SCT中电数码多媒体触控一体机Q款产品功能介绍：   该产品除了具有普通触摸屏的特点之外，更采用了国际先进的LED背光设计，亮度更高、画面更清晰、面板更轻薄。交互式液晶白板搭载了拥有自主知识产权的教育专用白板软件，本软件具有课件及教案制作工具，使用者通过该软件实现书写、擦除、标注、备课等十几项功能，随心所欲的完成教学，也让学生在教学环境中高效学习。   1、  前拆式触摸框，可不拆卸整机结构情况下实现单独拆下触摸框，实现触摸屏前维护；   2、物理快捷键功能：显示屏幕两侧具有电子白板常用功能物理快捷键；   3、端口前置：多种接口前置，方便开关机、设备调节、电脑开关、USB外接设备连接等；   4、外观结构：全拉铝外框结构，表面无尖锐或突起，美观安全，后壳为通风设计，有效防尘及通风散热，延长机器使用寿命。   雅致外观，强大性能   无线蓝牙，无需电线即可使用蓝牙，方便有效。   百变前拆面框，可不拆卸整机结构情况下实现单独拆下触摸框实现触摸屏前维护，还可更换面框，提供多种选择。   OPS插拔式电脑，超薄模块化可插拔式电脑设计，接口齐全，性能稳定。   双系统，双系统冗余备份，拒绝宕机，音画图快捷播放，即兴操作。   前开门设计，前开门设计，水、尘、电三防，前开门内置接口，语音、图像，同步输入。   全触控设计，易阅读，寿命长，高端便捷。

SCT中电数码幼教多媒体交互一体机产品功能介绍： 丰富的教学方式 基于触摸式操作的交互智能平板搭载白板教学系统，配合丰富的应用资源，极大丰富老师的教学方式和教学内容，提升孩子的学习兴趣，让课堂教学更有吸引力。 多功能一体化 集电脑、电视、电子白板、功放音响、中控设备为一体；一键开关，傻瓜式操作，免培训的电教解决方案；可选配升降式电动支架 优质的幼教资源 开放的海量优质教育、教学资源，教育应用商城及独创的课件资源分类管理功能，便利的检索、调用、管理、储存操作让老师轻松备课、学生高效学习。 智能双系统 兼具Windows和Android双系统平台，均可独立实现白板书写、课件及多媒体播放，兼容多类型教学资源，拓展丰富应用功能，为教学提供双核心保障。 电动支架 能实现设备高度自由升降和平铺，角度任意调节的专用支架。

SCT中电数码商用多媒体交互一体机VH产品功能介绍：    该产品在以前的基础上，进行创新化设计。 它的超薄超窄边的设计，使其外观更加美观大方，专业为互动教学研发的互动电教设备，演讲者可通过红外笔或者手指触摸显示屏操控电脑，并在其进行书写和批注，是互动教学中不可或少的必备设备之一。    金属边框  安全可靠  整体面框采用超高硬度圆弧铝型材，通过喷砂、拉丝、钻切等特殊工艺精心打造，实现线条与刚性的完美结合，安全更稳定。    精致超薄，如你所见，采用侧入式背光设计，使用顶级全铝合金背板，让它的机身做到足够纤薄，最薄处仅有23MM，更大降低了产品的重量，70寸仅有49kg，节约更多教室空间，让用户的教室黑板更加完美。    高清绚丽  精彩呈现，高品质进口原装屏幕，顶级背光模组，全新图像处理技术，完美呈现老师的思想，更加吸引学生注意力，让授课变得更加精彩。    便捷人性化设计，率先采用创新纽扣式前拆设计，一体机按键端口前置设计，可拨看ops电脑设计，使整体升级维护更加人性化，更加健康。    绿色绚丽，精彩呈现，高品质进口原装屏幕，顶级背光模组，全新图像处理技术，完美呈现老师的思想，更加吸引学生注意力，让授课变得更加精彩。

SCT中电数码多媒体电视互动一体机V70产品功能介绍：    该产品在以前的基础上，进行创新化设计。 它的超薄超窄边的设计，使其外观更加美观大方，专业为互动教学研发的互动电教设备，演讲者可通过红外笔或者手指触摸显示屏操控电脑，并在其进行书写和批注，是互动教学中不可或少的必备设备之一。    金属边框  安全可靠  整体面框采用超高硬度圆弧铝型材，通过喷砂、拉丝、钻切等特殊工艺精心打造，实现线条与刚性的完美结合，安全更稳定。    精致超薄，如你所见，采用侧入式背光设计，使用顶级全铝合金背板，让它的机身做到足够纤薄，最薄处仅有23MM，更大降低了产品的重量，70寸仅有49kg，节约更多教室空间，让用户的教室黑板更加完美。    高清绚丽  精彩呈现，高品质进口原装屏幕，顶级背光模组，全新图像处理技术，完美呈现老师的思想，更加吸引学生注意力，让授课变得更加精彩。    便捷人性化设计，率先采用创新纽扣式前拆设计，一体机按键端口前置设计，可拨看ops电脑设计，使整体升级维护更加人性化，更加健康。    绿色绚丽，精彩呈现，高品质进口原装屏幕，顶级背光模组，全新图像处理技术，完美呈现老师的思想，更加吸引学生注意力，让授课变得更加精彩。

产品详细介绍 台湾帝光节能灯管T5+T8合成一体化 超长寿命节能日光灯 管中管节能灯的三大特点：省电, 长寿命, 亮度更亮 一、超节能 　节能60%以上，亮度超过120%；20W直管灯亮度超过普通45W日光灯； 二、长寿命 　　1、保固可达16个月，保质期内“以坏换新”； 　2、寿命为普通灯管的6倍以上； 三、通用性强 　  使用帝光管中管节能灯无需更换灯具，直接安装即可使用（无需灯具原有“启动器”）； 四、特殊结构 　  1、“T5＋T8”双结构,可直接替换传统T8灯管； 　  2、“插拨式”新结构，更环保，更耐用； 五、显色性(Ra)佳 　 三基色荧光粉纯度100%，显色指数85Ra以上，色温指数超过8000K，光效高，使眼睛所看到 的都如同阳光下的色彩,真实自然，保护视力；　　　　　　　　　　　　 六、绿色环保 　1、无噪音、无闪烁；一开即亮,无需等待；　　　　　　　　　　　　　　　　　 　2、抗干扰、热辐射小！ 上海管中管节能灯厂家 （诚招全国各地经销商）

仪器概述 本仪器符合最新标准GB/T 33400-2016《中间馏分油、柴油及脂肪酸甲酯中总污染物含量测定法》标准设计制造的。用于标准规定的中间馏分油、脂肪酸甲酯体积分数不大于30%的柴油及纯脂肪酸甲酯（BD100）中总污染物含量的测定方法。也用于20℃运动黏度不大于8 mm2/s，或40℃运动黏度不大于5 mm2/s的样品，及总污染物含量为12 mg/kg～30 mg/kg的样品，并规定了精密度；也适用于总污染物含量超出该范围的样品，但其精密度未作规定。是炼油企业和检测机构测定柴油中总污染物含量首先产品。 技术参数 1、工作电源：AC220V±10%，50Hz 2、绝对压力控制范围：2KPa～5KPa;（压力表范围：0～-0.1MPa） 3、过滤器容积：不小于400ml 4、滤膜直径：47mm；孔径0.7μm 5、环境温度：5～30℃ 6、湿度：≤85% 性能特点 1、特制的过滤器，容量大 2、滤膜垫板孔径均匀，保护滤膜不受损3、配真空泵，真空抽虑压力系统平衡稳定4、精准压力装置，控制可靠，调节方便   网址链接 http://www.csscyq.com/proshow.asp?id=810

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

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

该项目研制的酶联免疫检测技术包括免疫原、包被原、抗体的制备以及样品的处理和检测等步骤。能一次性测出样品中斑蝥黄、β-胡萝卜素、β-阿朴-8’-胡萝卜素醛、叶黄素、辣椒红素、β-紫罗酮酸的总含量，缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 该项目缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。 成果完成时间：2013年