本发明公开了一种氧化石墨烯掺杂的分子印迹聚合物涂层搅拌棒及其制备方法与应用。氧化石墨烯掺杂的分子印迹聚合物涂层搅拌棒包括玻璃毛细管、铁芯和萃取涂层，铁芯置于两端熔封的玻璃毛细管内，萃取涂层涂为化学键合在玻璃毛细管表面的氧化石墨烯掺杂的普萘洛尔分子印迹聚合物涂层。通过将用氢氧化钠溶液活化的玻璃搅拌棒浸入有氧化石墨烯掺杂的分子印迹预聚液的模具中，反应完成后取出得到氧化石墨烯掺杂的分子印迹聚合物涂层搅拌棒。本发明的氧化石墨烯掺杂的分子印迹聚合物涂层

针对目前污水处理中的设备复杂、成本高及二次污染等技术瓶颈问题，本项 目研发了可降解高分子絮凝剂，并与超声方法联合使用，对污水进行处理，解决了目前污水处理的二次污染和高成本问题，产生了较好的社会效益。实现了水资源的修复与循环利用、天然资源的开发与应用以及廉价高效进行污水处理等科技创新和技术进步。获授权发明专利 8 件，申请 PCT 发明专利 1 件；第三方检测结果；发表论文 20 余篇。进行了合成中试和推广试用。成果的技术指标、创新性与先进性以天然产物海藻酸钠为基体，得到新型的改性海藻酸钠絮凝剂；在改性海藻酸纳分子中引入磁性纳米粒子基团，合成了具有磁响应性的纳米絮凝剂；对水中的重金属离子和有机杂质进行了吸附和絮凝作用研究。将絮凝技术与物理超声方法联合使用，将声空化效应运用到大容量废水处理中，设计并制备了新型动力式与压电式两种换能装置，用超声－臭氧-紫外联用技术对工业废水中的有机污染物进行去污处理，取得很好的效果。产品的吸附容量大、脱除率高、速度快，后处理容易，无二次污染，环境友好。对于含有重金属离子 Pb2+、Cu2+ 、Hg2+、Cd2+ 、 Fe3+、Ni2+ 的工业污水进行吸附实验，结果表明：对于重金属离子去除率大于 95%， 选择性吸附性能， Pb(II) ＞ Cu(II) ＞ Hg(II) ＞ Cd(II) ＞ Fe(III) ＞ Ni(II) ＞Cr（VI）。 

本发明公开了一种测量大气水 Raman 谱和气溶胶荧光谱的激光雷达系统。该系统由发射单本发明 公开一种分辨 N2 分子振转 Raman 谱的双光栅光谱仪系统。包括信号馈入单元、光学色散单元和信号检 测单元。信号馈入单元采用集束光纤将传导的信号光馈入光学色散单元;光学色散单元包含两组级联的 准 Littrow 结构布局的单光栅色散系统;信号检测单元分辨与记录色散后的通带范围内谱信号。在波长 354.8nm 紫外激光辐射下，由 N2 分子产生的 Stokes 振转 Raman 谱中心波长为 386.8nm，对称分布在两 侧的 O 支与 S 支谱各谱线在频谱上等间距;本发明能提取 N2 分子振转 Raman 谱 O 支及 S 支各分立谱 线信号，实现对 N2 分子振转 Raman 谱的分辨与检测，同时能对 354.8nm 附近光信号产生大幅抑制。

该研究提出了聚合物粘合剂的新型策略，通过合成一个柔性的共轭n型聚合物，使其能够作为一种粘合剂粘合小分半导体的晶界，提升其机械性能，实现了柔性有机晶体管器件。这种聚合物能有效地抑制小分子和聚合物之间的相分离，进一步实现了晶粒间的粘合作用。

本发明提供了一种紫花苜蓿刈割后株高再生能力鉴定方法、分子标记及应用，属于分子标记技术领域，本发明通过测定刈割四周后紫花苜蓿再生的株高来体现紫花苜蓿刈割后一定时间内植株再生的能力。所述分子标记的核苷酸序列如SEQ ID NO.4或SEQ ID NO.5所示，插入或缺失片段的核苷酸序列如SEQ ID NO.3所示。用于扩增分子标记的引物对，其核苷酸序列如SEQ ID NO.1～2所示。本发明所述分子标记对应的引物对能够鉴定或辅助鉴定紫花苜蓿刈割后株高再生能力。同时本发明还提供了利用所述分子标记快速鉴定紫花苜蓿刈割后株高再生能力的方法，该方法简便快捷，鉴定结果准确，具有良好的推广应用前景。

本发明提供了一种高结晶性的二维MWW沸石分子筛的制备方法，包括以下步骤：步骤S1，将二维材料的粉末加入反应容器，滴加有机结构导向剂并混合均匀，得混合液，对混合液依次进行超声处理和离心处理后取上层清液，得液相剥离后的薄层二维材料分散液；步骤S2，将薄层二维材料分散液、去离子水、碱金属源和铝源配制成溶液，在溶液中缓慢加入硅源，搅拌溶解，陈化处理，得溶胶凝胶；步骤S3，溶胶凝胶进行水热晶化后，得反应产物，进行洗涤、离心和干燥处理后，得高结晶性的二维MWW沸石分子筛。本发明中采用六方氮化硼或硫化钼作为外延生长二维沸石的模板，无需额外添加除六亚甲基亚胺或哌啶之外的有机模板剂，合成得到结晶性好且横纵比大的二维MWW型沸石。

针对我国茶叶、粮谷、蔬菜、水果等具有复杂基质的农产品中有机磷和磺酰脲类农药残留，发展新型预处理方法和材料。应用组合分子印迹技术和溶胶-凝胶分子印迹技术，制备并筛选出高吸附容量、高选择性的分子印迹聚合物材料，包括固相萃取吸附剂和分子印迹整体柱。建立快速、灵敏、准确地从复杂基质茶叶、粮谷、蔬菜、水果中测定有机磷和磺酰脲类农药残留的新方法、新体系。有利于提高我国食品安全检测技术，更好地促进经济发展。

针对我国茶叶、粮谷、蔬菜、水果等具有复杂基质的农产品中有机磷和磺酰脲类农药残留，发展新型预处理方法和材料。应用组合分子印迹技术和溶胶-凝胶分子印迹技术，制备并筛选出高吸附容量、高选择性的分子印迹聚合物材料，包括固相萃取吸附剂和分子印迹整体柱。建立快速、灵敏、准确地从复杂基质茶叶、粮谷、蔬菜、水果中测定有机磷和磺酰脲类农药残留的新方法、新体系。有利于提高我国食品安全检测技术，更好地促进经济发展。

本发明涉及一种金属氧化物‑分子筛复合催化剂的制备及其应用，属于工业催化技术领域。催化反应以二氧化碳和氢气为反应原料，所述催化剂由金属氧化物和分子筛复合而成。其中，金属氧化物为M<subgt;1</subgt;、M<subgt;2</subgt;、M<subgt;3</subgt;三种或其中两种金属元素组成的固溶体金属氧化物或尖晶石型金属氧化物，其中M<subgt;1</subgt;为Zn、Ga、In中的一种，M<subgt;2</subgt;为Ce、Sm、La、Fe中的一种，M<subgt;3</subgt;为Zr、Ga、Cr、Al、Ti中的一种；所述分子筛的骨架组成为硅铝氧或硅磷铝氧四面体；所述的金属氧化物采用气体扩散法制得。本专利所公开的金属氧化物采用气体扩散法制备，具有很高的比表面积（80‑300 m<supgt;2</supgt;g<supgt;‑1</supgt;）。所述复合催化剂在二氧化碳加氢制低碳烯烃（乙烯、丙烯和丁烯）的反应中表现出优异的性能，二氧化碳转化率可达35％以上，一氧化碳选择性小于40%，低碳烯烃在碳氢化合物中的选择性可达82.1％，低碳烯烃的收率达20.3%，并具有较高的催化稳定性。与传统催化剂相比，可以高效吸附、活化二氧化碳和氢气，从而提高二氧化碳转化率，制备方法简单，催化性能优异，具有很好的工业应用前景。

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