产品详细介绍  腾创网络视频会议是基于WEB的视频会议.产品标准化、界面友好、操作简便         同时最高支持多达25路视频图像同时观看（每路视频占用带宽20~30KB）基于B/S架构，浏览器轻松打开，方便嵌入其他OA等系统支持多组会议同时召开，互不干扰强大的网络适应能力，支持各种宽带接入形式 先进的噪声过滤、自动增益及回音消除技术数据功能强大，全面兼容多种数据文件如：文档，视频文件，图片等按钮式操作方式，直观易用屏幕共享和同步录制支持服务器集群，实现大规用户权限控制和管理，最大限度的保证使用系统的安全会场讨论模式：基本的语音，视频文字互动聊天功能外，还有丰富的数据交互如：电子白板，文档演示,排麦发言，屏幕共享等 培训模式：在会场过程中，通过举手发言，排队，文档共享，电子白板等功能实现培训电子白板标注： 在开会过程中，通过电子白板画图功能，可以对当前共享的文档进行在线标注,增加记忆和培训效果，通过限制只有发言人以及主讲才能画图避免会场的混乱文档在线共享： 可以将本地的一些常用文档传到会议室里面作为会议材料，并边开会边演示。在线流媒体播放： 会场前，可以将之前录制好的一些流媒体视频文件通过平台里面的资料共享功能播放给参会人员观赏，同时支持高清和标清的流媒体视频。                屏幕共享： 共享当前的桌面给参会人员观看。通过小组讨论，可以实现达到2个人或者2个人以上在讨论模式下交流的同时，边演示文档。鼠标右键强大的管理功能，特别是远程协助设置参数功能，方便为其他新手参加会议进行远程设置强大的后台管理功能，让你轻松管理同时管理多个会议室以及授权开会账户权限。多个会议同时开展，互不干扰，独立账户和密码管理。 如你有这方面的需求，请联系 联系人：余先生 电话：13510358585 QQ：751503375

产品详细介绍

1、X86云网络智慧教室的组成及功能 蓝鸽X86云网络智慧教室的部署由X86云网络系统、云网络管理平台、多媒体教学软件和云网络智慧课堂组成，软硬件相结合为学校成员提供优质体验，显著提升了管理效率、教学质量和用户体验。 “云”—云桌面管理服务器：为教室云终端提供桌面虚拟化服务，支持运行Win7、Win10、Win11及各版本Linux等多种桌面操作系统； “网”—以太网交换机：提供教室内各类网络信号传输的设备； “端”—X86云终端：为各类应用提供本地计算支持，支持利旧，稳定性高，兼容性好； IDV云桌面：IDV云桌面通过桌面虚拟化将个人的桌面软件环境与物理硬件相分离，使得用户的系统管理不再依附于固定的物理机，因此设备兼容性最强。 VOI云桌面：与IDV不同之处在于其使用虚拟OS的方式，既可以集中管理系统镜像和数据，又可以最大化的使用本地资源。 2、主要特点与优势： （一）蓝鸽X86云终端设备高性能运行 （二）管理平台集中部署，运维管理方便 （三）软件兼容性强，终端模板同步服务器 （四）自动化控制与管理平台相互支持，方便管理和运维 （五）IDV、VOI云桌面支持断网使用

产品概述： 人体针灸穴位数字交互系统是依据全国中医药行业高等教育“十四五”规划教材《针灸学》等进行研发，结合最新的计算机和三维虚拟仿真技术，把腧穴的认穴识穴、针灸手法、针灸治疗、人体解剖等知识进行呈现。针灸穴位发光人模型根据真实人体比例制成，含肌肉解剖、经脉循行流注、经脉络属表里关系等专业知识，内置光电感应电路模拟人体穴位，可实现穴位发光、语音播报、模型同步跟随，形成了新的中医针灸穴位的互动教学模式，方便了老师教学和学生学习。 系统内容： *1.1.、系统包含十四经络和针灸治疗两大模块。 *1.2、十四经络：包含了手太阴肺经、手阳明大肠经等十四经络循行（古今）介绍、病候、主治、穴位、分寸等内容； *1.3、针灸治疗：涵盖六种疾病类型，上百种病症的定义、辨证、治疗、主穴、配穴、方义、操作等详细内容 *1.4、针刺视频：包含40多种针刺手法以及分布腧穴毫针刺法、局部多针刺法等视频教学，教学效果直观有效。 1.5、穴位详解：三维虚拟模型上详细展示人体≥800（包含双侧）个腧穴的名称、注音、国际代码、点位、解剖位置等信息。 *1.6、常见的危险穴位具有特殊标记，详细信息包含异常针刺情况表现及情况处理。 *1.7、配备腧穴的横断面或矢状面图谱，了解腧穴在皮下的解剖结构和针刺的入针情况。 二、实训功能： 2.1、可实现铜人模型上≥210个穴位灯光的实时操控。 *2.2、软硬件同步：穴位发光、声音、三维虚拟人体模型跳转同步控制。 2.3、腧穴播报：可在使用硬件操作时，系统可以自动实时播报腧穴名称等内容。 2.4、双向交互：软件可控制铜人穴位灯的开启与关闭，铜人穴位触控笔点亮穴位，软件中三维模型可跳转到相应位置，并播报其穴位名称。 *2.5、在没有与软件系统相连接时，用户也可使用穴位触控笔点亮铜人模型上的穴位灯光。 *2.6、单穴、多穴：可选择单穴或多穴模式，实现不同数量穴位灯光的开启与关闭。 *2.7、经络循行：通过三维动效形式展示。可通过软件系统操作数字虚拟模型的经络开关，点亮铜人上的一整个经络穴位，显示十二经脉循环流注，经脉络属表里对经关系，直观了解人体中医经络循行。 *2.8、铜人穴位灯光可实现经络的循行走向。 2.9、穴位灯光可实现闪动与常亮。 2.10、利用红、橙、蓝、绿四种颜色穴位灯进行经络及穴位区分。 2.11、复位功能：一键关闭硬件模型上所有的灯光显示。 2.12、系统具有示教、训练多种功能，根据需求，在软件功能里选择需要点亮标记的腧穴，进行相关的教学和训练。 *2.13、针灸治疗模块下，配合铜人模型可对不同病症的主穴或配穴的穴位灯单独显示。 *2.14、演示功能：可实现所属经络的穴位灯光循环闪动。 三、软件功能 *3.1、根据真实人体比例打造高仿真的三维人体数字模型，可进行任意角度旋转、放大、缩小、平移，可切换前、后、左、右、上、下六视图、对任意界面进行截图保存等多种操作等。 3.2、重置：一键重置三维模型至初始状态。 3.3、对称穴位：一键显示对侧的穴位，方便对侧穴位的定位和学习。 3.4、骨度分寸：根据当前学习的穴位，一键获得根据临近结构得出的分寸信息，更方便腧穴认知。 *3.5、透明度：可一键透明皮肤、肌肉、骨骼，也可以调节不同层度的透明度，方便学习人体的内部解剖结构的毗邻关系。 *3.6、搜索：输入穴位名称、拼音或代码，可在三维人体模型上快速定位到该穴位。 *3.7、系统：可以对皮肤、肌肉、骨骼、脏器、血管、神经等解剖系统进行隐藏和显示。 3.8、设置：多背景颜色设置，适配不同的操作场景。 3.9、界面清爽模式：一键隐藏所有功能选区，只显示三维虚拟模型，并可随时调取。 3.10、一键实现模型衣服的隐藏和显示，方便模型穴位的查看。 3.11、语音功能：针对详细注解内容，进行对应的语音讲解。 *3.12、具备模拟考试功能,自动从实训题库中随机选择5道题目，组成模拟卷，供随机练习。另具有危险穴位题库可供选择。 四、配置清单 4.1、65寸触摸一体机含支架。 4.2、主机：intel i5处理器、 8G 及以上内存、 500G SSD高速固态硬盘、独立显卡支持高清输出。 *4.3、仿古铜人模型：全铜打造，高度不低于168CM，重量不低于75kg. 五、中医针灸数字人系统V1.0 一套

真实还原AFM全流程操作从样品制备(滴样、干燥)→探针校准→扫描参数设置→ 三维成像→ 数据分析 虚拟化沉浸式学习利用虚拟现实技术，真实还原仪器操作流程，有效提高学习效率 智能考核系统自动记录操作轨迹、参数设置合理性、数据处理规范性,生成量化评分报告 教师管理平台教师一键查看班级考核排名、错误率统计,精准定位教学难点

通过"CSTM/NTC试验人员技术能力评价体系"的标准打造实验技术人员的能力，为电镜行业的人才培训打下坚实基础。

超薄切片机是一种用于制备超薄切片的实验设备，广泛应用于生物医学、材料科学等领域。 它的主要功能是将样品切割成厚度在几纳米到几微米范围内的薄片以便于后续的显微观察和分析。本软件根据菲泰姆自研国产超薄切片机的操作流程，详细展示整个设备的操作流程，高效且直观地指导用户使用设备。

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