项目成果/简介:本发明公开了一种苜蓿木葡聚糖转葡糖苷酶(xyloglucanendotransglycosylase，xet)及其编码基因与应用，所述苜蓿木葡聚糖转葡糖苷酶(mtxet)及其编码基因可以用于调节植物的根系发生发展，由此调节提高植物的抗旱和抗寒能力。本发明的苜蓿木葡聚糖转葡糖苷酶在培育根系更加发达的植物品种中具有重要意义。

本发明公开了一种基于信道角度域信息的分布式空时预编码传输方法，其关键是接收端把通过信道估计得到的信道角度域信息，包括平均入射角、角度扩展和归一化接收天线距离，反馈给发射端，收到反馈信息后，发射端首先构建出信道的统计信息，包括均值和相关矩阵，然后利用这些信息设计最佳的预编码矩阵，对预先设计好的空时码字进行预处理。这种基于信道角度域信息的分布式空时预编码传输方法一方面可以得到更加精确的信道统计信息，另一方面可以进一步减少所需的反馈量。

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

本发明公开了一种基于 Nios-II 处理器的编码器接口测试装置， 包括 FPGA 芯片和与其相连的增量式 TTL 接口模块、增量式正余弦接 口模块、绝对式接口模块、显示屏和 PS/2 接口设备，其中，增量式 TTL 接口模块用于与增量式 TTL 接口类型的编码器连接，增量式正余 弦接口模块用于与增量式正余弦接口类型的编码器连接，绝对式接口 模块用于与绝对式编码器连接，以将其输出的串行数字信号进行差分 信号和单端信号之间相互转换， FPGA 芯片包括有内嵌在片内的 NiosII 处理器，其对输入的信号进行处理，实现对编码器接口的测试。本发 明的装置可以解决现有编码器测试平台中编码器接口不能相互兼容问 题和携带不方便问题，具有成本低、功能强、体积小、结构紧凑、集 成度高的特点。 

肝癌（Hepatocellular carcinoma, HCC）是全球第五大常见的消化道恶性肿瘤，也是全球第三大致死性癌症。我国肝癌病发率位居全球首位，肝癌已成为严重威胁我国人民健康和生命的疾病。由于肝癌的早期诊断缺乏可靠的生物标志物，肝癌患者通常在肝癌晚期才被诊断，其5年生存率仅为15%。目前肝癌诊断主要依赖于影像学检查或者血液活检中的甲胎蛋白（AFP）标志物等手段。但这些传统方法对于癌变早期存在敏感性低、特异性低等局限性，例如，血液活检中的甲胎蛋白特异性差，且往往到癌症晚期才能检测到其含量升高，可能延误最佳的治疗时机。因此亟需找到一种可用于肝癌诊断及预后的可靠的新型液体活检标志物。 液体活检为一门新型的检测技术，越来越受到关注。目前可以作为无创检测的生物标志物大多数是蛋白质分子和DNA分子，但这些标志物在灵敏度、误诊率和经济成本高等方面的缺陷导致它们很难被普及。RNA分子在细胞中拥有多个拷贝并且存在多种转录调控形态，可以更加准确地反映细胞状态和癌症动态发展过程，而且其检测成本也很低。 过去体液中的RNA标志物研究主要集中在miRNA等小RNA的研究，相对于细胞中大量的长RNA，miRNA的数量要少一个到两个数量级，因此提供的信息也有限。本项目另辟蹊径，通过对大量肝癌患者（HCC）、慢性乙型肝炎患者(CHB)和健康个体(HD)进行血浆中非编码RNA表达谱的高通量测序检测和分析，发现了一种非编码RNA，srpRNA (RN7SL1)，的功能结构域可以稳定存在于血液中，并在区分肝癌患者和阴性对照组时具有良好的敏感度和特异性（约90%）。并且，通过在独立验证集上的实时荧光定量检验（RT-qPCR），该srpRNA (RN7SL1)的功能结构域被证明在 肝癌的诊断及预后方面都具有可靠的临床表现。

项目成果/简介:肝癌（Hepatocellular carcinoma, HCC）是全球第五大常见的消化道恶性肿瘤，也是全球第三大致死性癌症。我国肝癌病发率位居全球首位，肝癌已成为严重威胁我国人民健康和生命的疾病。由于肝癌的早期诊断缺乏可靠的生物标志物，肝癌患者通常在肝癌晚期才被诊断，其5年生存率仅为15%。目前肝癌诊断主要依赖于影像学检查或者血液活检中的甲胎蛋白（AFP）标志物等手段。但这些传统方法对

本发明公开了一种高效容多错的快速恢复编码及其验证矩阵生 成方法，该编码是基于 XOR 运算的一种编码。且该编码是以编码单元 为单位的编码。在一个编码单元中存在多个条带集，每个条带集之间 存在着一定的联系。在该种编码中一个编码单元的前面 Rp 行存放着校 验码，后面的 Rp 行存放着数据，Rp 行中的数据通过一个或几个条带 集中的一些数据块进行异或得到。同时还提供了一种验证该编码的容 错能力的方法，用一个变换矩阵来表示

本成果为获得发明专利授权的专利成果。该成果可应用于视频监控、传感网络等领域。

该项目获得2022年第五届上海科技大学创新创业大赛生命学科赛场教师组三等奖；获得2019年第二届上海科技大学创新创业大会创新组三等奖。

本发明提供了一种基于快速二值编码的高分辨率遥感影像场景分类方法，包括步骤:步骤 1，划分 待分类遥感影像获得场景单元;步骤 2，从场景单元中提取尺寸相同的图像块作为局部图像块训练样本; 步骤 3，采用非监督学习法学习局部图像块训练样本获得滤波器组;步骤 4，将场景单元与滤波器组中 各滤波器分别做卷积获得各场景单元的幅滤波器响应图，采用二值编码法分别融合各场景单元的幅滤波 器响应图获得各场景单元的全局特征描述;步骤 5，基于场景单元的全局特征描述进行场景单元分类。 本发明在保证场景分类精度的前提下，大大降低了非监学习法的计算代价。