本技术提出以无溶剂法合成ZSM-5分子筛，在分子筛合成过程中无溶剂参与，仅将初始原料研磨混匀后，转移到反应釜中进行晶化反应，从而简化了合成工艺，实现ZSM-5分子筛低成本、高效、绿色合成。

本课题研发用于海洋环境（海水及水产品）中病毒、致病菌等病原微生物、重点针对可能引起人类疾病的细菌和病毒（如总杆菌数、大肠杆菌、粪链球菌、产气荚膜梭菌、铜绿假单孢菌、金黄色葡萄球菌、腺病毒、肠道病毒、甲肝病毒、副溶血弧菌、创伤弧菌、沙门氏菌及李斯特菌）快速检测的分子生物技术，为研制用于这些微生物的现场监测手段和设备奠定理论和技术基础。检测方法采用基因芯片检测、蛋白质检测和聚合酶链式反应（PCR）检测三种。

本发明涉及一种微流控芯片制作技术，主要用于高分子聚合物材质微流控芯片制作，其特征在于利用CNC雕刻机直接加工微流控设备，即利用数控软件进行微流控芯片的通道设计，得到相应的雕刻路径，编写雕刻用代码；将雕刻代码导入控制CNC雕刻机的软件中，对要进行制作的高分子聚合物材料进行制作；图案制作结束后，根据不同要求，封接芯片，即可得到功能化的微流控设备。 成果亮点 技术特点：极大的降低高分子聚合物微流控芯片的制作成本，简单易用，快速制备，有利于芯片的大批量生产，并能灵活的调节芯片微通道深度，有利于实现微流控芯片器件的功能多样化，克服了现有技术制作微流控芯片设备成本高、制作效率低、难以实现芯片通道深度多样化的缺点，排除了人为因操作熟练程度造成的偏差和人力的消耗。

本项目属于肿瘤靶向药物的体外药敏检测，是基于化学靶向药与其靶蛋白在细胞死亡时也可结合的特性，设计并合成特异性发光基团与靶向药连接，得到一系列候选探针，经细胞筛选、裸鼠荷瘤切片共定位、人源病理样本孵育验证，筛选获得靶向药探针。将探针与患者活检样本共孵育后，通过检测其荧光分布及强度即可直接得知患者对该靶向药的敏感程度，从而给予患者更加精准的给药建议。该技术检测耗时短、结果准确、方法便捷、易于推广，能够与基于大数据的基因检测技术形成很好的互补融合，帮助临床医生为患者制定出更加精准的诊疗方案。 技术创新点： 该探针能够实现将靶向药与患者活检样本的结合情况进行原位显色并相对定量，其荧光的分布及强度直接提示患者对该靶向药的敏感程度，目前国内尚无其他技术能够实现。该技术能够弥补基因检测只能从基因水平间接预测药物敏感度的不足，给出的结果更为准确和个性化。目前我们已合成并检测了包括 3 种肺癌靶向药探针在内的 6种探针，项目一期预计合成国内已上市的 6 种肺癌化学靶向药的全部探针。 市场应用前景： 近年来精准医疗行业的发展愈发蓬勃，2016 年其国内市场估值已达百亿。精准医疗大致分为精准诊断和精准治疗两大板块，目前精准诊断一般依靠间接法或直接法。间接法主要通过基因及表观遗传学检测和大数据分析，对同一亚型的患者给出相同的诊疗方案，其准确性强烈依赖于基因检测的准确性及大数据库的完善程度。一代 Sanger测序虽成本较低易于普及，但只能检测单基因突变，且灵敏度较低、检测耗时长、工作量大，无法满足庞大的测序需求；二代测序 NGS 具有通量高、敏感度强、能够获得未知突变信息等优势，但其仪器和试剂要求极高价格昂贵，且能够准确解读数据的科研人员十分稀缺。同时，基因检测不能检出基因表达过程中旁路对于待测基因表达的影响，将直接导致给药建议有误差。直接法主要是肿瘤药敏技术，如 MTT比色法、ATP 荧光检测法等，需要依托原代肿瘤细胞培养技术，该技术由于巨大的个体化差异，成功率很不稳定，使得该类技术普及困难。 基于以上情况，开发一种更加精准敏锐且操作便捷、易于推广的肿瘤精准给药筛查技术，是十分有必要的。该技术能够与现有的精准诊断技术形成强有力的互补，能够帮助临床医生更好地为患者制定治疗方案，为患者争取更大的生存机会，为国内精准医疗行业的发展提供一个全新的思路。 合作方式： 融资共同开发，优先与第三方检测机构进行合作。鉴于技术保密性，暂未申请专利。

本项目核心技术是耐高压分子筛膜，利用天然气自身高压优势，以天然气采出压力和管道输送压力之差作为膜分离推动力，在极少能耗下完成天然气纯化目的。已完成中试制备，主要分离性能指标和能耗指标都明显优于现有的分离技术。 专利情况：在申请13项；已授权10项， 成熟度：研制 创新要点：1）对称大孔单管支撑体：膜管长50 cm，分子筛膜应用于4 Mpa高压下、CO2/CH4（50/50 mol%）混合气体的CO2渗透速率>0.6x10-7 mol/(m2sPa)和CO2/CH4分离选择性>50。 2）非对称单管支撑体：膜管长50 cm，分子筛膜应用于4 Mpa高压下、CO2/CH4（50/50 mol%）混合气体的CO2渗透速率>1.8x10-7 mol/(m2sPa)和CO2/CH4分离选择性>50。

我国淡水鱼资源丰富。鱼蛋白酶解液是一种高蛋白、低脂肪的蛋白水解制品， 但是不易贮存和加工，将酶解之后酶解液进行喷雾干燥得到水解蛋白粉，不仅利于贮存和运输，而且为酶解液的后续利用提供了便利，既可以作为一种安全的食品配料，也可以直接冲调饮用。氨基酸分析也显示鱼水解蛋白粉的氨基酸组成与人体肌肉成分极为接近，易于被人体摄入吸收且利用率很高，是良好的蛋白质强 化剂。 蛋白粉的溶解度对蛋白粉的应用范围影响很大，而国内关于低分子量高溶解度蛋白粉的制备尚处于空白状态。 本发明制得的鱼水解蛋白粉的分子量低；溶解度达到 95%以上；利用淡水鱼生产，来源丰富；本发明为淡水鱼的高值化利用提供了一条新的途径；利用生物酶解技术，效率高，无污染；产品安全有效、无毒副作用；低分子量的鱼水解蛋白粉比鱼蛋白更易消化吸收，可以作为食品原料或辅料应用于婴幼儿营养配方食品、方便食品、速溶饮品和调味品等，市场前景广阔。

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

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

近日，华东师大精密光谱科学与技术国家重点实验室袁翔课题组在三维拓扑绝缘体HfTe5中观测到一维外尔费米子。