王湘麟课题组所报道的这种新型温度敏感的小分子有机发光材料(TPETA,图1），在室温至300℃的温度范围内具有发光峰可调的特性（几乎包含整个可见光区域）。基于这种温度敏感特性，通过精准控制基板加热温度与时间，可以得到基于单一材料的白光发光。王湘麟课题组成功制备了单一发光层的白光OLED器件，外量子效率达到3.4%，这是基于单一发光层白光OLED器件达到的最高效率，是有机小分子光电材料领域的重大突破。相比现有技术，其大大节约了原料成本和制作工艺成本，

  该项目在利用微生物细胞中的酶进行生物催化生产手征性化合物时采用过程集成技术，通过分离与反应耦合优化生产过程，大大提高了生物催化转化体系的效率，降低生产成本，简化生产过程，形成具有自主知识产权的L-苹果酸与L-丙氨酸创新的生产工艺流程。采用反应与分离耦合技术，对系统整体过程的集成优化，可通过分离耦合解决反应过程转化率低的问题，通

研发阶段/n本成果建立了能同时筛选牛奶中青霉素类、头孢菌素类、氨基苷类、四环素类、大环内酯类和磺胺类共50余种抗菌药残留的微生物学检测方法，本法对各类药物的检测限均低于或等于国家规定的最高残留限量标准。通过系列工艺研究及放大试验、稳定性考察、动物给药及残留实样考核等研究，研制的试剂盒假阴性率为0，假阳性率为1%，保质期不低于6个月，与国外同类产品相比，该试剂盒的灵敏度和重现性更好。技术水平：鉴定成果（成果鉴定号：农科果鉴字（2008）第51号，该成果总体达到国际领先水平）应用前景：本成果能同时筛选牛

本发明公开了一种基于阻尼转矩分析的电力系统低频振荡源在 线定位方法。该方法首先通过在线测量装置获取系统发生低频振荡时 电磁转矩、功角、角速度信号的动态响应数据，对发电机组的电磁转 矩信号以及其相对惯量中心的角速度、功角信号进行模式分解，提取 发电机所在支路的主导振荡模式，采用最小二乘拟合方法计算发电机 所在支路的主导振荡模式的阻尼转矩系数，接着根据阻尼转矩系数判 定发电机是否为该振荡模式的振荡源。本发明提供的定位监测方法能 够准确定位电力系统低频振荡发生源，通过振荡源对其自身的控制能 够有效地平息系

本发明公开了一种基于白光干涉原子力探针扫描显微镜探针系 统的成像自动调整装置自动及其控制方法，该装置主要包括计算机， 夹持机构及铰链机构，原子力探针及其探针组件，白光干涉显微系统， 面 CCD 光路连接筒。在白光干涉原子力探针显微镜连接完成的情况 下，根据面 CCD 上探针的成像与面 CCD 坐标系的水平夹角，通过计算机来控制舵机偏转一定的角度，使得原子力探针在面 CCD 中的成像 与面 CCD 坐标系中的夹角在误差范围内，从而得到测量的结果有较小 的测量误差。本发明可以实现探针在面 CCD 中的成

本发明公开了一株耐热红法夫酵母及其利用秸秆水解液生产虾青素的方法，所述菌株分类命名为红法夫酵母GF6 Xanthophyllomyces dendrorhous GF6，保藏编号为CCTCC NO:M 2025649；将该菌株接种到发酵培养基中，以秸秆水解液为碳源，在28~30℃下高效生产虾青素；本发明利用农业废弃物秸秆水解液作为廉价的粗原料代替了全部碳源来生产虾青素，提升了发酵温度，降低生产成本，并且对环境友好。

  仪器概述 本仪器是根据中华人民共和国国家标准GB/T-17040 2008《石油和石油产品硫含量的测定能量色散X射线荧光光谱法》的相关要求设计制造；广泛运用于测试原油、重油、柴油、煤油、汽油、石脑油等油品中的总硫质量百分比含量，测量固体粉末样品中硫含量（如阳极炭块、石油焦、改质沥青等碳素类材料），测量润滑油、石油添加剂中总硫或硫化物含量，测量煤化工产品,例如初级苯中总硫含量，测量其它液体中总硫或硫化物含量的测量；本仪器科技含量高，机电一体微机化设计,检测品种广,检测量程宽,分析速度快,标准样品耗量少。操作简单，且价格仅为进口仪器的几分之一，是科院院所，质检单位，原油、石油化工生产过程中硫含量的检测必备仪器。 技术参数 1、测硫范围: 80ppm～5%; 2、精密度: a重复性(r):＜0.02894（X+0.1691)；b再现性(R):＜0.1215（X+0.05555）； 3、样品量: 2～3ml(相当样品深度3mm～4mm)； 4、测量时间: 60、120、240、300、600秒,任意设定； 5、单样品自动测量,测量次数: 2、3、5、10、50次任意设定,测量结束给出平均值和标准偏差； 6、校正曲线数:仪器可存储9条标定曲线,5条为一元一次直线,4条为二项式抛物线； 7、工作条件: 温度:5～35℃；相对湿度:≤85%（30℃）； 8、电源:AC220V±20V、50Hz或 DC 12V额定功率:30W； 9、外形尺寸：378*232*158mm;重量:7kg 性能特点 1、仪器机电一体微机化设计小巧,可作台式,也可野外便携。交220V或直流12V两用。 2、样品台定位精确，大屏幕液晶显示,操作人机对话,简洁美观； 3、检测品种广,检测量程宽,分析速度快,标准样品耗量少，样品可重复使用； 4、采用荧光强度比率分析方法, 温度、气压自动修正,碳氢比(C/H)亦可修正； 5、采用一次性样品杯,可避免交叉污染，样品直接倒在一次性杯子里进行检测； 6、检测时间快，一个样品的分析时间是2min～4min 7、仪器数据存储量大,含量分析结果和标定工作曲线参数随时可查； 8、采用热敏打印机,更换打印纸简单便捷,也省去了打印色带耗材； 网址链接 http://www.csscyq.com/proshow.asp?id=763

常温保存性能稳定 防止理化特性的改变，冻干试剂水份含量非常低，使其稳定性提高，避免酶等粘稠度高的组分损耗。 快速活化 遇水即化并恢复原有试剂的理化特性和活性。 无需冷链运输 常温下可运输，解决了冷链运输中因温度失控导致产品质量下降的不足，降低了运输过程中的风险和损耗。 操作更简单，零损耗 冻干试剂预分装到八联管，避免反复冻融导致的实验结果误差。缩短了整个PCR检测过程的时长，极大地提高临床检验效率。 高便捷性 八联管一物两用（既作为冻干试剂装载容器，又作为PCR实验反应容器），无需体系配制，简化实验操作。 固态试剂真空包装 试剂成分紧贴八联管底部，避免了运输过程中由于颗粒的不固定性而导致颗粒破损变成粉末造成一定的损耗，增加产品实用性。

本发明公开了一种基于开槽结构的四分之一模基片集成波导滤波器，包括四分之一模基片集成波导弧形腔，四分之一模基片集成波导弧形腔通过基片集成波导圆形腔沿任意两条相互垂直的磁壁分割得到，四分之一模基片集成波导弧形腔包括介质基片，介质基片的上表面设有上金属层，介质基片的下表面设有下金属层，介质基片中沿四分之一模基片集成波导弧形腔的周向均匀分布有贯穿上金属层和下金属层的金属通孔。本发明相对于传统的基片集成波导圆形腔有效实现了小型化。并且，相对于传统的多层结构，本发明结构简单，加工方便。此外，相对于传统的微带结构，本发明的滤波器品质因数高，损耗小。

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