本TD-LTE无线数据终端适用于企事业单位、家庭等场合，采用大屏幕液晶屏，支持触摸，使用简洁方便，易操作。具有拨打电话、收发短信、通信录管理、上网等多种实用功能。

“NMT界乔布斯”许越先生推荐创新平台 中关村NMT产业联盟推介成员单位创新产品 “全球抗疫，人人有责”   推出背景：       研究论文的可重复性是研究科学性的最重要基础。论文可重复性需要作者对研究的相关过程、研究对象和统计分析方法提供详细的描述，否则给其他学者重复实验带来很大困难，但是活体生理研究的可重复性差一直困扰着这一领域。有一些杂志在这方面已经进行了一些探索，但仍然不能避免一些研究可重复性差的问题。重现性、严谨性、透明性和独立验证是科学方法的基石。 实验的严谨性在于实验变量的统一，随着科技的发展，变量的因素会越来越完善，检测方法、检测设备也会越来越专业，除了我们已知的实验变量，其实还有很多的其他因素也是实验变量的一部分，只是还没有能够将这些因素通过精确数据的形式展示出来。   NMT创新产品系列，带您找到实验中的变量！   产品介绍 名称：智能浇水系统 型号：IWD-100 品牌：旭月 产地：中国 简介： 应对挑战： 活体实验中的数据积累重复性较差，这和样品培养时的一致性相关，如何提高样品培养的一致性是关键点 土壤湿度是培养样品的基本指标，正常是使用人工浇水的方式，但是这样的方式在时间把控，供水量的要求上都无法保证一致 解决方法： 基于NMT活体实验，使用智能浇水系统能够监测土壤中的湿度，确保植物所需湿度保持一致，提高了样品培养的一致性标准 智能浇水系统能够准确的控制供水时间和供水量，避免人工所导致的差异性   功能特点 1.基本功能： 通过传感器实时监测每株植物的土壤湿度 可预设湿度值，根据预设湿度值控制供水次数和供水量，保证每株植物土壤湿度基本相同

“NMT界乔布斯”许越先生推荐创新平台 中关村NMT产业联盟推介成员单位创新产品 “全球抗疫，人人有责” 推出背景：         智能化是指事物在网络、大数据、物联网和人工智能等技术的支持下，所具有能满足人类各种需求的属性。我们看到无人驾驶的汽车、智能化家电等，能够提高我们生活品质。随着“智联万物”时代的到来，每个人都在不同场景里与大数据智能化相遇，并享受着科技带来的乐趣。   有没有遇到过人工操作时忘了某个步骤，有没有在人工操作时得到的产品有偏差，这些在智能化的设备面前将不复存在。既能保证按照规程进行工作，又能够保证产品的质量，智能化能够提高人们的工作效率。   产品介绍 名称：智能银丝氯化装置 型号：ASA-100 品牌：旭月 产地：中国 简介： 应对挑战： NMT实验中，银丝氯化的过程是实验准备的关键步骤之一，氯化的质量和实验相关。人工操作制备的氯化银丝在长度上，氯化时间上都无法保证一致。 解决方法： 智能银丝氯化装置能够避免人工操作带来的差异，让实验的数据不会在银丝氯化上产生问题。   功能特点 1.基本功能： 统一NMT设备流速传感器支架银丝氯化的各项标准，减少人为操作不利因素，提高实验重复性 一键式智能操作 2.性能参数： 尺寸：135mmx130mmx155mm 工作电压：9V 工作电流：1A 高度可调范围：45mm 铂丝长度：3cm 银丝活化时间：40s 氯化液容器直径：3cm

功能特点： 1、7英寸大屏幕显示，物联网智能HMI人机界面，分辨率：1024x600，完美视觉系统； 2、支持SIM卡4G通信； 3、具有化学品管理功能，对柜内物品可实时自动盘点，自动上传，实现化学品库存列表管理，可支持不少于100种化学品列表清单显示，列表包括序号，化学品名称，数量，单位等；在终端可进行库存增加、删减、更改等操作；数据同步至云端后台服务器；微信客户端可以查阅当前库存列表。 4、通过微信客户端可进行远程管理，查阅历史VOC数据、温湿度环境数据，以曲线方式呈现；可查阅历史报警记录，可远程控制风机、报警灯。 5、可提供API接口，支持第三方平台对接功能。

采用先进的端到端神经网络翻译技术，为您提供高效，精准的翻译。同步翻译说话内容，支持中英日韩等多种语言，解决跨国沟通的问题。支持文本音频的翻译转写，自定义热词，术语等，提升准确率。准确的识别说话内容，满足直播，视频会议等多样的业务场景。

AI智能称重台用于打造一个按量计算营养数据、提供膳食建议、超量预警、能培养节约意识、光盘行动的节约型数智化健康食堂。 自助取餐，按重计价，按需取餐，就餐者可选择性更多，并且避免就餐者多拿，真正做到光盘行动；可减少80%以上厨余垃圾！ 即拿即走，全程无感体验；系统自动生成订单，形成营养数据报表，提供膳食建议。 减少传统餐厅经营模式下50%的前厅服务人员数量，提升20-22%翻台率和营业额。 

2025年4月26日，中国日报网以《全国首家广电视听人工智能学院共建合作签约仪式举行》为题对我校进行了报道。

电子班牌工控一体机嵌入式10/12/17/19寸全铝触控电容平板电脑触摸屏

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