T4) отдельного субъекта.

3.3. Классификация по другому набору данных

Предложенный нами метод также был обучен и оценен на различном количестве участников.Были использованы десять субъектов (7 560 образцов), 20 субъектов (15 120 образцов), 60 субъектов (45 360 образцов) и 100 субъектов (75 600 образцов) из набора данных Physionet.

Кривые функции потерь для разных субъектов подробно показаны на рисунке 5. Мы можем наблюдать сходимость моделей для разных предметов. Абсцисса представляет количество итераций, а ордината представляет значение потерь. На рис. 5А показаны кривые потерь обучающей выборки. Из сравнения четырех кривых потерь можно заметить, что значение потерь уменьшается с увеличением количества итераций, а затем остается в основном стабильным для достижения наилучшего эффекта обучения модели.В это время их потери при обучении почти равны 0, а обученные модели являются оптимальными моделями классификации. На рисунке 5B показаны кривые потерь тестового набора на оптимальных моделях, которые уменьшаются примерно до 0,04 по мере увеличения количества итераций. Следовательно, модели сходятся на обучающей и тестовой выборках.

Рисунок 5 . Сравнение производительности классификации на разных наборах данных. (A) Кривая функции потерь различных субъектов на обучающей выборке. (B) Кривая функции потерь различных субъектов в тестовом наборе. (C) ROC-кривая и AUC четырех тестовых наборов.

Четыре типа набора данных использовались для обучения модели и были получены четыре модели классификации. В таблице 3 показана глобальная средняя точность моделей CNN в различных наборах данных. Точность всех обучающих наборов составляет 100%, а точность четырех тестовых наборов различна. Среди них точность 20 предметов составляет 97,28%, и соответствующая модель имеет наилучшие характеристики классификации.

Таблица 3 . Глобальная средняя точность модели CNN в разных наборах данных.

ROC-кривая представлена ​​на рис. 5C, AUC для 10, 60 и 100 субъектов составляет 0,992, 0,995 и 0,993 соответственно, а AUC для 20 субъектов составляет 0,996, поэтому эффективность соответствующей модели классификации является наилучшей.

Матрицы путаницы четырех тестовых наборов иллюстрируют результаты их классификации на уровне группы, как показано на рис. 6. Числа в диагональных линиях представляют процент правильной классификации, а остальные числа представляют процент неправильной классификации.Результаты показали, что матрица путаницы из 20 испытуемых показала лучшие результаты, при этом правильные показатели классификации для T1, T2, T3 и T4 составили 98,29, 97,28, 98,67 и 91,92% соответственно.

Рисунок 6 . Матрица путаницы точности классификации четырех типов ИМ (T1, T2, T3, T4) на разных наборах тестов.

Результаты классификации четырех типов ИМ с помощью CNN оценивались по точности, полноте и F-показателю. Мы сравнили влияние классификации различных наборов тестов на левый кулак, правый кулак, оба кулака и обе ноги.Взглянув на рисунок 7, мы можем обнаружить, что модели различных тестовых наборов достигли хорошей производительности классификации.

Рисунок 7 . Столбчатая диаграмма точности классификации четырех типов инфаркта миокарда (левый кулак, правый кулак, оба кулака и обе стопы) в разных наборах тестов.

Чтобы показать количественные результаты использования моделей на субъектах, не включенных в обучающие наборы, мы провели соответствующие эксперименты с другим набором данных соответственно.В качестве тестовой выборки были выбраны данные испытуемых, никогда не участвовавших в обучении, такие как данные испытуемых S 101 , S 105 и S 109 . Точность теста для этого независимого от субъекта случая представлена ​​в таблице 4. Наивысшая точность теста составляет 73,80%, достигнутая S 101 на модели набора данных из 100 субъектов, а самая низкая точность теста составляет 63,84%, достигнутая S. 105 на модели набора данных 10 субъектов.Для одного субъекта мы видим, что лучшую производительность классификации можно получить с большими наборами обучающих данных.

Таблица 4 . Точность теста субъекта не зависит от модели другого набора данных.

4. Обсуждение

4.1. Сравнение точности электродной пары

На наборе данных 10 субъектов мы провели 9 групп экспериментов с одной парой, чтобы проверить их глобальную среднюю точность. В экспериментах используется 10-кратная перекрестная проверка, каждая группа тестируется 10 раз, а затем среднее значение принимается за глобальную среднюю точность каждой пары.

Расположение пар электродов показано на рисунке 2А, ​​два электрода каждой пары расположены симметрично сагиттальной линии Z (Fpz-Cz-Iz). Из глобальной средней точности каждой пары, показанной в таблице 2, можно сделать грубый вывод, что точность пары электродов на коронарной линии C выше, чем точность на коронарной линии CP и коронарной линии FC. При этом чем ближе пара электродов к сагиттальной линии Z, тем выше точность, и наоборот. Из-за физиологических и психологических различий между людьми пространственное происхождение и изменение амплитуды сигналов мозга демонстрируют специфические закономерности, которые вызывают высокую индивидуальную изменчивость. Это повлияет на производительность модели и пар электродов в разной степени. Поэтому точность каждой пары не может полностью соответствовать определенным правилам. Как показано в таблице 2, точность FC3-FC4 выше, чем у FC1-FC2 и C3-C4. При проектировании систем ИМК необходимо проводить большое количество экспериментов по базе данных, созданной пользователями, чтобы по возможности избежать подбора пар электродов с низкой точностью, что также является предметом нашей следующей работы.

4.2. Сравнение классификаций по отдельным субъектам

В этой статье для набора данных была проведена 10-кратная перекрестная проверка. На наборе данных из 10 субъектов мы провели 10 групп экспериментов с отдельными субъектами. Каждая группа экспериментов повторялась 10 раз. Все пробы конкретного предмета мы делили в среднем на 10 частей, одну из них брали по очереди на тестирование, а остальные на тренировку. Среднее значение 10 результатов — это глобальная усредненная точность, которая уменьшает случайность, вызванную разделением данных, и помогает повысить стабильность модели.

Как показано на рисунке 4, средняя точность 10 субъектов составляет 95,41%. S7 добился наилучшего эффекта классификации со средней точностью 96,83%. Его 4 точности MI составляют 97,4% (T1), 97,5% (T2), 96,4% (T3) и 95,9% (T4) соответственно. Средняя точность S1 является самой низкой и составляет 93,08%, а точность MI составляет 97,1% (T1), 94,2% (T2), 94,50% (T3), 86,3% (T4) соответственно. Точность T4 является самой низкой, что указывает на то, что классификационное влияние S1 на T4, то есть на обе ноги, является наихудшим.Средняя точность 10 субъектов по 4 ИМ составляет 95,88% (Т1), 95,36% (Т2), 96,36% (Т3), 94,05% (Т4). Среди четырех типов задач МИ наилучшее — обоими кулаками, а худшее — обеими ногами.

4.3. Сравнение моделей

При построении модели CNN на основе набора данных из 20 субъектов мы использовали пространственное отсев и BN для снижения риска переобучения. В таблице 5 показано сравнение точности моделей CNN при мерах по борьбе с переоснащением, включая глобальную усредненную точность и точность каждой из четырех задач. Анализ данных подробно описан ниже.

Таблица 5 . Сравнение точности моделей CNN при мерах против переобучения.

На рисунке 8A мы видим, что AUC модели CNN выделяется на уровне 0,996, за которым следуют 0,991 без выпадения, 0,973 без BN и 0,951 без выпадения и BN.

Рисунок 8 . Сравнение различных моделей в наборе данных по 20 субъектам. (A) Сравнение кривой ROC и AUC различных моделей. (B) Сравнение глобальной средней точности различных моделей. (C) Сравнение точности на Т1 (левый кулак) разных моделей. (D) Сравнение точности на Т2 (правый кулак) разных моделей. (E) Сравнение точности на Т3 (оба кулака) разных моделей. (F) Сравнение точности на Т4 (обе ноги) разных моделей.

Согласно рисунку 8B, порядок моделей для достижения устойчивого состояния от быстрого к медленному: модель без выпадения, предложенная нами модель CNN, модель без выпадения и BN и модель без BN. Кривая предложенной нами модели достигла стабильного состояния после 500 итераций и достигла наивысшей точности. В это время точность модели без отсева и BN и модели без BN все еще медленно растет. Модель без отсева как можно быстрее достигла стабильного состояния. Однако модель склонна к переоснащению без операции исключения, что приводит к резким заусенцам кривой и нестабильной работе на протяжении всей итерации. Соблюдая гладкость четырех кривых, предлагаемая нами модель имеет самую гладкую кривую, наименьший мех и наиболее стабильную производительность.Затем мы обращаемся к значениям в таблице 5, чтобы сравнить глобальную среднюю точность. В конечном стабильном состоянии точность предложенной нами модели является самой высокой и составляет 97,28%, за ней следуют 95,30% без отсева, 89,74% без BN и 83,92% без отсева и BN. Предложенная модель на 1,98 % выше, чем модель без отсева, на 7,54 % выше, чем модель без BN, и на 13,36 % выше, чем модель без отсева и BN.

На рисунках 8C–F подробно показана точность предложенной нами модели для четырех задач. Тенденция роста и характеристики кривых T1, T2 и T3 аналогичны тем, что показаны на рисунке 8B. Основное отличие — плохое выполнение задачи Т4, то есть обеими ногами. Даже предложенная модель имеет неравномерные кривые на протяжении всей итерации и колеблется выше и ниже определенного значения. Кривая производительности других моделей хуже, особенно модели без дропаута. Это будет предметом нашего будущего исследования. Что касается значений в таблице 5, точность предложенной нами модели для четырех задач (T1, T2, T3, T4) достигла пика в 98.78, 97,28, 98,13 и 94,71% соответственно. Наша модель на 1,71 % (Т1), 2,71 % (Т2), 1,86 % (Т3) и 1,67 % (Т4) выше, чем модель без отсева, 9,05 % (Т1), 6,79 % (Т2), 8,26 % (Т3). ), и на 5,85 % (Т4) выше, чем у модели без БН, и на 15,89 % (Т1), 14,13 % (Т2), 11,46 % (Т3) и 11,70 % (Т4) выше, чем у модели без отсева и БН.

Взяв в качестве примера набор данных по 20 субъектам, мы сравнили предложенную нами модель CNN, модель без отсева, модель без BN и модель без отсева и BN с кривой ROC, кривой глобальной средней точности и кривой точности четырех MI. задачи.Экспериментальные результаты показывают, что предложенная нами модель CNN имеет самую гладкую кривую, наименьшую шероховатость и наиболее стабильную производительность. В целом, использование пространственного отсева и BN в CNN может эффективно снизить риск переобучения и улучшить способность модели к обобщению и классификационному эффекту.

4.4. Классификационное сравнение

На основе той же базы данных и того же количества задач ИМ предложенный нами метод сравнивался с другими работами в таблице 6. Мы можем заметить, что метод CNN действительно эффективен в классификации ИМ, что может значительно повысить точность классификации.

Таблица 6 . Сравнение результатов по базе данных Physionet.

В том же методе, по сравнению с Dose et al. (2018) и Karácsony et al. (2019), наша работа добилась превосходных результатов и использовала два электрода, чтобы значительно уменьшить размер выборки и размеры данных.

Хотя Хоу и соавт. (2019) использовали несколько электродов, тогда как в этой работе использовались только два электрода. Хоу и др. использовали мозг шаблона Colin27 для базы данных Physionet, метод граничных элементов (BEM), реализованный в наборе инструментов OpenMEEG для модели головы с реалистичной геометрией, и подход вейвлета Morlet, используемый для выделения признаков.Процесс его предварительной обработки очень сложен. Однако эта работа основана на исходных данных в качестве входных данных CNN без какой-либо предварительной обработки или операций по искусственному извлечению признаков. Следовательно, эта работа может упростить конструкцию BCI. Более того, Хоу и соавт. в основном использовались наборы данных из 10 субъектов с точностью 94,54%, в то время как наша работа достигла 95,76, 97,28, 96,01 и 94,8% для наборов данных из 10, 20, 60 и 100 субъектов соответственно. Таким образом, эта работа имеет большие наборы данных и более высокую глобальную среднюю точность.

5. Заключение

В этой статье мы предложили архитектуру CNN и разработали структуру и параметры сети. Без какой-либо предварительной обработки и операций по извлечению искусственных признаков наша модель может классифицировать необработанные сигналы MI-EEG симметричных электродов левого и правого мозга.

Используя базу данных Physionet в качестве источника данных, модель была обучена и протестирована на 10, 20, 60 и 100 субъектах соответственно. Экспериментальные результаты показывают, что наши модели сходятся как на обучающем наборе, так и на тестовом наборе.Он может достигать максимальной точности при классификации на групповом уровне с точностью 95,76% для 10 предметов, 97,28% для 20 предметов, 96,01% для 60 предметов и 94,80 % для 100 предметов. Кроме того, глобальная средняя точность T1, T2, T3 и T4 для набора данных из 20 субъектов может достигать 98,29, 97,28, 98,67 и 91,92% соответственно. Пара электродов с самой высокой глобальной средней точностью для набора данных 10 субъектов — FC3-FC4, с 98,61%. Предлагаемый нами подход позволяет декодировать необработанные сигналы MI-EEG с замечательной надежностью и адаптируемостью, упрощает проектирование систем BCI и прокладывает путь для создания практических клинических приложений.

В будущей работе мы создадим систему сбора сигналов ЭЭГ в реальном времени и будем использовать собственную базу данных для проверки правильности и надежности предложенного метода.

Заявление о доступности данных

Все наборы данных, представленные в этом исследовании, включены в статью/дополнительный материал.

Вклад авторов

XL отвечал за проектирование нейронной сети и написание статей. ZY отвечал за разработку общей структуры статьи.TC отвечал за справочное чтение. FW отвечал за обработку данных. YH отвечал за точность грамматики статьи. Все авторы внесли свой вклад в статью и одобрили представленную версию.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Авторы хотели бы поблагодарить Physionet за предоставление набора данных по моторным движениям/изображениям ЭЭГ с открытым исходным кодом (https://archive. physionet.org/pn4/eegmmidb/).

Ссылки

Ачарья, У. Р., О, С. Л., Хагивара, Ю., Тан, Дж. Х., и Адели, Х. (2018). Глубокая сверточная нейронная сеть для автоматического обнаружения и диагностики припадков с использованием сигналов ЭЭГ. Вычисл. биол. Мед . 100, 270–278. doi: 10.1016/j.compbiomed.2017.09.017

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Амин, С.У., Алсулайман, М., Мухаммад, Г., Мехтиче, М.А., и Хоссейн, М.С.(2019). Глубокое обучение для классификации изображений движений ЭЭГ на основе слияния функций многослойных CNN. Фут. Генерал. вычисл. Сист . 101, 542–554. doi: 10.1016/j.future.2019.06.027

Полнотекстовая перекрестная ссылка | Академия Google

Атум Ю., Пачеко М., Асеведо Р., Таберниг К. и Манреса Дж. Б. (2019). Сравнение зависимых от субъекта и независимых от субъекта стратегий выбора канала для компьютерных интерфейсов мозга p300 с одним испытанием. Мед. биол. англ. Вычислите .57, 2705–2715. doi: 10.1007/s11517-019-02065-z

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Башиван, П., Риш, И., Ясин, М., и Коделла, Н. (2015). Обучение репрезентациям ЭЭГ с помощью глубоких рекуррентно-сверточных нейронных сетей. arXiv [Препринт]. arXiv:1511.06448 .

Академия Google

Чекотти, Х., и Гразер, А. (2010). Сверточные нейронные сети для обнаружения P300 с применением к интерфейсам мозг-компьютер. IEEE Trans. Анальный узор. Мах. Интел . 33, 433–445. doi: 10.1109/TPAMI.2010.125

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чанг З., Чжан Ю. и Чен В. (2019). Прогноз цен на электроэнергию на основе гибридной модели оптимизированной для ADAM нейронной сети LSTM и вейвлет-преобразования. Energy 187. doi: 10.1016/j.energy.2019.07.134

Полнотекстовая перекрестная ссылка | Академия Google

Чаудхари С., Таран С., Баджадж В. и Сиули С.(2020). Гибкий подход, основанный на аналитическом вейвлет-преобразовании, для классификации задач воображения движения в приложениях BCI. Вычисл. Методы прогр. Биомед . 187:105325. doi: 10.1016/j.cmpb.2020.105325

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Корли, И. А., и Хуанг, Ю. (2018). «Глубокое сверхвысокое разрешение ЭЭГ: повышение пространственного разрешения ЭЭГ с помощью генеративно-состязательных сетей», в 2018 IEEE EMBS International Conference on Biomedical & Health Informatics (BHI) (Лас-Вегас, Невада), 100–103.doi: 10.1109/BHI.2018.8333379

Полнотекстовая перекрестная ссылка | Академия Google

Дозе, Х., Меллер, Дж. С., Иверсен, Х. К., и Путуссерипади, С. (2018). Комплексный подход к глубокому обучению для классификации сигналов MI-EEG для BCI. Эксперт Сист. Заявка . 114, 532–542. doi: 10.1016/j.eswa.2018.08.031

Полнотекстовая перекрестная ссылка | Академия Google

Эдельман, Б. Дж., Мэн, Дж., Сума, Д., Зурн, К., и Хе, Б. (2019). Неинвазивная нейровизуализация улучшает непрерывное отслеживание нейронов для управления роботизированными устройствами. науч. Робот . 4:31. doi: 10.1126/scirobotics.aaw6844

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P.C., Mark, R., et al. (2000). Компоненты нового исследовательского ресурса для сложных физиологических сигналов. PhysioBank PhysioToolkit Физионет . 101, е215–е220. doi: 10.1161/01.CIR.101.23.e215

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хаджинорузи, М., Mao, Z., Jung, T.-P., Lin, C.-T., and Huang, Y. (2016). Прогнозирование когнитивных способностей водителя на основе ЭЭГ с помощью глубокой сверточной нейронной сети. Процесс обработки сигналов . 47, 549–555. doi: 10.1016/j.image.2016.05.018

Полнотекстовая перекрестная ссылка | Академия Google

He, B. , Baxter, B., Edelman, B.J., Cline, C.C., and Ye, W.W. (2015). Неинвазивные интерфейсы мозг-компьютер на основе сенсомоторных ритмов. Проц. IEEE 103, 907–925. doi: 10.1109/JPROC.2015.2407272

Полнотекстовая перекрестная ссылка | Академия Google

Хоу, Ю., Чжоу Л., Цзя С. и Лунь Х. (2019). Новый подход к декодированию задач воображения движения четырех классов ЭЭГ с помощью разведчика ESI и CNN. Дж. Нейронный инженер . 17:016048. дои: 10.1088/1741-2552/ab4af6

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Jaoude, M.A., Jing, J., Sun, H., Jacobs, C.S., Pellerin, K.R., Westover, M.B., et al. (2020). Обнаружение эпилептиформных разрядов мезиальной височной доли на внутричерепных электродах с помощью глубокого обучения. клин. Нейрофизиол .131, 133–141. doi: 10.1016/j.clinph.2019.09.031

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Дженсон Д., Торнтон Д., Харкрайдер А. В. и Салтуклароглу Т. (2019). Влияние когнитивной нагрузки на сенсомоторный вклад в рабочую память: исследование ЭЭГ активности мю-ритма во время распознавания речи. Нейробиол. Учить. Мем . 166:107098. doi: 10.1016/j.nlm.2019.107098

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Карачонь, Т., Хансен, Дж. П., Иверсен, Х.К., и Путуссерипади, С. (2019). «Мозговой компьютерный интерфейс для нейрореабилитации с классификацией глубокого обучения и обратной связью в виртуальной реальности», в Proceedings of the 10th Augmented Human International Conference 2019 (Реймс), 1–8. дои: 10.1145/3311823.3311864

Полнотекстовая перекрестная ссылка | Академия Google

Кеврик, Дж., и Субаси, А. (2017). Сравнение методов декомпозиции сигналов при классификации сигналов ЭЭГ для двигательно-образной системы ИМК. Биомед. Сигнальный процесс. Контроль 31, 398–406. doi: 10.1016/j.bspc.2016.09.007

Полнотекстовая перекрестная ссылка | Академия Google

Ким Ю. , Рю Дж., Ким К.К., Тук К.С., Мандич Д.П. и Парк К. (2016). Классификация воображения движения с использованием мю- и бета-ритмов ЭЭГ с сильным некоррелирующим преобразованием на основе сложных общих пространственных паттернов. Вычисл. Интел. Нейроски . 2016:1. дои: 10.1155/2016/1489692

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Кумар, С., Шарма А., Мамун К. и Цунода Т. (2016). «Подход к глубокому обучению для классификации сигналов ЭЭГ воображения движения», , 2016 г., 3-й Азиатско-Тихоокеанский всемирный конгресс по компьютерным наукам и инженерии (APWC on CSE), (Нади), 34–39. doi: 10.1109/APWC-on-CSE.2016.017

Полнотекстовая перекрестная ссылка | Академия Google

Квон, О.-Ю., Ли, М.-Х., Гуан, К., и Ли, С.-В. (2019). Субъектно-независимые интерфейсы мозг-компьютер на основе глубоких сверточных нейронных сетей. IEEE Trans.Нейронная сеть. Учить. Сист . doi: 10.1109/TNNLS.2019.2946869

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

LeCun, Y. , Bottou, L., Bengio, Y., и Haffner, P. (1998). Градиентное обучение применительно к распознаванию документов. Проц. IEEE 86, 2278–2324. дои: 10.1109/5.726791

Полнотекстовая перекрестная ссылка | Академия Google

Либ Р., Тонин Л., Ром М., Дезидери Л., Карлсон Т. и Миллан Дж. Д. Р. (2015). На пути к независимости: робот телеприсутствия BCI для людей с тяжелыми двигательными нарушениями. Проц. IEEE 103, 969–982. doi: 10.1109/JPROC.2015.2419736

Полнотекстовая перекрестная ссылка | Академия Google

Ли, Ю., Хуанг, К., Чжан, З., Ю, Т. и Хе, С. (2019). Гибридный мозг-компьютерный интерфейс на основе ЭЭГ/ЭОГ: приложение для управления интегрированной системой роботизированной руки-коляски. Перед. Нейроски . 13:1243. doi: 10.3389/fnins.2019.01243

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Макдо, Д., Занчеттин, К., Оливейра, А.Л. и Людермир Т. (2019). Улучшение пакетных нормализованных сверточных сетей с использованием смещенных линейных блоков выпрямителя: систематическое сравнительное исследование. Эксперт Сист. Заявка . 124, 271–281. doi: 10.1016/j.eswa.2019.01.066

Полнотекстовая перекрестная ссылка | Академия Google

Мебаркиа, К., и Реффад, А. (2019). Мультиоптимизированные классификаторы SVM для идентификации движения левой и правой руки по воображению движения. Австралийский. физ. англ. науч. Мед . 1–10. doi: 10.1007/s13246-019-00793-y

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мэн, Дж., Чжан С., Бекё А., Олсо Дж., Бакстер Б. и Хе Б. (2016). Неинвазивное управление роботом-манипулятором на основе электроэнцефалограммы для задач досягаемости и захвата. науч. Реп . 6:38565. дои: 10.1038/srep38565

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мезиани, А., Джуани, К., Медкур, Т., и Чибани, А. (2019). Извлечение признаков периодограммы на основе квантилей лассо для изображений движений на основе ЭЭГ. J. Neurosci. Методы 328:108434. doi: 10. 1016/j.jneumeth.2019.108434

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мохсени М., Шалчян В., Йохумсен М. и Ниязи И. К. (2020). Декодирование сложных движений верхних конечностей из сигналов ЭЭГ перед движением с использованием общих пространственных паттернов вейвлета. Вычисл. Методы прог. Биомед . 183:105076. doi: 10.1016/j.cmpb.2019.105076

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Мюллер-Путц, Г. Р., Офнер, П., Шварц, А., Перейра, Дж., Пинеггер А., Диас С.Л. и соавт. (2017). «На пути к неинвазивному управлению рукой/кистью на основе ЭЭГ у пользователей с травмой спинного мозга», , 5-я Международная зимняя конференция по интерфейсу мозг-компьютер (BCI), (Гангвон-до), , 2017 г., 63–65. doi: 10.1109/IWW-BCI.2017.7858160

Полнотекстовая перекрестная ссылка | Академия Google

Пинейру, О.Р., Алвес, Л.Р.Г., и де Соуза, Дж.Р. (2018). Классификация сигналов ЭЭГ: образы движения для вождения умного инвалидного кресла. Латинская Америка IEEE.Транс . 16, 254–259. doi: 10.1109/TLA.2018.82

Полнотекстовая перекрестная ссылка | Академия Google

Подмор, Дж. Дж., Брекон, Т. П., Азнан, Н. К., и Коннолли, Дж. Д. (2019). Об относительном вкладе глубоких сверточных нейронных сетей в декодирование биосигналов на основе SSVEP в приложениях для проверки правописания BCI. IEEE Trans. Нейронная система. Реабилит. Eng . 27, 611–618. doi: 10.1109/TNSRE.2019.21

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Рупп, Р., Ром, М., Шнайдерс, М., Крайлингер, А., и Мюллер-Путц, Г. Р. (2015). Функциональная реабилитация парализованной верхней конечности после повреждения спинного мозга неинвазивными гибридными нейропротезами. Проц. IEEE 103, 954–968. doi: 10.1109/JPROC.2015.2395253

Полнотекстовая перекрестная ссылка | Академия Google

Сахави, С., и Гуан, К. (2017). «Обучение передаче на основе сверточной нейронной сети и дистилляция знаний с использованием многопредметных данных в воображении движений BCI», в 2017 г. , 8-я Международная конференция IEEE / EMBS по нейронной инженерии (NER) (Шанхай: IEEE), 588–591.doi: 10.1109/NER.2017.8008420

Полнотекстовая перекрестная ссылка | Академия Google

Шалк Г., Макфарланд Д. Дж., Хинтербергер Т., Бирбаумер Н. и Вулпоу Дж. Р. (2004). BCI2000: универсальная система интерфейса мозг-компьютер (BCI). IEEE Trans. Биомед. Eng . 51, 1034–1043. doi: 10.1109/TBME.2004.827072

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ширрмейстер, Р. Т., Спрингенберг, Дж. Т., Фидерер, Л. Д. Дж., Гласстеттер, М., Эггенспергер, К., Тангерманн М. и соавт. (2017). Глубокое обучение с использованием сверточных нейронных сетей для декодирования и визуализации ЭЭГ. Гул. Карта мозга . 38, 5391–5420. doi: 10.1002/hbm.23730

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Шен Ю., Лу Х. и Цзя Дж. (2017). «Классификация сигналов ЭЭГ воображения движения с помощью моделей глубокого обучения», в Международной конференции по интеллектуальной науке и разработке больших данных (Ланьчжоу: Springer), 181–190. дои: 10.1007/978-3-319-67777-4_16

Полнотекстовая перекрестная ссылка | Академия Google

Шривастава Н., Хинтон Г., Крижевский А., Суцкевер И. и Салахутдинов Р. (2014). Dropout: простой способ предотвратить переоснащение нейронных сетей. Дж. Маха. Учить. Рез . 15, 1929–1958.

Академия Google

Сун, Ю., Ло, Ф. П.-В., и Ло, Б. (2019). Система идентификации пользователей на основе ЭЭГ с использованием 1D-сверточных нейронных сетей с долговременной кратковременной памятью. Эксперт Сист.Заявка . 125, 259–267. doi: 10.1016/j.eswa.2019.01.080

Полнотекстовая перекрестная ссылка | Академия Google

Там, В.-К., Тонг, К.-Ю., Мэн, Ф., и Гао, С. (2011). Минимальный набор электродов для визуализации движений BCI для управления вспомогательным устройством у пациентов с хроническим инсультом: исследование, состоящее из нескольких сеансов. IEEE Trans. Нейронная система. Реабилит. Eng . 19, 617–627. doi: 10.1109/TNSRE.2011. 2168542

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Тан, X., Ли, В., Ли, X., Ма, В., и Данг, X. (2020). Распознавание ЭЭГ воображения движения на основе декомпозиции эмпирического режима условной оптимизации и многомасштабной сверточной нейронной сети. Эксперт Сист. Заявка . 149:113285. doi: 10.1016/j.eswa.2020.113285

Полнотекстовая перекрестная ссылка | Академия Google

Тан, З., Ли, К., и Сунь, С. (2017). Однократная ЭЭГ-классификация воображения движения с использованием глубоких сверточных нейронных сетей. Оптик 130, 11–18. doi: 10.1016/j.ijleo.2016.10.117

Полнотекстовая перекрестная ссылка | Академия Google

Ван Дж., Ли С., Ан З., Цзян X., Цянь В. и Цзи С. (2019). Пакетно-нормализованные глубокие нейронные сети для быстрой интеллектуальной диагностики неисправностей машин. Нейрокомпьютинг 329, 53–65. doi: 10.1016/j.neucom.2018.10.049

Полнотекстовая перекрестная ссылка | Академия Google

Ван, Л. , Лю, X., Лян, Z., Ян, Z., и Ху, X. (2019). Анализ и классификация гибридного BCI на основе воображения движения и воображения речи. Измерение 147:106842. doi: 10.1016/j.measurement.2019.07.070

Полнотекстовая перекрестная ссылка | Академия Google

Ву, Х., Ли, Ф., Ли, Ю., Фу, Б., Ши, Г., Донг, М., и др. (2019). Параллельный многомасштабный банк фильтров сверточных нейронных сетей для классификации ЭЭГ воображения движения. Перед. Нейроски . 13:1275. doi: 10.3389/fnins.2019.01275

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Сюй Б., Чжан Л., Сун А., Ву К., Li, W., Zhang, D., et al. (2018). Вейвлет-преобразование частотно-временного изображения и классификация ЭЭГ воображения движения на основе сверточной сети. Доступ IEEE 7, 6084–6093. doi: 10.1109/ACCESS.2018.2889093

Полнотекстовая перекрестная ссылка | Академия Google

Ян, Х., Сахави, С., Анг, К.К., и Гуан, К. (2015). «Об использовании сверточных нейронных сетей и расширенных функций CSP для многоклассовой визуализации движений с классификацией сигналов ЭЭГ», в 37-й ежегодной международной конференции IEEE Engineering in Medicine and Biology Society (EMBC) (Милан), 2620–2015 гг. 2623.

Реферат PubMed | Академия Google

Чжан, Дж., Яо, Р., Ге, В., и Гао, Дж. (2020). Ортогональные сверточные нейронные сети для автоматической классификации стадий сна на основе одноканальной ЭЭГ. Вычисл. Методы прог. Биомед . 183:105089. doi: 10.1016/j.cmpb.2019.105089

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжан Р., Ли Ю., Ян Ю., Чжан Х., Ву С., Ю Т. и др. (2016). Управление инвалидной коляской в ​​помещении на основе интерфейса мозг-компьютер и автоматизированной навигации. IEEE Trans. Нейронная система. Реабилит. Eng . 24:128. doi: 10.1109/TNSRE.2015.2439298

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Zhang, X., Xu, G., Mou, X., Ravi, A., Li, M., Wang, Y., et al. (2019). Сверточная нейронная сеть для обнаружения асинхронного стационарного зрительного вызванного потенциала движения. IEEE Trans. Нейронная система. Реабилит. Eng . 27, 1303–1311. doi: 10.1109/TNSRE.2019.24

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжан Ю., Zhang, X., Sun, H., Fan, Z., and Zhong, X. (2019). Портативный интерфейс мозг-компьютер на основе новой сверточной нейронной сети. Вычисл. биол. Мед . 107, 248–256. doi: 10.1016/j.compbiomed.2019.02.023

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжэн, С., Чен, В., Ли, М., Чжан, Т., Ю, Ю. и Цзян, Ю. (2020). Расшифровка активности человеческого мозга с помощью глубокого обучения. Биомед. Сигнальный процесс. Контроль 56:101730. doi: 10.1016/j.bspc.2019.101730

Полнотекстовая перекрестная ссылка | Академия Google

Zuo, R., Wei, J., Li, X., Li, C., Zhao, C., Ren, Z., et al. (2019). Автоматизированное обнаружение высокочастотных колебаний при эпилепсии на основе сверточной нейронной сети. Перед. вычисл. Нейроски . 13:6. doi: 10.3389/fncom.2019.00006

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Simplified XML

Изучите простую, подобную формам, удобную для заполнения среду разработки Simplified XML в FrameMaker.

Представление Simplified XML позволяет вам легко создавать разделы DITA (1.3 и 1.2), не требуя знаний о том, как настроена структура вашего документа. Это представление позволяет ускорить разработку, так как вам предоставляется простая, подобная формам, удобная для заполнения среда разработки. Кроме того, структура вашего приложения сохраняется за счет размещения элементов в правильном месте и внутри допустимых тегов XML.

Для создания контента в упрощенном представлении XML:

Примечание. В следующей процедуре используется пример создания темы DITA.Тем не менее, шаги применимы для других типов тем DITA (задача, концепция, справочник или устранение неполадок).

  1. Выберите параметр «Включить упрощенное представление XML» в диалоговом окне «Настройки».

  2. Нажмите кнопку «Авторский вид» на панели приложений.

    Представление изменяется на упрощенное представление XML.

  3. Создать новую тему DITA.

    Примечание. По умолчанию точка вставки помещается в поле Заголовок.

  4. Введите название темы.

    Примечание. Если вы вызовете всплывающее окно «Вставить объект», нажав Crtl+1, вам будет показан список всех элементов, доступных в текущем документе. Однако если вы попытаетесь вставить недопустимый элемент, FrameMaker заблокирует вставку.

  5. С помощью клавиши со стрелкой вниз переместите курсор в поле Краткое описание и введите краткое описание темы.Однако в случае краткого описания вы можете применить форматирование символов, например жирный шрифт, курсив, подчеркивание и телетайп. Для этого выделите текст в поле Краткое описание и измените форматирование.

    Например, чтобы выделить часть текста жирным шрифтом, выделите текст и выполните одно из следующих действий:

    Чтобы удалить жирный шрифт из текста, выделите текст и используйте любой из вышеперечисленных способов.

    Выполните те же действия, чтобы ввести имя автора в поле Введите ваше имя.

    Примечание. Вы можете перемещаться между различными полями формы с помощью клавиш со стрелками.

  6. Переместите курсор в поле Содержание темы.

    По умолчанию первым элементом, доступным в поле «Содержимое», является абзац. Это означает, что если вы начнете печатать, текст будет заключен внутри тега абзаца в фоновом режиме.

    Примечание. Если курсор виден, но вы не можете ввести текст, это означает, что ввод текста недопустим в текущем местоположении.Вам будет показано всплывающее окно с предложением либо нажать Enter и выбрать объект, либо выбрать объект на панели инструментов Quick Element.

  7. Используйте QET или всплывающее окно «Вставить объект», чтобы вставить элементы.

    Примечание. Если вы попытаетесь вставить элемент, недопустимый в текущем местоположении, среда разработки автоматически идентифицирует такую ​​операцию и позволит добавить выбранный элемент в следующее допустимое место.

В следующем разделе приведены дополнительные сведения о вставке и использовании доступных объектов.

Работа с объектами в упрощенном представлении XML

В этом разделе объясняются различные способы работы с наиболее часто используемыми объектами.

Работа с упорядоченным и неупорядоченным списком

  • Чтобы создать упорядоченный или неупорядоченный список в документе, нажмите соответствующую кнопку в QET.

  • Чтобы создать новый элемент списка, поместите точку ввода в конец текущего элемента и нажмите Enter.

  • Чтобы вставить объект (например, изображение или таблицу) в элемент списка, используйте QET или всплывающее окно «Вставить объект».

  • Для преобразования между упорядоченным списком и неупорядоченным списком поместите точку вставки в любом месте внутри списка и выберите альтернативный тип списка в QET.

  • Чтобы выйти из списка, поместите точку ввода в конец последнего элемента списка и дважды нажмите клавишу Enter или щелкните кнопку Перейти к концу элемента формы в QET.

  • Чтобы вставить элемент списка между двумя списками, поместите точку вставки либо в конец первого элемента списка, либо в начало второго элемента списка и нажмите клавишу ВВОД.

  • Чтобы разделить элемент списка на два элемента, поместите точку вставки в то место, где вы хотите разделить элемент, и нажмите клавишу ВВОД.

  • Чтобы разделить список на две части, поместите точку вставки в конец первого элемента списка и дважды нажмите Enter. Между списками создается новый абзац.

Вы можете использовать клавиши Tab, Shift tab или кнопку List Indent, List Outdent в QET для отступа (вложения) или выступа элементов списка:

  • Чтобы сделать отступ для элемента списка, поместите точку вставки в начало элемента списка и нажмите клавишу Tab.Или поместите точку вставки в любом месте элемента списка и нажмите «Отступ списка».

    Примечание. Операции, выполняемые кнопками «Список отступов» и «Список выступов», также работают с частично выделенным текстом.

  • Чтобы уменьшить отступ элемента списка, поместите точку вставки в начало элемента списка и нажмите Shift + Tab. Или поместите точку вставки в любом месте элемента списка и нажмите «Выступ списка».

  • Если в списке несколько элементов, чтобы вложить некоторые элементы в список, выберите элементы и нажмите клавишу Tab или щелкните Отступ списка.

  • Чтобы уменьшить отступ любого элемента вложенного списка, поместите точку вставки в начало элемента списка и нажмите Shift + Tab. Или поместите точку вставки в любом месте элемента списка и нажмите «Выступ списка».

    Примечание. Если вы уменьшите отступ любого элемента вложенного списка, другие элементы останутся вложенными.

Работа со столами

  • Если вы вставите таблицу в свою тему, в представлении «Упрощенный XML» отобразится привязка к таблице, позволяющая легко выбирать, разворачивать или сворачивать таблицу.

  • Чтобы вставить элементы после таблицы, нажмите кнопку «Перейти к концу элемента формы» в QET.

  • Чтобы добавить строки или столбцы в таблицу, щелкните ячейку таблицы рядом с тем местом, куда вы хотите добавить строку или столбец, выберите и укажите количество строк или столбцов, которые вы хотите добавить. Вы также можете перемещать строки или столбцы в одной или разных таблицах и сортировать строки или столбцы в таблице.Дополнительные сведения см. в разделе Строки и столбцы таблицы в главе Таблицы.
  • Чтобы добавить новую строку в таблицу, щелкните Tab в последнем столбце последней строки.

  • Для перемещения по ячейкам в таблице можно использовать клавиши Tab, Shift+Tab или клавиши со стрелками.

  • Чтобы переместить таблицу, вам нужно щелкнуть якорь таблицы, а затем перетащить таблицу.Вы также можете выбирать и перемещать (перетаскивать или копировать/вырезать/вставлять) строки и столбцы таблицы внутри или между таблицами.

Работа с изображениями

  • Когда вы работаете с темой, концепцией или справочным документом DITA, нажмите кнопку «Рисунок» в QET или выберите объект «Рисунок» во всплывающем окне «Вставить объект», чтобы вставить изображение.

  • Когда вы работаете с задачей DITA или документом по устранению неполадок, нажмите кнопку «Изображение» в QET или выберите объект «Данные изображения» из «Вставить объект», чтобы вставить изображение.

  • В диалоговом окне «Вставить графику» введите следующие данные:

    Путь к файлу : нажмите «Обзор» и выберите файл изображения, который вы хотите вставить.

    DPI : выберите DPI (или разрешение) из раскрывающегося меню или введите разрешение, с которым вы хотите вставить изображение.

    Заголовок : (необязательно) Для темы, концепции или справочного документа DITA введите заголовок или подпись к изображению.Поле Заголовок недоступно, когда вы работаете над задачей DITA или документом типа устранения неполадок.

    Примечание: Если вы не укажете Заголовок, то изображение будет заключено внутри элемента Изображение в фоновом режиме, и вы не сможете добавить Заголовок позже. Однако, если вы добавите Заголовок, то изображение будет заключено внутри элемента Рисунок, что позволит вам изменить Заголовок в любое время позже.

    Альтернативный текст : (необязательно) введите текст, который будет отображаться, если изображение не будет опубликовано.

  • Если вы создаете тему задачи DITA, вам разрешено вставлять графику в поля «Заголовок процедуры», «Краткое описание» и «Шаги процедуры». Это связано с тем, что в темах задач графика заключена в элемент image .

  • Если вы вставляете изображение, в представлении «Упрощенный XML» отображается привязка, позволяющая легко выбирать, разворачивать или сворачивать изображение.

  • Чтобы переместить изображение, вам нужно щелкнуть якорь изображения, а затем перетащить изображение.

  • Чтобы изменить размер изображения, щелкните объект изображения ( , а не привязку изображения ) и перетащите боковой маркер, чтобы изменить ширину или высоту.

  • Чтобы просмотреть свойства объекта импортированной графики, щелкните графику правой кнопкой мыши и выберите .Чтобы просмотреть свойства объекта закрепленного фрейма, щелкните якорь и выберите .

Работа с MathML

  • Вы можете вставлять уравнения MathML в типы документов DITA 1.3 (тема, задача, концепция, справочник и устранение неполадок).

  • Чтобы вставить уравнение MathML, нажмите кнопку MathML Container в QET.

  • Если вы вставите уравнение MathML в свою тему, в представлении Simplified XML отобразится привязка уравнения, позволяющая легко выбрать уравнение MathML.

  • Чтобы переместить уравнение MathML, вам нужно щелкнуть якорь уравнения, а затем перетащить уравнение.

Работа со списком определений

  • Вы можете вставить элемент списка определений, нажав кнопку Список определений в QET.

  • Чтобы вставить запись списка определений, нажмите кнопку «Запись списка определений» в QET.

  • Чтобы вставить элементы после списка определений, нажмите кнопку «Перейти к концу элемента формы» в QET.

Работа с кодовым блоком

  • Вы можете вставить элемент Code Block, нажав кнопку Code Block в QET.

  • Чтобы вставить элементы после блока кода, нажмите кнопку «Перейти к концу элемента формы» в QET.

  • Если вы хотите применить форматирование телетайпа (моноширинный) к своему содержимому, выберите нужный текст и нажмите кнопку Телетайп, моноширинный в QET.

Использовать вставку и смарт-вставку

FrameMaker автоматически создает допустимую структуру, если вы копируете и вставляете содержимое из внешних приложений, таких как MS Word, Excel или браузер. Однако, если вставка внешнего содержимого приводит к созданию недопустимого файла DITA, появляется приглашение либо скопировать содержимое без форматирования, либо копировать по одному блоку за раз.

Вы также можете перетаскивать содержимое документа. Однако, если вы попытаетесь поместить перетаскиваемый контент в недопустимое место, FrameMaker отобразит красный значок и заблокирует операцию.

Открытие и сохранение XML-файлов в упрощенном представлении XML

Вы можете открыть любой раздел DITA в представлении Simplified XML. Если тема включает в себя элементы, которые не определены в форме, то эти элементы будут показаны, но их нельзя будет редактировать. Вы можете внести изменения в редактируемый контент, а затем сохранить тему.

FrameMaker обеспечивает готовую поддержку темы, задачи, справочника и концепции DITA. Однако в этом представлении можно открыть любой файл XML, для которого соответствующее структурированное приложение настроено с помощью файла конфигурации представления Simplified XML. Если файл конфигурации определен, но шаблон не указан, используется шаблон по умолчанию, определенный в структурированном приложении, и при переключении на представление упрощенного XML в консоли отображается сообщение. Дополнительные сведения см. в разделе Настройка среды разработки упрощенного XML.

Примечание. Карты DITA, книги FrameMaker или файлы .fm нельзя открывать в упрощенном представлении XML.

IRS издает упрощенные процедуры для страховых компаний по изменению методов бухгалтерского учета в соответствии с измененным разделом 846

Служба внутренних доходов (IRS) недавно выпустила две налоговые процедуры, которые относятся к внедрению изменений в методы бухгалтерского учета в результате поправок к разделу 846 Налогового кодекса 1986 года с поправками, внесенными Законом о сокращении налогов и занятости (TCJA). 1 Положение о доходах 2019-30 предусматривает упрощенные процедуры для страховых компаний, желающих изменить свои методы учета для дисконтирования неоплаченных убытков и неоплаченных расходов. Процедура получения дохода также применяется в отношении расчетных возмещаемых и незаработанных премий, относящихся к страхованию правового титула, в соответствии с измененным Разделом 846. Отдельно Процедура получения доходов 2019-31 предписывает пересмотренные коэффициенты дисконтирования невыплаченных убытков для 2018 года происшествия и более ранних лет происшествия для использования страховыми компаниями. при расчете дисконтированных неоплаченных убытков в соответствии с разделом 846.Руководство актуально как для компаний по страхованию имущества и от несчастных случаев, так и для компаний по страхованию жизни.

Раздел 446(e) требует, чтобы налогоплательщик получил согласие IRS на изменение метода учета. Согласие требуется, чтобы IRS знала о вносимых изменениях. Как правило, для изменения метода учета требуется форма IRS 3115 (заявка на изменение метода учета) как для автоматического, так и для неавтоматического изменения метода. Согласие IRS также требуется, чтобы у IRS была возможность подтвердить, что соответствующие корректировки Раздела 481 (a) вносятся во избежание дублирования или упущения дохода из-за изменения.Корректировки в соответствии с разделом 481(a) обычно представляют собой разницу между суммами, указанными в декларациях налогоплательщика по федеральному подоходному налогу, в результате изменения метода учета. Когда корректировка по Разделу 481(а) является положительной (добавка к доходу), корректировка обычно учитывается в течение четырех лет.

Изменение метода учета может потребоваться страховым компаниям для соблюдения измененного Раздела 846 и подзаконных актов в соответствии с ним, которые вступили в силу 17 июня 2019 года.Автоматическое согласие доступно для определенных изменений в методе учета в соответствии с указаниями IRS. Процедура получения доходов 2019-30 содержит указание в отношении изменений в методе соблюдения поправок к Разделу 846. Налоговое управление предоставило упрощенные процедуры в этом случае, поскольку Налоговое управление США признало, что сроки выпуска предлагаемых и окончательных нормативных актов, реализующих поправки к Разделу Закон № 846 поставил перед налогоплательщиками уникальные проблемы, на которые распространяются правила дисконтирования. 2 Упрощенные процедуры призваны снизить административную и налоговую нагрузку на налогоплательщиков.

Процедура доходов 2019-30 содержит приветствуемое упрощение в отношении изменений в методах учета, необходимых для соблюдения поправок к Разделу 846. В соответствии с упрощением обычных правил для автоматических изменений Процедура доходов 2019-30 отменяет обычное требование подачи формы IRS. 3115. Кроме того, в соответствии с правилом перехода в TCJA, в той степени, в которой требуется положительная корректировка Раздела 481 (a), корректировка распределяется на восемь лет.

Eversheds Sutherland Примечание : Упрощенные процедуры, предусмотренные Положением о доходах 2019-30, в целом благоприятны для налогоплательщиков, а для налоговых периодов, начинающихся после 31 декабря 2017 г. и заканчивающихся 31 декабря 2019 г. или ранее, являются исключительные процедуры получения налогоплательщиком в рамках доходного порядка автоматического согласия на изменение метода учета, на который распространяется доходный порядок.

Упрощенные процедуры, предусмотренные в Порядке доходов 2019-30, применяются к любой компании по страхованию имущества и от несчастных случаев, которая меняет свой метод учета для дисконтирования неоплаченных убытков, дисконтирования возмещаемых спасательных работ или и того, и другого в соответствии с измененным разделом 846, а также для любой жизни страховая компания, которая меняет свой метод учета дисконтирования непогашенных убытков в соответствии с измененным Разделом 846, при условии, что налогоплательщик имеет налоговый год, начинающийся после 31 декабря 2017 г. и заканчивающийся до 17 июня 2019 г., и соответствует одному из двух наборов условий с в отношении коэффициентов дисконтирования, используемых в соответствии с процедурой получения дохода.

Как правило, налогоплательщик отвечает условиям в отношении используемых коэффициентов дисконтирования, если налогоплательщик либо (i) использует коэффициенты дисконтирования, определенные в соответствии с измененной статьей 846 и окончательными положениями (Пересмотренные коэффициенты дисконтирования), по состоянию на конец обоих своих первых налоговых лет начиная с 31 декабря 2017 г. (первый год TCJA) и до конца предыдущего налогового года (год до TCJA) для определения дисконтированных неоплаченных убытков и предполагаемого возмещаемого спасательного имущества, или (ii) использует коэффициенты дисконтирования, определенные в соответствии с измененным Разделом 846. и предлагаемые правила (предлагаемые коэффициенты дисконтирования) по состоянию на конец первого года TCJA и года до TCJA, а также использует пересмотренные коэффициенты дисконтирования по состоянию на конец как следующего налогового года (второй год TCJA), так и первого года TCJA. Год для определения дисконтированных неоплаченных убытков и предполагаемой возмещаемой суммы спасения.Этот подход обеспечивает гибкость для налогоплательщиков и учитывает тот факт, что некоторые налогоплательщики подали свои налоговые декларации за 2018 год до окончательной доработки положений в соответствии с измененной статьей 846. Чтобы удовлетворить любое требование, налогоплательщик должен принять во внимание определенные корректировки Раздела 481 (а), предусмотренные в соответствии с процедурой получения дохода.

Eversheds Sutherland Замечание : Корректировки Раздела 481(a), которые должны быть сделаны в соответствии с этой процедурой получения дохода, относительно сложны.Корректировки в соответствии с разделом 481(a) будут различаться, если налогоплательщик использует Предложенные коэффициенты дисконтирования в первый год TCJA и Пересмотренные коэффициенты дисконтирования во второй год TCJA вместо Пересмотренных коэффициентов дисконтирования в оба года. Налогоплательщик, который использует Предлагаемые коэффициенты дисконтирования в первый год TCJA и Пересмотренные коэффициенты дисконтирования во второй год TCJA, должен учитывать определенные дополнительные корректировки, которые обычно учитывают разницу между суммами, рассчитанными с использованием Предлагаемых коэффициентов дисконтирования, и суммами, рассчитанными с использованием пересмотренного коэффициента дисконтирования. Факторы.

Если налогоплательщик удовлетворяет всем требованиям, изложенным в Порядке получения доходов 2019-30, и находится в рамках процедуры получения дохода, согласие IRS считается предоставленным в отношении изменения метода, и требуется подать форму IRS 3115. отказался. Упрощенные процедуры, предусмотренные в рамках этой процедуры получения доходов, выгодны для налогоплательщиков и должны облегчить бремя соблюдения требований для страховых компаний, которым необходимо изменить свои методы учета, чтобы соответствовать измененному разделу 846.

______________

1 П.Л. 115-97. Все ссылки на разделы относятся к Налоговому кодексу 1986 года с поправками.

2 Для дальнейшего обсуждения предлагаемых правил и окончательных правил, реализующих поправки к Разделу 846, см. предыдущие юридические уведомления Eversheds Sutherland о предлагаемых правилах и окончательных правилах.

Если у вас есть какие-либо вопросы по этому юридическому предупреждению, пожалуйста, не стесняйтесь обращаться к любому из адвокатов, перечисленных в разделе «Связанные лица/сотрудники», или к юристу Eversheds Sutherland, с которым вы регулярно работаете.

Мы не можем найти эту страницу

(* {{l10n_strings. REQUIRED_FIELD}})

{{l10n_strings.CREATE_NEW_COLLECTION}}*

{{l10n_strings.ADD_COLLECTION_DESCRIPTION}}

{{l10n_strings.COLLECTION_DESCRIPTION}} {{addToCollection.description.length}}/500 {{l10n_strings.ТЕГИ}} {{$элемент}} {{l10n_strings.ПРОДУКТЫ}} {{l10n_strings.DRAG_TEXT}}

{{l10n_strings.DRAG_TEXT_HELP}}

{{l10n_strings. ЯЗЫК}} {{$select.selected.display}}

{{article.content_lang.display}}

{{l10n_strings.АВТОР}}

{{l10n_strings.AUTHOR_TOOLTIP_TEXT}}

{{$select.selected.display}} {{l10n_strings.CREATE_AND_ADD_TO_COLLECTION_MODAL_BUTTON}} {{l10n_strings.CREATE_A_COLLECTION_ERROR}}

Несанкционированный запрос.

Проверьте параметры конфигурации, чтобы убедиться, что данные аутентификации указаны правильно. Несанкционированный запрос. Проверьте параметры конфигурации, чтобы убедиться, что данные аутентификации указаны правильно.

Несанкционированный запрос. Проверьте параметры конфигурации, чтобы убедиться, что данные аутентификации указаны правильно. Описание: Произошло необработанное исключение во время выполнения текущего веб-запроса. Пожалуйста, просмотрите трассировку стека для получения дополнительной информации об ошибке и о том, где она возникла в коде.

Сведения об исключении: System.Security.Authentication.AuthenticationException: Неавторизованный запрос. Проверьте параметры конфигурации, чтобы убедиться в правильности данных аутентификации.

Ошибка источника:

Во время выполнения текущего веб-запроса возникло необработанное исключение. Информацию о происхождении и расположении исключения можно определить с помощью приведенной ниже трассировки стека исключений.

Трассировка стека:
[AuthenticationException: Неавторизованный запрос. Пожалуйста, проверьте настройки конфигурации, чтобы убедиться, что ваши данные аутентификации верны.]
   Sdl.Web.Delivery.Service.AbstractODataService.HandleHttpResponseCode(Exception e, Int32 statusCode) +173
   Sdl.Web.Delivery.Service.AbstractODataService.HandleException (Исключение e) +364
   Sdl.Web.Delivery.Service.<>c__DisplayClass11_0`1.b__0() +289
   Sdl.Web.Delivery.Service.Utils.PerformRetry (Func`1 block, Int32 retryCount) +144
   Sdl.Web.Delivery.Service.Utils.Retry (Func`1 block, Int32 retryCount, логическая блокировка) +105
   Sdl.Web.Delivery.DiscoveryService.DiscoveryServiceClient.get_ContentServiceUri() +317
   Sdl. Web.Delivery.ContentService.ContentServiceConfigurationProvider.get_ServiceEndpoint() +343
   сдл.Web.Delivery.ContentService.ContentServiceConfigurationProvider.get_ODataV4ServiceEndpoint() +10
   Sdl.Web.Delivery.ContentService.ContentServiceProvider..ctor() +204
   Sdl.Web.Delivery.ContentService.ContentServiceProvider.get_Instance() +165
   Sdl.Web.Delivery.ADF.AmbientRuntime..ctor() +35
   Sdl.Web.Delivery.ADF.<>c.<.cctor>b__33_0() +31
   System.Lazy`1.CreateValue() +236
   System.Runtime.ExceptionServices.ExceptionDispatchInfo.Throw() +31
   Система.Ленивый`1.get_Value() +14642757
   Sdl.Web.Delivery.ADF.HttpModule.CreateRequestPrivateClaimStore (сеанс HttpSessionState, ISet`1& templateReadOnlyClaims, ISet`1& templateImmutableClaims, ISet`1& templateSessionScopeClaims) +114
   Sdl.Web.Delivery.ADF.HttpModule.PerformRequestStart (приложение HttpApplication, логическое значение dispatchOdataRequest) +194
   System.Web.SyncEventExecutionStep.System.Web.HttpApplication.IExecutionStep. Execute() +139
   Приложение System.Web.Http.ExecuteStepImpl (шаг IExecutionStep) +195
   System.Web.HttpApplication.ExecuteStep (шаг IExecutionStep, логическое значение и выполнено синхронно) +88
 


Информация о версии:  Microsoft .NET Framework Version: 4.0.30319; Версия ASP.NET: 4.7.3905.0

Упрощенная организационная структура и показатели

 

Год, закончившийся 31 декабря
2020 2019 2018 2017 2016
Консолидированные данные
Доходы 16 090 15 898 13 932 12 518 10 819
Доходы от операций  (а) 1 815 1 719 1 439 1098 853
Скорректированная прибыль до вычета процентов и налога на прибыль (EBITA)  (a) 1 627 1 526

1 288

969 724
Прибыль до уплаты процентов и налога на прибыль (EBIT) 1 468 1 381

1 182

1018 887
Прибыль, относящаяся к акционерам Vivendi SE 1 440 1 583

127

1 216 1 256
из которых прибыль от продолжающейся деятельности, причитающаяся акционерам Vivendi SE 1 440 1 583 127 1 216 1 236
Скорректированная чистая прибыль  (a) 1 228 1 741

1 157

1 300 755
Чистая денежная позиция/(Чистый финансовый долг)  (a) (4953) (4064)

176

(2340) 1 231
Итого собственный капитал 16 431 15 575

17 534

17 866 19 612
из которых акционерный капитал Vivendi SE 15 759 15 353

17 313

17 644 19 383
Денежный поток от операционной деятельности (CFFO)  (a) 696 903

1 126

989 729

Денежный поток от операций после уплаты процентов и налога на прибыль (CFAIT)  (a)

548 567 822 1 346 341
Финансовые вложения (1640) (2 284)

(694)

(3685) (4084)
Финансовые продажи 360 1068

2 303

976 1 971
Дивиденды, выплачиваемые Vivendi SE своим акционерам 690 636

568

499 (б)  2 588
Покупка/(продажа) собственных акций Vivendi SE 2 157 2 673

203 1 623
Данные по акциям
Средневзвешенное количество акций в обращении 1140. 7 1 233,5

1 263,5

1 252,7 1 272,6
Прибыль, относящаяся к акционерам Vivendi SE, на акцию 1,26 1,28

0,10

0,97 0,99
Скорректированная чистая прибыль на акцию 1,08 1,41

0,92

1,04 0,59
Количество акций, находящихся в обращении на конец периода (за исключением собственных акций) 1092.8 1170,6

1 268,0

1 256,7 1 259,5
Капитал на акцию, приходящийся на акционеров Vivendi SE 14,42 13.12

13,65

14.04 15,39
Дивиденды на акцию выплаченные 0,6 0,50

0,45

0,40 (б)  2,00

В миллионах евро, количество акций в миллионах, данные на акцию в евро.

(a) Показатели дохода от операций, не предусмотренные GAAP, EBITA, скорректированная чистая прибыль, чистая денежная позиция (или финансовый чистый долг), денежный поток от операционной деятельности (CFFO) и денежный поток от операционной деятельности после уплаты процентов и подоходного налога (CFAIT) следует рассматривать в дополнение, а не вместо других показателей операционной и финансовой деятельности согласно GAAP, представленных в консолидированной финансовой отчетности и соответствующих примечаниях или описанных в настоящем финансовом отчете.Vivendi считает, что это важные показатели операционной и финансовой деятельности группы. Каждый из этих показателей определен в соответствующем разделе настоящего финансового отчета. Кроме того, следует отметить, что другие компании могут иметь определения и расчеты для этих показателей, которые отличаются от используемых Vivendi, что влияет на сопоставимость. Кроме того, по состоянию на 31 декабря 2020 г., в контексте пандемии не изменили определение этих показателей, поэтому они сопоставимы с 2019 финансовым годом.

(b)  Относительно 2015 финансового года Vivendi выплатила обычные дивиденды в размере 3 евро на акцию, т. е. общая выплата дивидендов составила 3 ​​951 миллион евро.
Эта сумма включает 2 588 млн евро, выплаченных в 2016 году (1 318 млн евро в счет второго промежуточного дивиденда в размере 1 евро на акцию и 1 270 млн евро, представляющих остаток в размере 1 евро на акцию), и 1 363 млн евро, выплаченных в 2015 году (первый промежуточный дивиденд в размере 1 евро). 1 на акцию).

.
Опубликовано в категории: Разное

Добавить комментарий

Ваш адрес email не будет опубликован.