项目背景无人驾驶和辅助驾驶系统具有巨大的商业应用前景，基于视觉的道路场景理解是无人驾驶和辅助驾驶系统中的关键技术。本项目可在提高安全性、提高道路通行能力、异常事件监测与报警方面，提供便捷易用的解决方案。研究成果：(1)针对道路目标检测中的遮挡、光照、样本不均衡等问题，提出多项有效解决措施。(2)针对道路标识线中的遮挡、磨损、光照等问题，提出多项有效解决措施。

面向全球脑科学研究的尖端挑战和我国老龄化带来对退行疾病临床的巨大需求，构建基于人工智能、大数据挖掘等技术的脑影像组学模型，编码与疾病对应的指纹信息，开发Brain Label (SAAS)云，精度比肩国际领先的FSL（牛津大学）和FreeSurfer（哈佛大学）。该平台已在国内神经科排名前十的三甲医院（宣武、天坛等）使用，成为宣武国家临床研究中心的唯一影像大数据技术，为其500余家联盟医院（含深圳市）提供智能化分析服务，也

Ø 随着国内外对公共安全问题的重视，安全监控在预防和制止危险行为和事件的发生上起着越来越重要的作用。然而传统的视频监控发展到今天，主要采用回溯性模式，即在危险发生后进行分析和追查，这是因为仅靠人力去分析难以得到及时有效的处理。而智能化视觉监控的应用，使监控从回溯性转变成预防性，利用计算机视觉技术分析理解人的运动，并提供记录和报警，有助于改善公共场所的安全监控水平。本技术的研究致力于从最本质的图像运动信息出发，直接获取高层人体行为信息，避免了中间过程的复杂性和不确定性，以提高算法的效率和鲁棒

本发明提出一种血液颜色分析方法，属于血液分析技术领域，通过计算红、绿、蓝三个通道的数值变化，精确量化血液颜色，并能有效去除美兰污染，显著提升血液颜色分析的精确性和可靠性；基于RGB定量分析的基本原理，构建了一个血液颜色采集及数字化智能分析装置，该装置包含自主建模和3D打印制造的RGB颜色采集盒、数字化智能分析系统；采集盒内含高清摄像头，用于固定血液颜色采集条件和血液图片采集，分析系统对摄像头采集的图片选区并分析，计算平均RGB值，实现了对血液颜色的数字化采集和分析，不仅可以显著改善和提升实验教学效果、评价客观性和拓展实验内容、提升学习效果，还可以拓展到液体生物样本的采集及智数识色。

在2003年成功预测SARS流行趋势的基础上，西安交通大学数学与统计学院生物数学团队与陕西师范大学生物数学团队、加拿大吴建宏教授团队合作，基于新型冠状病毒的传播机理、密切跟踪隔离和封城等策略，建立了传播动力学模型，对新型冠状病毒肺炎传播风险进行了预测分析，此项研究成果“Estimation of the transmission risk of 2019-nCov and its implication for public health interventions”。  研究中利用2020年1月10日至1月22日的报告疫情数据，采用动力学模型和统计计算方法预测武汉新型冠状病毒肺炎传播的基本再生数为6.47 (95%置信区间为5.71-7.23)，给出了疫情的达峰时间和峰值以及最终感染规模（若继续1月22日前的控制措施，疫情将在3月10日左右达到峰值）。 研究中进一步采用似然函数方法加以验证，得到了与模型估计值一致的结果。如果续代时间大于6天或潜伏期越长，基本再生数可能更大，该结论说明了疫情传播的速度快。与23至25日的疫情数据相比，模型预测结果与报告疫情数据基本一致。  研究中进行敏感性分析，讨论了1月22日前武汉采取的防控措施的有效性以及在降低再生数中的重要作用。预测结果显示从23日起加强控制措施，报告病例数会在一个周后出现明显的下降，即加强的控制措施会在一个周后产生明显效果。进一步分析1月23日后武汉封城策略对其它地区疫情的影响，基于武汉到北京的航班、铁路等信息，计算武汉封城前后对北京疫情的影响，表明武汉封城（即北京无来自武汉输入病例）后，北京在未来7天的病例数将降低91.14%，这说明了武汉封城对全国疫情防控的关键作用。 SSRN 截图   密切跟踪隔离措施的敏感性分析

  植物在重力引导下的生长称为植物的向重力性。根向重力是植物适应陆地环境的重要过程。植物向重力性反应的第一步是感受重力信号。目前，关于重力信号感受的机制有两种假说：一是淀粉平衡石 (statolith) 假说，二是原生质体压力假说。植物根冠的柱状细胞和茎的维管束鞘细胞中存在淀粉体，这些淀粉体被命名为平衡石。中柱细胞和内皮层细胞通过淀粉体的沉降来感受重力变化。生长素在调节植物根系向重力作用中发挥重要作用，但生长素促进重力感知的分子机制及随后的反应尚不清楚。   非损伤微测技术（Non-invasive Micro-test Technology, NMT）是通过测定活体动植物组织、细胞与内/外环境间Ca2+/Cd2+/Na+/K+/NO3-/NH4+/O2...交换量的实时变化，揭示基因功能的一种新技术。目前已被103位诺贝尔奖得主所在单位，以及北大/清华/中科院使用。 应对挑战： 重力研究中对于活体样品基因功能方面的检测手段匮乏 样品检测过程中样品重力变化与检测设备的结合方式是一个难点 重力变化过程中生理指标的实时监测 解决方法： 非损伤重力感知分析系统(GRASS)是基于非损伤微测技术的底层核心技术，是能够检测活体样品基因功能的技术 非损伤重力感知分析系统(GRASS)配有立体可移动旋转样品固定装置，可对样品施加不同方向的重力并能实时检测 非损伤重力感知分析系统(GRASS)能够进行长时间的监测，为重力变化过程中，比较分子、离子流动速率，提供长时间的数据结果 产品介绍 名称：非损伤重力感知分析系统（GRASS） 型号：NMTG-100 品牌：旭月 产地：中国 功能特点 1.基本功能： 检测样品所受重力发生变化时的生理指标变化 配备立体可移动旋转样品固定装置，对样品施加不同方向的重力 检测指标：Ca2+、H+、K+、Na+、Cd2+、Cl-、NH4+、NO3-、Mg2+、Pb2+、Cu2+、O2、H2O2、IAA 2.性能参数： 工作电压：220V 最短检测周期：5s 离子分子浓度测量精度：10-6M 离子分子流速测量精度：10-12mol·cm-2·s-1 传感器最小移动距离：1μm 立体显微成像系统分辨率：1920×1080 3. 软件参数： 操作界面：中文 检测指标模块化可选 离子流速、浓度检测软件模块（包含：Ca2+、H+、K+、Na+、Cd2+、Cl-、NH4+、NO3-、Mg2+ 、Pb2+、Cu2+） 分子流速、浓度检测软件模块（包含：O2、H2O2、IAA） 支持中英文输入、标记与记录 可直接输出流速、浓度数据和折线图，无需额外换算

产品详细介绍呼吸信号分析呼吸信号(Respiration)简称RESP，是伴随着呼气与吸气的周期性变换，在呼吸管道以及胸腹部都会产生周期性形变产生的生理电信号。随着疲劳程度的加深，呼吸的幅度减弱，周期性的频率延缓。此外随着个体情绪的变化，人的呼吸信号也会发生规律性变化。ErgoLAB呼吸反应分析软件提供多种滤波方式，便于根据研究需要进行选择与自定义调节。还可监测与分析全程以及阶段化的数据信息处理方式，更加精准的分析某一时间段内的呼吸行为。从而统计并导出呼吸信号的时域与频域数据报告，具体数据包括时域数据AVRESP、SD、Max、Min、Rang；频域数据Power、Peak值，以及可视化的功率谱图等。RESP高级数据处理分析模块可以结合人机环境同步平台和生理记录系统采集到与RESP指标相关的生理信号进行离线处理和分析。可对信号进行自由选择、放大、缩小，便于浏览数据；在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现与分析；可导出ASCII格式的原始数据、处理后数据和分析后数据；并可导出可视化分析报告。技术要求：1、信号处理模块处理方法包括小波去噪（Wavelet Filter）、高通滤波(baseline)、低通滤波(Low Pass)、带阻滤波（Band Stop）用以滤除噪音干扰，从而得到有用的RESP信号；数据校正包括滑动均值滤波（Moving Average）与滑动均方根滤波（Moving RMS）。IBI计算，通过设置最大呼吸速率（Maximum Heart Rate）与最大呼吸阈值（R-peak Mark Threshold）提取R点数据，支持自定义参数。手动信号校正方法包括线性插值（Linear interpolation）、样条差值（Spline interpolation）以及通过复制信号区域进行插值。2、信号分析模块信号分析模块包括时域分析和频域分析，二者可实现自由切换。A.   时域分析是将RESP信号看作时间的函数，通过分析得到RESP信号的统计特征。统计分析指标包括：一段时间内的均值（Mean）、中值（Median）、标准差（STD）、最大最小值差（Range）。B.   频域分析是运用参数模型法和快速傅里叶变化将时域分析信号转换为频域分析信号，对信号进行功率谱密度分析。从功率谱密度中确定RESP信号的频带，不同频带可自定义，将在功率谱分析图中以不同的颜色区分。包括Power与Peak能量值。3、可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、BR数据、IR数据以及整体结果报告。

产品详细介绍心电与脉搏信号分析自动化多角度分析模式 ：基于自动识别/自定义整段、场景、事件及片段分析，满足对时间点或时间段内数据趋势变化的精确分析。支持状态识别研究的自动化处理，如疲劳状态、认知负荷，输入研究时间段参数，自动化完成特征值提取与分析。数据处理与特征点提取 ：系统内置多种信号处理方式，包括小波、高/低通滤波等对原始信号进行处理，自动标记R峰值点（包括异常值检测、异常点矫正），提取IBI间期，进行数据统计与分析，可一键导出.csv文件。数据统计与可视化报告： 支持IBI间期的时域统计、经FFT转换的频域数据以及非线性分析，从不同角度挖掘数据信息。支持一键导出原始数据、处理数据、统计分析数据以及结果的可视化报告，更加可靠与丰富。多模态数据同步交叉统计 ：支持HRV信号与多模态数据进行交叉统计分析，包括行为、眼动、脑电、动作捕捉以及其他的生理电信号数据，实现多维度的结果验证与多模态数据更精确的的状态识别。HRV高级数据处理分析模块可以结合人机环境同步平台和生理记录系统采集到与HRV指标相关的生理信号进行离线处理和分析。可对信号进行自由选择、放大、缩小，便于浏览数据；在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现与分析；可导出ASCII格式的原始数据、处理后数据和分析后数据；并可导出可视化分析报告。技术要求：1、信号处理模块：处理方法包括数字滤波和R点提取。数字滤波包含四种，分别为小波去噪（Wavelet Filter）、高通（High Pass）、低通（Low Pass）、带阻（Band Stop），用以滤除噪音干扰，从而得到有用的PPG信号；R点提取包括R峰提取（R-Peak Extraction）、异常点检测（Ectopic Detection）、异常点矫正（Ectopic Correction）。用户可根据需要自定义输入参数，可选择多种处理方法进行一次处理；也可增加、删除已选择的处理方法。手动信号校正方法包括线性插值（Linear interpolation）、样条差值（Spline interpolation）以及通过复制信号区域进行插值。2、信号分析模块：信号分析模块包括时域分析、频域分析和非线性分析三种，三者可实现自由转换。A.时域分析（Time Domain）：包括全程记录期间所有N-N间期的均值（MeanIBI）、全程记录期间所有N-N间期的标准差（SDNN）、全程记录期间所有N-N间期的标准差平均值SDANN、相邻N-N间期差值的标准差（SDANN Index）、相邻N-N间期之差的标准差（SDSD）相邻N-N间期差值的均方根（RMSSD）、相邻N-N间期之差大于50ms的比例（PNN50）、相邻N-N间期之差大于20ms的比例（PNN20）。SDNN与总体变异性相关，而RMSSD与副交感神经影响心率的活动有关。B.频域分析（Frequency Domain）：运用参数模型法和快速傅里叶变化将时域分析信号转换为频域分析信号，用以表达不同频率的变异数量，包括：高频段（HF 0.15-0.4Hz）、低频段（LF 0.04-0.15Hz）、极低频段（VLF 0.0033-0.04Hz）和超低频段（ULF 0-0.0033Hz），并对信号进行功率谱密度分析。从功率谱密度中确定信号的频带，将在功率谱分析图中以不同的颜色区分。统计数据包括Power、Power Percent、Power Norm以及Peak、Total Power、LF/HF指标统计。C.非线性分析：散点图分析（Pioncare）,利用R-R间期变化绘制图像，包含了HRV的线性和非线性的变化趋势了，给出了心脏波动的直观显示，能揭示非线性过程和非周期性运动。同时引入了向量长度指数和向量角度指数，分别反映R-R间期的变化程度和相邻R-R间期的变化程度。参数包含垂直偏差SD1，水平偏差SD2；差值散点图（Scatter）：时间序列中连续的速率值之间的相关性，以连续三个IBI点做差值得到一个坐标点做图，得到四个象限的值。参数指标包括：第一象限点的个数A++、第三象限点的个数B--。3、可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、心率HR、IBI间期、R峰值以及整体报告。

REA-C1000内置多种基于AI的视频处理算法，可实时处理并输出最高4K分辨率的图像。REA-C1000可成为所连接的摄像机系统和视频系统的最强大脑，以便客户用最低成本、最少人力制作专业视频内容。