成果简介：便隐血是指消化道出血量少，肉眼不见血色，少 量红细胞被消化分解，以至在显微镜下也无从发现的出血。正 常人便隐血检验为阴性，而阳性结果常见于肠癌、消化道炎症 或出血性疾病等患者粪便检测，便隐血检测对诊断消化道出血 具有重要意义，也是目前进行消化道肿瘤普查、初筛和监测的 有效手段，是临床上诊断消化道出血的重要依据。 目前，便隐血检测的主要指标为转铁蛋白和血红蛋白，且

本发明公开了一种免固定生物传感电极的制备及其在免标记均相光致电化学农残检测与癌症诊断中的应用。它是采用电还原的方式，将含负电基团的苯基重氮盐与不含负电基团的苯基重氮盐共同修饰在基础电极表面。该电极只吸附单链DNA而不吸附双链DNA，稳定性与重现性高。该电极可用于免标记均相光致电化学生物传感方法中，该方法包含一个目标分子触发的生化反应回路，其含有无标记DNA发卡(DNA‑1)与单链(DNA‑2)。无目标分子时，DNA‑1和DNA‑2均可吸附到电极表面；此时卟啉可借助DNA‑1与DNA‑2吸附到电极表面，产生光致电化学信号响应；有目标分子时，DNA‑1可与DNA‑2相互杂交，在聚合酶的作用下将大量的DNA‑1和DNA‑2转变为长双链DNA，导致DNA‑1与DNA‑2在电极表面吸附量的减少及卟啉光致电化学响应的降低。

大连理工大学稳态瞬态荧光光谱仪采购项目招标项目的潜在投标人应在大连市甘井子区软件园路80号科技园大厦B座601室获取招标文件，并于2022年06月14日09点00分（北京时间）前递交投标文件。

大连理工大学X射线显微CT扫描仪采购项目招标项目的潜在投标人应在大连市甘井子区软件园路80号科技园大厦B座601室获取招标文件，并于2022年06月30日09点00分（北京时间）前递交投标文件。

项目提供了一种静脉消融针发明专利和一种阻抗温度数字化控制式静脉消融仪实用新型专利，涉及医疗器械技术领域。该静脉消融针包括固定座、电极板、电凝针和连接线4个部分。本发明的静脉消融针，在固定座内设置电极板，电极板一端连接电凝针，另一端通过连接线与静脉消融仪的主机电连接，方便了医护人员单手持电凝针进行电凝操作，不仅能够消融曲张静脉的属支及交通支，还可消融畸形血管及肿瘤。一种阻抗温度数字化控制式静脉消融仪，涉及医疗器械技术领域。配套静脉消融针使用。该阻抗温度数字化控制式静脉消融仪包括主机、消融针和病人电极；所述主机分别与所述消融针和所述病人电极电连接；所述主机内设置有高频发生器。本实用新型的阻抗温度数字化控制式静脉消融仪，在行曲张静脉消融、血管瘤消融术时，使用消融针进入病变血管腔，通过主机的高频发生器产生高频电热作用，安全、精准、高效地消融曲张静脉属支或交通支及血管瘤或实体肿瘤。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

高端智能化、高效节能、低耗能的机械设备主要为：履带式的移动破、圆锥破

南京农业大学国家作物种质资源南京观测站质构仪采购项目招标项目的潜在投标人应在江苏省南京市雨花台区软件大道109号雨花客厅2幢1307室获取招标文件，并于2022年06月20日09点00分（北京时间）前递交投标文件。