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

基于身份证开锁的物联网电子锁系统，主要由物联网电子锁、云服务器、后台管理软件、客户端软件组成。整个系统是基于无线以太网通信技术，可实现远程无线对电子锁的监控管理，通过RFID射频识别技术识别身份证信息。该系统解决了可用二代身份证刷卡开锁的问题，实现开锁过程实名制，以及利用无线以太网络传输开锁密码、开锁身份证号、门锁状态等信息的问题。

本发明公开了一种吡啶酰胺类化合物及其制备方法与应用。该类化合物的结构通式如式I所示。相关生物活性验证，发现其中某些化合物具有特异的油菜素内酯反应，如促进黑暗中拟南芥突变体det2‑1下胚轴伸长，水稻叶片倾角增大，增强玉米耐盐胁迫的能力等。个别化合物在低浓度就具有很高的响应值，另外在高浓度情况下，还能抑制小麦的株高，延缓生长，提高其抗倒伏的能力。同时在防治野燕麦、节节麦、稗草、狗尾巴草、山羊草等禾本科杂草上具有很好的防治效果。该系列化合物制备容易，成本低廉，农业应用推广价值高，值得后续的深入研究开发。

电镀作为金属材料的表面改性技术已经取得了很广泛的应用，近年来电镀也开始在非金属导电材料的表面改性领域取得相当规模的工业应用。但高电阻率氧化物材料表面金属镀覆一直以来不能采用电镀工艺，这是因为这类材料的电子电导小，电镀液中被镀金属离子不能从材料表面得到电子，所以不能沉积下来。传统的绝缘氧化物材料表面镀覆金属的方法有化学镀、真空蒸镀、溅射镀、涂覆金属浆料后再烧结等方法，各方法都有各自的优缺点。如含有氨水的化学镀银溶液不稳定，甚至有可能生成有爆炸危险的叠氮化合物。真空蒸镀和溅射镀有设备投资大、维护费用较高等缺点，涂覆金属浆料后再烧结的方法有金属层厚度不均匀等缺点。 我们发明了一种高电阻率金属氧化物材料表面电镀的技术，解决了多种高电阻率金属氧化物材料表面不能电镀的问题。高电阻率金属氧化物材料电镀的基本过程是首先对氧化物材料表面进行原子氢致电导改性处理，提高其表面电子电导，使材料表面出现半导化甚至金属化，然后在氧化物材料表面直接电镀金属层。我们在这个方向上已经进行了近十年的研究，发表了十几篇学术论文，申请了两项发明专利。      本技术适用于由氧化物功能材料制造的电子元器件表面电镀，也适用于氧化物材料颗粒或块体的电镀等，所得金属镀层厚度均匀，与氧化物材料表面具有良好的结合力。

污水处理、石油化工、煤气和煤炭焦化、有色金属冶炼等行业在生产过程中往往向大气排放大量的硫化物。这些硫化物，一方面是宝贵的化工原料，另一方面又是污染环境的有害物质。硫在环境中大量以硫化氢、硫氧化物及有机硫形式存在，很多硫化物具有刺激性气味，严重影响大气环境、植物生长以及居民的日常生活。所以，严格控制这些重点行业排放含硫化物的气体，对保护环境具有十分重大的意义。 北京化工大学开发了新型含硫化物工业废气绿色净化工艺，并对脱除的硫化物进行综合利用，达到防治与资源化的双重目标。 北京化工大学研制了新型复合液体脱硫剂，开发了湿法氧化脱硫异相处理新工艺，克服醇胺吸收法及湿法催化氧化（如PDS法）等均相处理硫化氢方法中脱硫剂组成配制复杂、易降解、易流失、需要定期补给脱硫剂活性成分和脱硫工艺必须严格控制脱硫剂水反应液的酸碱度等缺陷，实现反应净化及副产物的自动分离，直接将复合气体组分中含硫成分转化为单质硫，避免脱硫过程工艺长、能耗大、设备腐蚀、脱硫剂降解、被水稀释而导致脱硫剂成分变化和流失的二次污染等问题，达到气体净化及资源化的目标。 技术指标为1、可处理废气指标: 硫化氢气体含量为0～100％（wt）；2、脱硫剂指标: 热稳定性≤200℃，粘度≤100mPa·S，含水量≤20ppm，活性成分≥25％（wt/wt）；3、工艺指标：温度为室温～200℃，压力为常压，空速为200～2000h-1；4、经济指标：脱硫率≥99％，硫磺纯度≥99％，使用寿命≥3年。应用范围为石油炼厂气脱硫，天然气、焦炉煤气脱硫，废水处理末端废气的治理。本项目的核心是应用异相在线分离技术。脱硫剂合成工艺简单且性能稳定，脱硫工艺具有脱硫剂流失性小、节约用水、反应分离一体化、工艺流程短及不造成二次污染的特点，能够替代传统液体脱硫剂，应用于石化炼厂气、天然气、焦炉煤气等的高浓度脱硫，也可以用于石化工业等废水处理末端低浓度有毒废气的现场处理，充分表现出适用范围广、效率高、节水、无二次污染、易再生循环使用等方面的优点，具有重大的环境保护功能，市场前景相当广阔。制作单元化操作设备与工艺，根据不同需求实施单元组合集成，设备投资小，在精细化工及资源环境领域的广泛使用将产生巨大经济效益和社会效益。

本成果涉及一种可用于电子封装领域的高导热低介电复合材料。通过采用不同的技术在常见聚合物基材中添加氮化硼，来制备复合材料，复合材料热导率高于 2 W/(m·K)，其介电常数小于 4。该复合材料可作为热界面材料，应用于电子封装领域。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。

成果描述：本实用新型公开了一种基于物联网的微功耗分析仪,对无线传感器网络中传感节点进行功耗分析,包括电压获取电路、电流获取电路、采集控制模块、模拟积分器和采用独立电源供电的微处理器,电压获取电路、电流获取电路通过采集控制模块与微处理器连接；所述采集控制模块包括同步信号发生器、门控时钟电路和依次连接的模数转换器、放大器、滤波器,电压获取电路采集的电压信号、电流获取电路采集的电流信号分别依次通过模数转换器转换成对应的数据信号,由放大器进行信号放大,经滤波器滤波后输入微处理器；所述放大器采用多级放大电路或对数放大电路中任一种。本实用新型较为准确的检测被测传感节点的功耗。市场前景分析：本实用新型公开了一种基于物联网的微功耗分析仪,对无线传感器网络中传感节点进行功耗分析,包括电压获取电路、电流获取电路、采集控制模块、模拟积分器和采用独立电源供电的微处理器,电压获取电路、电流获取电路通过采集控制模块与微处理器连接；所述采集控制模块包括同步信号发生器、门控时钟电路和依次连接的模数转换器、放大器、滤波器,电压获取电路采集的电压信号、电流获取电路采集的电流信号分别依次通过模数转换器转换成对应的数据信号,由放大器进行信号放大,经滤波器滤波后输入微处理器；所述放大器采用多级放大电路或对数放大电路中任一种。本实用新型较为准确的检测被测传感节点的功耗。与同类成果相比的优势分析：国内领先