本实用新型提供一种输送器，包括输送器外筒，位于输送器外筒前端的中空输送头和位于输送器外筒内的推送结构。本实用新型输送器一体化程度较好，可单手操作，使用时将推杆拉回至开窗口之后， 骨粉由此处开窗添至输送头内腔中，并滴入少许生理盐水润湿，因为橡胶活塞和镍钛丝有较好的弹性， 

本实用新型提供一种取药车，包括车体和设置在车体上的条形码读取装置，条形码读取装置包括分 别电连接至控制器的操作屏、提醒模块、条形码扫描器、通信模块，电源给各个电路模块提供电能;条 形码读取装置通过所述通信模块连接至 HIS 系统获取病人药品信息，控制器将药物盒上的条形码信息与 HIS 系统获取病人药品信息进行对比，产生声光报警提示信息，这些提示信息包括&nb

本发明公开了一种自动插销，包括插销盒及活动穿装在插销盒上的插销杆，插销盒的外侧通过转轴铰接有锁勾，转轴的轴线垂直于插销杆的纵轴线，锁勾的一端设置有卡勾部，锁勾远离卡勾部的一端安装有第一回位弹簧，转轴位于卡勾部和第一回位弹簧之间，插销盒上设置有导向槽，锁勾的卡勾部伸入导向槽内，卡勾部设置有第一导向面和第一限位面，插销杆上设置有限位块，限位块上设置有第二限位面，第二限位面能与第一限位面配合从而使卡勾部勾住限位块，插销杆上套接有能在推动插销杆时被限位块和插销盒配合挤压的第二回位弹簧。本发明结构简单、经久耐

本发明公开了一种针灸装置，包括上壳体和下壳体，上壳体上 安装有换针机构和发射机构，下壳体上安装有转动机构，换针机构包 括针匣和压针机构，针匣内设置有针具及作为针具移动通道的第一通 孔，针匣在第一通孔处的内壁上设置有第一支撑体；转动机构包括旋 转轴及第一电机，旋转轴上设置有第二通孔，旋转轴在第二通孔处设 置有第二支撑体，所述第二支撑体用于支撑从第一通孔处掉落的针具 并带动针具旋转；发射机构包括撞针和发射按钮，撞针用于向下运动 以撞击针具，从而使第二支撑体支撑的针具飞出，发射按钮用于控制 撞针的运动。本

本发明公开了一种智能钱包，包括贝壳状的包体，包体的两端通过纽扣连接，在包体内部沿折叠线连接插套，插套上设有内部照明灯、外部照明灯、光敏电阻和紫外线验钞灯，包体的一侧设有锂电池和控制模块；内部照明灯、外部照明灯、光敏电阻和紫外线验钞灯分别与控制模块相连，内部照明灯、外部照明灯、光敏电阻、紫外线验钞灯和控制模块分别与锂电池连接。本发明的钱包设有内部LED照明灯和外部LED照明灯，既能为钱包内部提供照明，方便使用者在光线较暗的环境中取放钱币；也可以当成应急光源使用，使用方便；在钱包内设有紫外线验钞灯，能够在取放钱币是鉴别钱币真伪，减少使用者的财产损失。

1．外观设计产品的名称：智能眼镜。2．外观设计产品的用途：本外观设计产品为带有前置摄像头 和翻译传导耳机的用于佩戴的眼镜。3．外观设计的设计要点：产品的形状。4．指定一幅最能表明设计 要点的图片或者照片：立体图。 

发明涉及照明领域，特别是涉及一种智能灯。包括灯罩、底座、LED发光体以及电源线，所述底座为四方盒子，所述四方盒子包括盒体以及上盖，所述灯罩两端分别固定在盒体和上盖上，所述灯罩内部安装有H板，所述H板为若干个，所述H板上安装有支撑架，所述支撑架上安装有支撑板，所述支撑板上安装LED发光体，所述H板之间设有螺旋导线，所述LED发光体通过螺旋导线连接，所述电源线安装在底座上。本发明设计独特，便于携带，外形美观且实用。通过设置H板，安装多组LED发光体，安装巧妙，光线充足。当上盖翻转180°，上盖与盒体水平排列，灯罩为折叠筒状，处于完全打开状态，美观且富有美感。设有蓝牙，可直接与移动设备连接，通过移动设备控制本发明，操作便捷，简单方便。

本发明公开了一种电动球阀，包括阀套、耳轴球式阀芯、阀座 以及阀杆，阀套包括阀体及套筒，耳轴球式阀芯上设有进流通道和出 流通道，套筒上安装有电机，阀体上设置有一个进流孔和两个出流孔， 阀体内设置有进流连接通路和出流连接通路，每个阀座上均抵靠有能 产生弹性形变从而施加弹力压紧阀座的柔性补偿件，每个柔性补偿件 上均抵靠有一螺塞，阀座设有第一中间孔，柔性补偿件上设有第二中 间孔。本发明通过安装柔性补偿件，对耳轴球式阀芯和阀座进行补偿， 补偿量具有随温度压力变化的自适应性，具有良好的补偿自适应性， 能满足不同深度地质层的不同工况要求，保证了球阀在不同工况下的 长期安全可靠密封。 

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法，以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后，使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%，分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%，采用十倍交叉验证进行验证。研究人员表示，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者为验证方法的有效性，加入了4个新的受试者进行验证，发现总体平均准确率为92.5%。此外，全局分类器适应单一对象，整体平均准确率提高到94.54%。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极)，并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图，并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先，由于ERD在执行运动想象时在alpha和beta中不同，因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后，通过计算包含正问题和逆问题的源，将传感器空间的活动转化为源空间的活动。接下来，创建scout并提取特征。研究者在运动皮层中创建了10个scout，因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI)，并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5，右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后，利用CNN对时频图进行分离并进行分类。实验在实验中，研究人员仅使用了随机选择的十个受试者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。这里用于分析的数据集包含每个受试者84次试验，每一类包含21次试验。在记录64通道脑电图时，受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验：当目标出现在屏幕左侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时，受试者想象打开和合上相应的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕顶部时，受试者想象打开和合上双手的拳头，直到目标消失。然后受试者放松。当目标出现在屏幕底部时，目标会想象双脚张开和合拢，直到目标消失。然后受试者放松。为了统一数据维数，研究者选择了4s的数据，因为每次想象任务的执行时间都在4s左右。此外，脑电图任务是分开的，研究人员在实验中将左拳，右拳，双拳和双脚MI任务分别称为T1，T2，T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如图2所示。10个scout每一个都被扩展到40个顶点，每个顶点只有一个源。L1区域对应40个信号，其他scout也一样。在计算了来源后，研究者在运动皮层中创建了十个scout，如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项，每个受试者每次都要进行7次测试(#1，#2，#3，#4，#5，#6，#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后，研究人员在运动皮层中创建了包含40个源的10个scout，并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中，研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构，该网络模型由一个六层卷积网络组成，其中两个最大池层和三个全连接层，如图5所示。图5对于Physionet数据库，研究者首先采用Deep ConvNet架构，包括四个卷积层、四个最大池层和一个全连接层。在实验中，研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务，R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息，清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然，只有部分时频映射是红色的，表明每个任务只对特定的频率和时间敏感。由于图的数量比较大，研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本，并将一些特征图可视化，作为MI任务的学习表示，如图7所示。图7为了获得有效的结果，将数据集分为90％作为训练集，其余10％作为测试集。首先，将十个受试者的数据集（总共19320个样本）分为17388个样本以训练所提出的CNN模型，以及1932个样本以验证模型的有效性。在实验中，研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本)，其中24343个样本是训练集，其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试，以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高，达到94.5%，而L2的全局平均精度最低，为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上，标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说，R5表现的要比其他的好，而L2在迭代2000中表现最差。标准差较小，说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵，说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验，确定了scoutR5的性能，结果如图10(a)和(b)所示。在10次试验中，scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说，四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明，该方法对scout R5的分类效果较好。从以上结果可以清楚地看出，R5 scout在四种MI任务的分类中扮演着最重要的角色。因此，选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现，该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明，他们的研究成果与最先进的MI分类方法的结果相比，总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示，他们提出的结合scout ESI和CNN的方法，提高了脑电解码四类MI任务的BCI性能。论文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN