该成果突破了作物生长监测、诊断、调控一体化精确化技术，实现了传统农业向现代农业的技术升级；并且促进了农学与遥感、信息、工程、物联网等多学科的交叉融合，开创了作物精确栽培与智慧农业的新领域；形成了一系列农业信息化自主知识产权成果，提升了农业产业化水平和核心竞争力。同时，培养了一批高素质人才，带动了现代农业相关领域的创新研究与开发应用。 一、项目分类 关键核心技术突破 二、成果简介 高产、优质、高效、生态、安全作物生产是我国农业产业发展的主要目标，快速无损地监测作物生长状况，并根据实时监测结果对肥水管理方案进行定量调控，是实现这一目标的关键技术环节。南京农业大学曹卫星教授团队将定量光谱分析方法与作物生理生态原理相结合，通过实施不同生态点、不同品种、不同管理措施下多年的田间试验，构建了作物冠层和叶片水平的反射光谱库，着重解析了不同条件下的作物高光谱响应模式和时空变化规律，提取了作物主要生长指标的特征光谱波段和敏感光谱参数，构建了叶片、冠层、区域等多尺度的作物生长指标光谱监测模型；同时，定量研究了不同产量水平下作物生长指标的动态变化模式，构建了基于产量目标的生长指标适宜时序动态模型，进一步耦合实时苗情信息，综合利用养分平衡原理、氮营养指数法、指标差异度法等，集成建立了多路径的作物生长实时诊断与定量调控技术；将上述监测诊断技术与软硬件工程相结合，研制开发了面向多平台的作物生长监测诊断装置和基于遥感的作物生长监测诊断系统等简便适用的软硬件产品，进而形成了基于反射光谱的作物生长指标快速监测与定量诊断技术体系，实现了作物生长的实时监测、精确诊断和智慧管理。 该成果突破了作物生长监测、诊断、调控一体化精确化技术，实现了传统农业向现代农业的技术升级；并且促进了农学与遥感、信息、工程、物联网等多学科的交叉融合，开创了作物精确栽培与智慧农业的新领域；形成了一系列农业信息化自主知识产权成果，提升了农业产业化水平和核心竞争力。同时，培养了一批高素质人才，带动了现代农业相关领域的创新研究与开发应用。 已授权国家发明专利25项、实用新型专利5项，登记国家计算机软件著作权20多项；发表学术论文160多篇，其中SCI/EI论文60多篇；出版专著1部。成果先后得到国内外专家同行的充分肯定，2011年的成果鉴定认为（罗锡文院士主鉴），该研究整体居国际先进水平。同时作为稻麦精确管理关键技术，入选江苏省主要农作物2014~2015年“四主推”推介名录，团队起草的《稻麦生长指标无损监测诊断技术规程》入选2014年江苏省地方标准项目。技术成果已在江苏、河南、江西、安徽、河北、浙江等水稻和小麦主产区进行了大面积示范应用，表现为明显的节氮和增产作用，取得了显著的社会经济效益，对于推进精确农业和智慧农业的发展具有重大意义和良好的应用前景。

本发明公开了一种工业过程故障诊断方法，包括如下步骤：采集工业过程的历史正常数据；利用工业过程的历史正常数据计算检测统计量；采集待检测的工业过程数据；当检测到工业过程故障时，利用相对重构贡献方法提取特征量；根据特征量计算故障模式下的条件概率密度函数和正常模式下的条件概率密度函数；根据先验概率和条件概率密度函数计算后验概率；采用最小风险贝叶斯决策理论对当前时刻样本进行故障变量识别；根据诊断后的结果更新下一时刻样本的

失眠障碍是一种普遍存在的睡眠障碍疾病，我国成年人中的患病比例高达30%，其主要表现为难以入睡、难以维持睡眠或睡眠质量不佳，导致出现疲倦、注意力不集中、记忆力减退、情绪波动等负面影响，并且与多种疾病（如心血管疾病、糖尿病等）的发生和发展密切相关。我国庞大的患者群体增加了对医疗资源的需求和社会负担，对个人和社会经济造成重大影响。失眠障碍需要引起足够的重视和关注，早期诊断是减少其对个人和社会危害性的有效方法。 目前临床睡眠诊断主要依靠睡眠专家人工判读多导睡眠图（polysomnography，PSG），PSG技术同时记录多个生理参数，如心电图、脑电图、肌电图、眼电图等，从而准确评估睡眠的各个阶段和睡眠中的生理变化。然而，现代临床睡眠诊断方法存在一些弊端。首先，依靠睡眠专家人工进行诊断成本很高。例如，临床诊断中标记一位患者的PSG数据并完成诊断，往往需要一位训练有素的睡眠专家数个小时的集中工作才能完成，无法应对大规模睡眠障碍群体需求。此外，睡眠诊断存在个体差异，同一种睡眠障碍在不同人群中的表现可能不同，诊断结果需要根据患者的具体情况进行综合评估和判断。这些方法需要专业人员进行操作和解读，费用昂贵，操作复杂，很难普及应用。 人工智能技术可以帮助解决以上问题。人工智能技术可以在不需要专业人员干预的情况下，对失眠障碍进行自动化分析和诊断，具有高效性、低成本和易普及的优点。此外，还可以在大数据层面上进行分析，深入探究失眠障碍的病理生理机制，从而更好地指导治疗和预防措施的制定。 睡眠诊断是最为适合采用云平台技术进行自动化诊断的领域，患者潜在群体数量庞大。本项目涉及基于人工智能睡眠医学诊断技术的全系统的各个环节，系统的诊断准确率目前为世界范围内第一。前期已经服务于制药企业睡眠类药物评价、可穿戴消费级电子设备睡眠监测等领域。目前市场上的类似产品均不具备临床医疗级的诊断能力，本技术填补了市场空白。 图1.本项目研发的原理样机部件

该项目是精神病学与精神卫生学临床、软件工程和数据工程交叉方向，探讨临床研究业务过程与数据一体化集成平台的建设与实施，优化临床研究数据采集、存储、交换、可视化和分析决策，为临床研究提供更科学更高效的支撑方法与手段。

HLY-3电脑心肺听诊仪（二十人以上临床教学用）   HLY-3型电脑心肺听诊仪（二十人以上临床教学用）由电脑芯片控制，在临床患者身上录制了 34种典型的心音和呼吸音，经过高保真技术处理编辑制成语言芯片，学员通过听诊器可进行真实听诊，其声音真实，最多可供20人同时听诊，每个输出器上有5个听诊插座。   心音序号和名称： 1、生理性杂音 2、二尖瓣关闭不全 3、二尖瓣狭窄（舒张中期） 4、二尖瓣狭窄（收缩期前） 5、二尖瓣狭窄（关闭不全） 6、海鸥鸣 7、主动脉瓣狭窄 8、主动脉瓣关闭不全 9、主动脉瓣狭窄（关闭不全） 10、室间隔缺损 11、动脉导管未闭 12、正常心音 13、第一心音减弱 14、第二心音增强 15、大炮音 16、第二心音增强 17、第一心音分裂 18、第二心音分裂 19、生理性第三心音 20、开瓣音 21、舒张早期奔马律 22、收缩期前奔马律 23、喷射音 24、喀喇音 25、四音律 26、窦性心律不齐 27、房颤 28、二联律 29、心包摩擦音 30、湿罗音 31、哮鸣音 32、胸膜摩擦音 33、混合性呼吸音 34、支气管呼吸音

干细胞移植为急性心肌梗死治疗提供了一条新途径，骨髓/外周血单个核细胞、骨髓间充质干细胞、内皮祖细胞移植均可用于治疗急性心肌梗死。项目组培养毕业博士、硕士研究生10余名，12篇论文在国际权威医学期刊发表（3篇论文影响因子大于7.0）；系列工作提高了相关临床工作人员的诊治技术水平，取得了巨大的社会、经济效益。成果包含的相关技术方法和路线有着极大的临床应用前景。

在脊柱外科临床治疗中，进行脊柱稳定性重建时，对生物材料的需求巨大。鉴于NBA/CDACP复合材料的优良性能，我们将该复合材料用于研制脊柱重建内植物，拟完成以下主要研究目标和任务： 1）设计制备NBA/CDACP复合材料脊柱内植物产品（脊柱椎间融合器、人工椎体、人工椎板），并进行产品的生物力学研究； 2）完成NBA/CDACP复合材料脊柱内植物产品的动物实验； 3）完成NBA/CDACP复合材料脊柱内植物产品的临床应用研究； 4) 培养2-3名生物纳米材料临床应用研究方面的科研人才和研究生，在国内外发表约5篇相关科研论文，申请2项国家专利，3项省内专利； 5) 初步建立活性纳米复合生物材料及制品的标准动物实验和临床应用研究程序和模式，初步形成该类材料和制品的行业评价标准，为将来制定国家标准奠定基础； 6）临床应用研究完成后，将该产品向国家申请生产许可证，进行批量生产，进行临床推广使用。

该成果属于首次发现中药海南冬青的单体成分五环三萜具有抗恶性肿瘤作用。前期实验研究结果表明该五环三萜成分经口给予即对黑色素细胞荷瘤小鼠产生强抑瘤效果、并抑制荷瘤小鼠的肿瘤转移，且毒副作用轻微，在对荷瘤小鼠治疗过程中显示出显著的抑制肿瘤增殖作用，同时未发生严重的毒性反应或出现死亡，与上市药物紫三醇比较具有高效、低毒的显著优势。本成果建立了海南冬青中五环三萜成分的分离提取技术路线以及质量标准，工艺成熟。

新冠肺炎疑似病例基数庞大，给临床一线诊疗带来巨大压力，疫情波及地域广泛，基层医院缺乏经验，面临严峻挑战。由清华大学精密仪器系尤政院士、临床医学院董家鸿院士领导研发的新型冠状病毒肺炎智能辅助诊断系统成功通过应用测试，进入临床试用阶段，有望为上述难题提供解决方案。新型冠状病毒肺炎智能辅助诊断系统董家鸿介绍，新型冠状病毒肺炎智能辅助诊断系统可同步实现智能化影像诊断、临床诊断及临床分型三大功能。该系统包括三大模块，其中影像诊断模块主要基于对新型冠状病毒肺炎初诊病例的珍贵临床资料的大数据分析，使用人工智能算法深度学习该疾病的CT影像特征，实现对新型冠状病毒肺炎影像的智能识别。临床诊断模块则依据卫健委发布的《新型冠状病毒感染的肺炎诊疗方案(试行第五版)》，结合影像与流行病学、症状及关键检验数据等临床信息，实现智能诊断。临床分型模块通过智能判读呼吸功能参数，“自适应”判断新型冠状病毒肺炎的严重程度。董家鸿谈到，该系统可在短时间内完成大量疑似病例的胸部CT筛查、依据指南进行临床与影像相结合的综合分析，显著提升新型冠状病毒肺炎诊断效能，有望大幅降低临床医师及影像医师的工作负荷。

“现阶段医生需要在大量影像数据中快速诊断出新冠肺炎的病例，此外还需要诊断出病灶分布的位置、大小等来评估严重程度。”薛向阳介绍，针对临床的现实需求，团队将设计目标定位于“肺炎分类鉴别”和“关键病灶检测”两大功能，前者是为区别健康状态、新冠肺炎、其他病毒性肺炎、细菌性肺炎，后者则为找到并分隔出磨玻璃影等病灶区域。针对这些需求，团队设计诊断算法模型，让机器利用模型进行训练，学习不同类型肺炎在CT影像表现上的不同特征，最终具备智能辅助诊断的能力。而这需要突破小样本学习、小目标检测等多个技术难题。“小样本学习”即在较少训练数据样本的条件下进行机器学习。在疫情发生前期，能够获取的新冠肺炎影像数据相对较少，且由于一线影像医生任务繁重，无法获得大量专家标注，因此需要算法在少量样本的条件下“自学成才”。为此，团队采用基于自迁移学习的半监督学习等技巧，使算法具备一定的“小样本学习”能力，在不增加医生标注工作量的情况下较好地提高了算法模型的普适性。由于CT影像切片中的病灶区域有大有小，且往往大中小病灶区域面积悬殊，如何使算法能同时检测大、中、小各个目标是另一大难题。团队利用神经网络的层次性特点与病灶区域的大小进行对应，“网络的底层关注细节，即小病灶区域，而网络中层到高层所关注的病灶区域则越来越大，因此模型通过不同层次的加权和融合，最终便能达到同时检测大小病灶区域的目标。”薛向阳解释道。“不过，即便有诊断‘神器’，影像科医生也是不可替代的。”薛向阳说，人是复杂的机体，病毒在不同人体内感染的反映也不一定相同。”他表示，当遇到机器未曾学习过的微小病变或疑难病例时，仍需要影像医生的经验和智慧。以解决实际问题为目标，该项目在研究过程中始终与临床应用紧密结合。无论是机器学习数据，还是测试评估数据，都来源于临床真实病例。在算法模型定型过程中，为了检验模型的准确率和泛化性，团队也利用现实疑似病例进行了测试。