产品详细介绍    

本发明提供了一种花生组培苗的移栽方法，主要步骤是将花生再生苗作为接穗，无菌沙子中催芽的花生实生苗作为砧木进行嫁接获得嫁接再生苗，再将嫁接的再生苗直接移栽大田，浇足水，其上搭塑料弓棚保持空气湿度。移栽最初2个周早晨和下午接受光照，其他白天时间搭遮荫网。2周后撤掉遮荫网，放风，避免塑料弓棚里温度过高，同时也进行炼苗。移栽3周后，撤掉塑料弓棚，嫁接的再生苗的田间管理按普通田间管理进行。本发明所述技术方案可以解决嫁接再生苗需要驯化室中驯化，占用空间大，培养时间长，嫁接的再生苗生长缓慢、容易染菌，造成成活率低的问题。

本实用新型涉及一种带钢丝组的新型预制保温墙体连接件，包括FRP连接棒，FRP连接棒的横截面为圆形，FRP连接棒内沿其棒长方向设有钢丝组，所述的钢丝组为多根围成圆柱的钢丝组成，所围成圆柱的中心与FRP连接棒的轴心重合，钢丝组的每根钢丝的表面设置有螺纹或刻痕；FRP连接棒的两端设置凸出部，所述的凸出部呈中间宽、两端窄的两圆台组合体状，凸出部的中间部分的直径大于FRP连接棒的直径，所述的FRP连接棒与所述凸出部为一体结构；FRP连接棒的中段套设有塑料套筒，塑料套筒表面设置旋转螺纹，塑料套筒上螺纹套设有可移

产品名称：智能环控化学品组合柜 外部尺寸：H2070*W860*D570mm 层板尺寸：H50*W300*D330mm 层板：6块PP层板 结构：3格2列 锁具：6套双GA机械锁 风机：2套离心风机 显示屏：8.4寸液晶触摸屏 控制系统：VOC、温湿度监测报警系统（按列控制） 过滤器：B型过滤器4个 电源线：1根 电源：AC220V/50Hz 功率：93W 静电夹：1套 颜色：黄色/蓝色/白色/红色（环氧树脂喷） 储存量：108瓶500ml试剂瓶

产品名称：智能管控化学品组合柜 外部尺寸：H2070*W1410*D570mm 层板尺寸：H50*W300*D330mm 层板：6块PP层板 结构：3格2列+主控柜 锁具：6套双GA机械锁 风机：2套离心风机 显示屏：15寸液晶触摸屏 主控柜：1台 出入库系统：1套 过滤器：B型过滤器4个 电源线：1根 电源：AC220V/50Hz 功率：98W 静电夹：1套 颜色：黄色/蓝色/白色/红色（环氧树脂喷） 储存量：108瓶500ml试剂瓶

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

断奶前仔猪腹泻是养猪生产中的常见疾病，给世界养猪业造成了巨大的经济损失，肠毒素大肠杆菌（ETEC）F4ac是引发断奶前仔猪腹泻的最主要致病菌。本项目在国家863、国家科技支撑计划、江西省科技创新重大专项等项目支持下，通过6年多的研发，在国际上首次确定了MUC13为决定断奶前仔猪腹泻易感性的ETEC F4ac受体基因。发现了对ETEC F4ac易感和抗性个体鉴别准确率大于97%的关键突变位点。由此首次在国际上发明了高精准度的、具有完全自主知识产权且广泛适用于杜洛克、长白和大白三个主要商业猪种的断奶前仔猪腹泻抗病育种新技术。本项目在动物遗传育种领域有影响的国际性学术期刊发表本发明技术直接相关的SCI论文10篇，其中1篇为国际专业杂志封面文章。获国家授权发明专利2项。培养博士3人，硕士15人，1篇博士论文获全国优秀百篇博士论文提名奖。 2008年以来，通过国家生猪现代产业技术体系平台，进行了大面积的专利技术推广应用，结合常规育种，系统地在我国20个生猪主产省（市）35家国家级重点种猪场的84个核心育种群（14396个体）中开展了抗F4ac仔猪腹泻病的专门化新品系选育。经过3年的选育改良，使受试种群中的杜洛克、大白、长白易感个体的比例分别下降20%，25.1%和25.4%，显著提高了这些核心育种群的断奶前仔猪腹泻抗性。 本项目实现了我国种猪抗病育种技术的重大自主创新，有力地推动了我国种猪业的行业科技进步和健康可持续发展。

本发明公开了一种植物株系相关蛋白PROG2及其编码基因与应用。本发明所提供的植物株系相关蛋白PROG2为如下a1)或a2)或a3)：a1)氨基酸序列是序列表中序列2所示的蛋白质；a2)在序列表中序列2所示的蛋白质的N端和/或C端连接标签得到的融合蛋白质；a3)将a1)或a2)所示的蛋白质经过一个或几个氨基酸残基的取代和/或缺失和/或添加得到的与植物株型相关的蛋白质。实验证明，植物株系相关蛋白PROG2对调控水稻株型和产量具有非常重要的作用，在培育高产水稻新品种中具有广阔前景。

各种病毒性疫病在世界各地 不断爆发，造成了惨重的损失， 并对人类健康造成了严重威胁。 由于病毒的快速变异，一般的疫 苗会丧失保护作用。

山东大学高等医学研究院王培会课题组目前拥有SARS和COVID-19编码的所有基因。为了减少科研人员重复工作和科研经费浪费，现无偿为学术界提供pcDNA6B-viral gene-FLAG载体。另外，对于擅长PCR和分子克隆的实验室，也可以自行合成（最快只需3-7天）。如果并不擅长PCR和分子克隆，推荐等待邮寄方式（联系方式wphlab@163.com）。