本发明公开了一种多巴胺衍生物及分子印迹聚合物制备方法和应用。所述多巴胺衍生物包括丹磺酰多巴胺、咔唑磺酰多巴胺等。多巴胺衍生物由荧光发色剂前体与多巴胺通过磺化反应合成。利用所述多巴胺荧光衍生物制备荧光分子印迹聚合物，所得的荧光分子印迹聚合物，集特异性样品预处理和荧光检测于一体，与多孔酶标板联用，组建荧光传感器，根据加样前后荧光淬灭值的改变，直接测定环境水样中的系列酸性有机污染物，包括双酚 A 和 2,4-二氯苯氧乙酸。

独自拥有。

本项目从仿生模拟蛋白质促进牙本质及牙釉质再矿化的角度出发，合成表征一系列具有不同代数及改性基团的PAMAM型树枝状高分子，考察其对牙本质及牙釉质再矿化过程中晶核形成、矿物质沉降和富集的促进作用及其作用机理，包括相关的细胞、动物实验研究。主要研究成果如下： 1.成功合成了磷酸和羧酸改性的聚酰胺-胺树枝状高分子（PAMAM-PO3H2和PAMAM-COOH）。通过体外和体内实验研究发现，这两种改性的PAMAM都能诱导牙本质和牙釉质矿化，修复受损牙体硬组织。 2.成功合成了阿伦磷酸（ALN）改性的羧酸化聚酰胺-胺树枝状高分子ALN-PAMAM-COOH，并通过体外模拟实验及动物实验发现ALN-PAMAM-COOH具有原位诱导牙釉质再矿化的功能，并对HA有强特异吸附和诱导再矿化的功能，且诱导矿化四周后的牙釉质表面硬度可恢复至95.5%，涂层附着力强。 3.在进一步研究中发现，羧酸改性的四代聚酰胺-胺树枝状大分子能同时实现药物缓释和诱导受损牙本质矿化的功能，利用树枝状高分子本身可载药的特点将三氯生载入PAMAM-COOH，制备的复合体系可以吸附在牙本质表面。可实现三氯生的缓慢释放并能同时诱导牙本质矿化，因此该材料同时具有负载活性物质（如抗菌药物）和修复受损牙齿的功能。

项目成果/简介:云南大学教育部自然资源药物化学重点实验室肖伟烈团队在具有抗炎活性的天然小分子研究方面取得新进展，围绕巨噬细胞NLRP3炎症小体和NF-κB信号通路，从多种药用植物中发现了一系列结构新颖、活性显著的二萜类化合物。 该团队从大戟科大戟属植物泽漆（Euphorbia helioscopia）中发现三个具有重排Jatrophane-型骨架的新颖二萜衍生物， Euphopias A–C。其中Eup

本发明涉及一种以天然高分子为主要成分的环保絮凝剂，属于水处理絮凝剂技术领域。絮凝剂组分及各组分的重量份数如下：壳聚糖－木质素或壳聚糖－黄腐酸接枝共聚物60～75份，羧甲基淀粉15～30份，蒙脱土5份，活性炭5份。该絮凝剂主要由天然高分子制得，具有环保不产生二次污染的特点，而且价格低廉，对重金属离子和有机污染物去除率高，絮凝沉降速度快。社会效益:环保，无污染经济效益：在高端水处理行业中成本更低

高分子材料专业，本科及以上学历，5名

本发明公开了一种与湖羊睾丸重量主效QTL有关的SNP分子标记及其应用，属于遗传育种和分子生物学领域。该SNP分子标记位于绵羊11号染色体第54289512位碱基，该位点处出现C和T两种等位基因的多态性。该SNP位点的不同基因型与湖羊睾丸重量显著相关，其中CC基因型个体的睾丸重量显著高于TC和TT基因型(P<0.01)。将所述SNP分子标记应用于高繁殖力种公羊的早期选育，对提高羊群生产能力和增加养殖效益具有重要意义。

本项目拟通过建立复合纳滤膜多层结构的协同设计方法，丰富复合纳滤膜制备的理论基础，提升纳滤膜的分离性能，形成一批具有自主知识产权的高性能纳滤膜制备技术，并实现规模化生产，促进纳滤膜分离技术的广泛应用。

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