智慧档案馆管理总平台配置温度、湿度、空气质量云测仪等设备，实时采集库房的环境 数据并通过图表的方式实时展示。 系统配置恒温、恒湿、微净化、净化、除酸设备，在温度、湿度、空气质量等库房环境指标超出或低于设定的阈值时，系统设备自动进行控制相关设备进行工作，保障库房环境。 

     实验室安全智能监测与控制系统为高校实验室安全提供一体化解决方案。项目基于全要素管理、全过程监控、全方位感知（简称“三全”）的理念，聚集于实验室安全智能化管控，构建实验室安全智能监测与控制系统，通过多维监测、安全预警和智能应急等举措，开展实验室智慧安全管理，实现实验室的本质安全，提高实验室安全的技防水平。     实验室安全智能监测与控制系统采用模块化设计，由11个模块组成，责任体系、安全教育与考试、安全准入、分级管控、安全检查、危险源管理、应急管理、安全档案、综合管理、数据可视化。基于实验室安全工作的实际需求设计，由校级平台和院级平台组成。校级平台可实时监控各院系实验室安全工作情况，进行各类数据的调用、统计和分析，主要用于实验室安全工作决策和安全工作考核。院级平台可通过各模块开展具体管控工作，能够实时监控各实验室人员、危险源、环境等状况，实现实验室安全工作的智能管控。

多媒体智能控制系统，物联网控制管理，网络远程管理，音视频控制，适用于高校、高职院校教室建设。

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

本发明公开了一种用于偏瘫患者的多自由度拇指康复训练装置，包括支撑底座以及固定在支撑底座上的驱动传感机构Ｉ和驱动传感机构ＩＩ，驱动传感机构Ｉ和驱动传感机构ＩＩ由光电编码器、直流力矩电机、磁流变液阻尼器和力矩传感器组成；其中，驱动传感机构Ｉ的输出端通过联轴器Ｉ连接弧形导轨的一端，弧形导轨的另一端依次通过连接杆Ｉ、连接杆ＩＩ、连接杆ＩＩＩ固定在支撑板Ｉ上，连接杆ＩＩＩ通过轴承Ｉ固定在支撑板Ｉ上，支撑板Ｉ固定在支撑底座上；驱动传感机构ＩＩ的输出端通过联轴器ＩＩ连接手机训练机构的驱动轴，手指训练机构包括训练杆、前指套、后指套、驱动连接件和驱动轴，驱动轴通过驱动连接件与训练杆传动连接；训练杆的前端部嵌入弧形导轨中沿着弧形导轨滑动。

碳化硅的工业生产，国内外一直沿用 100 多年前 Acheson 发明的单炉芯技术，该法能耗高、产品品质差、环境污染大、生产不安全、单炉产量小，因而生产效率低，产品市场竞争力差。高品质 SiC 新材料市场奇缺，严重制约了其在诸多高新技术领域的应用。 1995 年以来，课题组对以往国内外 SiC 生产炉的结构、生产技术和工艺进行了全面深入的调查、经多年潜心研究，创立了多热源多向流合成碳化硅理论体系，发明了 “ 冶炼碳化硅的多炉芯炉及其生产碳化硅的方法 ” 新技术。该技术获国家发明专利授权 1 项，获西安市科技进步一等奖、陕西省科技进步三等奖以及陕西省职工优秀发明创新成果金奖。已在国内陕西、青海、宁夏、新疆、福建等地建成生产线 10 余条，占据我国 SiC 产能的 1/4 ，创产值 30 亿余元，有力地推动了行业技术进步。

本技术成果涉及一类具有抗肿瘤作用的多芳乙烯取代β-二酮类化合物。

本发明为一种具有多生长因子次第释放特性的组织工程支架，属于药物剂型改变及制备方法技术领域。本发明中，结合微球缓释系统和支架的特点，采用复乳法分别制备BMP-2、VEGF和bFGF等生长因子的PLLA/PEG缓释微球，再利用超临界二氧化碳发泡技术将微球载入PLGA多孔支架中，构建具有可控次第释放特性的组织工程支架。本方法药物活性保持度高，有机溶剂残留量低，操作简单。所制备微球粒度分布窄，具有良好的缓释效果。复合支架孔径分布在150~300μm，连通性好，孔隙率为76.84%，抗压强度为5.11MPa，21天累计释放量为60.6%。本发明制备的支架在组织工程修复体中具有应用前景。

本发明公开一种用于电力电子系统的多通道隔离高速智能收发装置及方法。其装置包括发送单元、接收单元以及隔离传输媒质。发送单元包括数据采样及信号调理模块、A/D转换模块、发送主控单元以及发送单元信号转换模块;接收单元包括接收单元信号转换模块、接收单元信号调理模块、接收主控单元以及存储输出模块;本发明装置可对多通道模拟量采样及开关量采样进行数字编码,并通过隔离传输媒质传输。每个接收单元可连接多个发送单元同时解码。本发明装置具有突出的高可靠电气隔离性、实时性和智能化特点。

本发明包括一种多枝树形等离激元波导复合纳米结构的合成及其光学操控方法，该合成方法包括多个步骤，每个步骤均可精确控制。树形纳米结构的主干和在其上生长的枝状纳米结构的粗细均可精确控制，在树形纳米结构表面叠加有壳或无壳的量子点形成量子点复合树形纳米结构，无壳量子点可用于化学催化、环境监测、生物传感等应用。光从纳米线一端入射，经纳米线及枝状结构，激励有壳量子点发光，可用于遥感拉曼、新型激光器等应用。通过光学操控可改变入射光的强度和偏振态，控制特定区域的量子点发光，可消除散射中心之间干涉衍射效应产生的串扰效应，从而可用于亚波长的高分辨率探测。