有机无机杂化钙钛矿以其光吸收系数高、载流子扩散距离长、制备方法简单、带隙连续可调等特性，被广泛认为是发展下一代光伏器件的理想材料。自2009年以来，仅仅历经10年的发展时间，钙钛矿太阳能电池的能量转化效率已经达到25.2%，发展速度为各类太阳能电池之最。但是，由于钙钛矿太阳能电池当前面临的热稳定性、长时间工作稳定性等问题，严重阻碍了其商业化应用发展。针对此问题，北京大学物理学院赵清教授课题组利用材料工程方法，设计提出了富溴钙钛矿籽晶诱导生长两步法，实现了钙钛矿薄膜中溴离子的高效掺杂，有效提高了钙钛矿太阳能电池的长时间工作稳定性。 通过在碘化铅薄膜中引入微米级富溴钙钛矿籽晶，一方面提供后续钙钛矿生长所需的成核位点、诱导薄膜生长、提高薄膜生长质量，另一方面为钙钛矿生长提供充足的溴元素，解决两步法中溴离子难以有效掺杂的问题。通过改变钙钛矿籽晶的添加量，可以实现对钙钛矿成核、晶粒大小、缺陷态密度等的精确调控，实现对最终钙钛矿成分与带隙的精准控制。测试表明，利用富溴钙钛矿籽晶诱导生长两步旋涂法制备得到的钙钛矿太阳能电池器件，其能量转化效率可以达到21.5%；更为重要的是，其长时间工作稳定性得到了显著提高，在AM1.5G太阳光下持续工作500小时后，仍然能保持超过80%的初始效率。这一成果远远超过传统两步法仅有的数小时稳定性。该研究表明，溴元素对钙钛矿材料长时间工作稳定性具有至关重要的作用，同时，提供了一条简单、高效、稳定的基于钙钛矿两步法的溴掺杂方法。此研究将为钙钛矿领域内卤素离子的均匀高效掺入、器件长时间工作稳定性的提高等问题提供了新的思路。相关研究结果发表于Advanced Energy Materials 9, 1902239 (2019),并被选为当期封底图片。北京大学博士生李琪为该研究论文的第一作者，赵清教授为通讯作者。以上研究得到了国家自然科学基金委、北京大学人工微结构和介观物理国家重点实验室、北京大学纳光电子前沿科学中心、量子物质科学协同创新中心等单位的支持。

本项研究中，在天然免疫调节肽基础上，通过对酶稳定性的位点改造和复合优化，筛选设计出以疏水区、正电荷区及聚乙二醇为核心的嵌合免疫调节肽，辅以C14烷基链启动自组装。试验证实，该免疫调节肽在超过临界胶束浓度后启动自组装，形成的抗菌粒子在有广谱抗菌活性，同时消化酶稳定性显著提高。

具有开壳结构的自由基有着独特的光学、电学和磁学性质，在有机电子学、自旋磁电子学、非线性光学和储能器件等众多领域中具有广泛的应用前景。课题组通过理论计算和顺磁共振结果证明BTICN和QTICN具有双自由基特性，其中具有更大分子骨架的QTICN的双自由基特征指数达到0.67。

项目成果/简介:聚(3,4-亚乙基二氧基噻吩):聚苯乙烯磺酸盐（PEDOT:PSS）是最经典的空穴传输界面材料和柔性电极材料之一。PEDOT:PSS具有良好的光/热/电化学稳定性、成膜性和优异的可见光透过率等优点。然而，其酸性强，功函数相对低，我们从EDOT单体原材料出发，合成了一系列新型PEDOT衍生物，调控其各方面性能指标，在提高有机和钙钛矿光伏器件的效率和稳定性方面取得了一定进展。同时发展简单、高效的掺杂手段，以调节PEDOT:PSS的功能，并积极推动其在柔性电子及抗静电等领域的应用。应用范围:有机光电

聚(3,4-亚乙基二氧基噻吩):聚苯乙烯磺酸盐（PEDOT:PSS）是最经典的空穴传输界面材料和柔性电极材料之一。PEDOT:PSS具有良好的光/热/电化学稳定性、成膜性和优异的可见光透过率等优点。然而，其酸性强，功函数相对低，我们从EDOT单体原材料出发，合成了一系列新型PEDOT衍生物，调控其各方面性能指标，在提高有机和钙钛矿光伏器件的效率和稳定性方面取得了一定进展。同时发展简单、高效的掺杂手段，以调节PEDOT:PSS的功能，并积极推动其在柔性电子及抗静电等领域的应用。

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

高校科技成果尽在科转云

本成果是一种全尺度多功能危险可燃固体废弃物连续热解焚烧处置装置&研究平台，主要工艺设备按照功能包括上料、热解燃烧、余热利用、烟气净化、烟气排放、电器控制监控系统和附件等七部分，其中，上料部分包括自动翻斗上料机、导轨、卷扬机、料斗及双闸门进料装置，热解燃烧部分包括热解炉、热解气烟道、空气预热器、燃烧器、压缩空气系统、二次燃烧室（燃烧炉）、高压补氧送风机、出渣装置，余热利用部分包括G-L空气换热器，烟气净化部分包括陶瓷过滤器、急冷吸收塔、布袋除尘器、活性炭纤维吸附装置、除雾装置，烟气排放部分包括