研究提出了一种测量环境数据的新思路，即通过“机会感知（opportunistic sensing）”的策略，从原本与环境监测无关的安防摄像头所拍摄到的视频中，提取实时的降雨信息。该研究团队利用计算机视觉技术，开发出了一种降雨视频雨纹提取和分割算法，结合几何光学和雨滴谱特征分析，实现降雨量的高频定点估算。

万物有声科技关注声音后期制作中的拟音技术，用“AI+声音”的基本构想，致力于将拟音技术与人工智能结合，以声音资源库为核心资源，以视频动作识别和声音识别自动配音技术为核心技术。 一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 金若熙 公共管理学院/企业管理专业 2021 赵洋 计算机科学与技术学院/软件工程专业 2018/2022 王美琳 管理学院/会计学专业 2018/2022 谭惠文 经济学院/国际商务专业 2021 郭梦妍 艺术与考古学院/视觉传达专业 2019/2023 徐舒婷 光华法学院/法学专业 2019/2023 布音塔娜 管理学院/工商管理专业 2018/2022 崔靖乐 光华法学院/法学专业 2020/2024 陶振宇 传媒与国际文化学院/传播学专业 2020/2024 三、指导教师 姓名 学院 职务/职称 研究方向 王婧 传媒与国际文化学院 副教授，博导 声音研究、感官研究、表演学研究、艺术人类学 四、项目简介 万物有声科技关注声音后期制作中的拟音技术，用“AI+声音”的基本构想，致力于将拟音技术与人工智能结合，以声音资源库为核心资源，以视频动作识别和声音识别自动配音技术为核心技术。团队首次将人工智能与拟音技术相结合，以技术助力后期制作的同时，关注拟音技术中的情感注入和人文关怀，优化声音后期制作行业的资源配置，提高后期制作的生产效率；同时降低部分场景的声音后期制作门槛，丰富声音的应用场景，将拟音技术的高质量听觉体验引入在线音频、影视后期、游戏等多个领域。 团队首先对传统拟音师积累于硬盘中的无序声音资源进行了细化的分类和打标，对其进行数字化编码，完成了高质量声音资源库的打造，为喜爱创作视听产品的用户提供高质量的声音资源。本库声音均采用影视制作标准，同时配以智能简洁的检索系统，改善了同类产品中标签分类模糊杂乱、检索困难、音质参差不齐的不足；同时配合专业后期配音教程与作品分享，做到“既以鱼又以渔”，延伸产品价值。 其次，团队将自动配音技术与海量音源库相结合，开发有声数字化声音数据库，团队将进一步完善和细化声音资源库。同时深耕算法的研究和迭代，实现后期拟音的进一步智能化，该技术的应用场景将向专业视频后期转型，着重开发其在专业视频后期声音制作中的应用。

物联网可视化连接，大数据分析

物联网作为我国重点发展的战略性新兴产业之一，对于支撑“网络强国”和“中国制造2025”等国家战略具有重要意义。然而，当今高校物联网专业却普遍面临人才培养与产业发展不适配、教育内容与产业技术应用相脱节等挑战。本案例通过构建“多主体参与、多模式共融、多层次渐进”的物联网产业学院，全面推动企业优势与教育资源融合，从人才培养目标重构，产教融合创新平台搭建，以及“专创融合”+“赛教融合”的人才培养模式构建等方面，全面提升物联网专业人才培养质量，着力培养创新能力强、可适应经济社会发展需要的高质量工程技术人才，使学生实践能力显著增强，就业率和创业成功率大幅提升。

本发明公开了一种具有植物生长调节活性的化合物，该化合物具有通式（Ⅰ）的结构，通式（Ⅰ）中，R、R1为苯环上的各种取代基，R代表氢原子、烷基、氟原子，氯原子、硝基、三氟甲基，R1代表氢原子、氟原子，或R、R1为-CH=CH-CH=CH-分别连接苯环的2、3位或3、4位。该化合物是通过将二茂铁乙酮肟与取代苯异腈酸酯反应制备得到的。本发明还提供了化合物作为植物生长调节剂有效成分的应用。

相较于传统聚合物发泡所用化学发泡剂和氟利昂类、烷烃类等物理发泡剂，采用超临界CO 2 或N 2 作为发泡剂，不仅气体原料来源丰富，价格便宜和环境友好，符合日益严格的环保要求，而且所得到的泡孔尺寸更小，孔密度更大且泡孔形态更容易控制，生产过程安全性也大大提高。 自主研发了超临界CO 2 挤出和模压发泡技术，包括超临界流体恒流进气系统和装备，以及适于超临界CO 2 发泡过程的双阶、单阶挤出发泡和模压发泡系统和装备，并可基于CO2 和聚合物的相互作用快速确定优化的发泡工艺。采用超临界CO2 挤出发泡技术制备了泡孔尺寸0.5～1 mm，发泡倍率5～20倍的聚酯PET、聚苯乙烯PS、聚丙烯PP、聚乳酸PLA和聚乙烯PE等发泡棒材。采用超临界CO 2 模压发泡技术制备了泡孔尺寸1～50 μm，发泡倍率5～20倍的发泡片材。另外采用Mucell超临界流体注塑成型制备了泡孔尺寸1～100 μm、较实体材料减重5～30%而力学性能不损失的多种聚合物的微孔发泡材料，包括聚丙烯PP、聚苯乙烯PS、聚酯PET、聚醚砜PES、聚砜PSF以及复合材料等。

主要针对我国甾体药物原料来源单一、初加工污染严重、甾体药物合成路线 长等问题，重点开展薯蓣皂苷元清洁生产、植物甾醇生物转化以及屈螺酮重要中 间体三羟基雄甾烯酮化学合成路线的生物替代等技术研究，旨在大幅度降低原料、能耗及生产成本。 创新要点 利用有高效转化能力的菌种，建立甾体的一步发酵或半合成技术，开发绿色的产物萃取技术及原位随程提取新工艺。 

以数字化、网络化、智能化、安全化、平台化为客户实现“化N为1”，一键既所见，打造智能高效、节能、安全、环保的管、控、营一体化平台，提供一站式的物联网解决方案。为了解决系统工程集成商项目应用中存在的设备管理，数据分析，用电安全，运维保养，可视化应用，外部系统对接等繁琐痛点。

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