具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

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

本发明涉及一种磁性离子液体，特指基于胍基官能团的离子液体的制备方法及在萃取脱除非极性溶液中含硫有机物的用途。其结构如通式（I）所示，该类离子液体是典型的室温离子液体，具有很低的熔点及很高的沸点，室温呈液态，蒸汽压低，稳定性好，与非极性溶剂互溶度极低；具有极高的脱硫效率，可在3~6min达到脱硫的萃取平衡；选择性高，不会对原来的非极性溶液产生污染及着色。该发明的磁性离子液体之中，当n=1.5~2时，具有很高的顺磁性，其比磁化系数大于59.1×10-6emu/g,优于已有的报道。因此，萃取脱硫结束后可以通过外加磁场的方法方便地实现离子液体和非极性溶剂的分离。该类磁性离子液体通过加水稀释并用四氯化碳反萃取的方法能恢复其性能，并且可以循环多次使用而不会引起脱硫效率的明显降低。脱除的含硫芳环化合物也能通过减压蒸馏富集并实现回收利用。

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

天津市大学软件学院是市委市政府批准设立的隶属于天津市教委具有独立法人的事业单位。学院2008年9月奠基，2010年10月正式启动。学院以软件产业发展的人才需求为导向，以建设国内一流、国际先进的“软件人才培养基地”和“高质量产教融合平台、高水平成果转化平台、高效能社会服务平台”（简称“一基地三高平台”）为目标，将教育链、产业链、人才链、创新链有机串联，打造了从工程实践到创新创业的软件人才培养生态系统，走出了一条政产学研用相结合的软件人才培养新路。   学院率先在全国提出“教学与产业相融，学校与企业互动”的产学合作协同育人理念，依托79所本科院校组成的“高校联盟”和150余家协同育人企业组成的“企业联盟”及300余家行业用人单位，形成高校办学资源和产业行业资源开放共享、高校学科与产业深度融合、高校与企业共同发展的发展格局，有效解决了信息技术行业实践教学资源孤立分散的问题。学院先后获批滨海高新区软件人才培养基地、天津市青年就业见习基地、天津市外国留学生实习实践基地、天津市专业技术人员继续教育基地、市商务局公共培训服务平台、天津市自主就业退役士兵适应性培训基地，承担了区域营商环境和产业人才“蓄水池”职能，培养了大批软件人才和各类专业技术人才，年常驻在校生7000余名，年实训人次稳定在10000人次左右。设立天津场外交易市场（OTC）高校板服务中心，牵头成立天津市虚拟现实和增强现实应用技术应用协会、天津市科学与艺术学会，引进天津市大数据协会，成立天津市软件行业协会人才工作专业委员会，更好地为产业服务。入选“天津市半导体集成电路人才创新创业联盟”和“天津市电子信息与大数据人才创新创业联盟”两个联盟，为软件及信息技术服务产业发展提供了有力人才支撑。京津冀协同发展十周年之际，学校被京津冀三地政府授予“京津冀软件人才培养基地”称号，已与60余家企业、13所高校签订“京津冀软件人才培养基地”协议，助力京津冀协同发展。       （一）打造高质量产教融合平台，有效解决产教“两张皮”问题 学院集合全市优质科技、教育、行业资源进行平台建设探索并实践政府引导的产教深度融合培养信息技术产业人才的管理体制和运行机制，实现了产教共同体在协同育人过程中的同频共振。学院现拥有1个国家级工程实践教育中心、1个国家级众创空间、2个国家级大学生实践教育基地、140个校企共建专业实验室、项目实训室和创新中心，与奇安信、麒麟软件等14家信创头部企业建立了深度合作关系。       （二）打造高水平成果转化平台，校企协同助力创新策源能力提升 学院持续推进产教深度融合，先后推出“协同创新计划”和“天软创业育成计划”，建设了国家级和市级众创空间“天软·创魔方”“中北·天软创业学院”、市级大学科技园“天软信创大学科技园”三个园区，构建了“校企协同开发-校企协同研发-产学研协同攻关”三层校企协同创新模型。同时，构建了科技资源成果库与产业需求项目库，精准服务各兄弟院校师生技术创新，并努力促进高质量创新成果转化为新质生产力。 （三）打造高效能社会服务平台，城校共生促区域经济提质增效 学院通过“管家+专家”的众创空间管理服务，以及自研的“十步问道创业成长力模型”创业辅导方法论，帮助来自天大、工大、师大、理工、城建等高校的数十家大学生初创公司开启了创业之路。通过“先联合培养人才，再落地注册”的高等教育服务区域产业路径，直接促成了中汽数据从北京亦庄迁徙落户天津西青，带动洪荒科技、齐物科技等一批产业链上的初创企业快速发展。

1.微生物专业人才 2.对菌种进行分离、纯化、复壮的人才 3.海洋生物酶解专业人才

新能源电池技术人才

为实现自治区农业综合开发工作的高效管理和科学决策，使农业综合开发管理工作者在研究解决自治区农业综合开发的重大问题、开展农业综合开发的项目的规划与管理时，能够及时全面了解相关的基础地理条件、农业资源环境条件、项目专题资料、工程建设进展等资料信息，并充分利用已有农业综合开发项目经验和政策法规与标准规范等知识体系，需要利用信息技术构建一个能为领导、管理者以及各级业务人员提供农业综合开发信息资源管理、应用、决策规划等辅助支持功能的综合信息系统，即“宁夏农业综合开发管理信息系统”。以实现农业综合开发办对全区农业综合开发信息资源的管理、信息资源的深度应用、决策规划、效果评估、分析预测、汇报演示等核心业务的信息化与智能化管理，并利用该系统实现全区农业综合开发信息资源管理与综合应用的信息化、网络化和可视化。 农发综合信息管理系统是以农发信息资源为基础，以农发项目管理、地理信息应用与农发规划决策支持为应用核心，辅以其它相关管理功能和数据的可视化展示、分析挖掘等智能分析处理等功能。系统主要实现了以下功能：①项目管理：实现农业综合开发项目申报、审批、上报、实施、验收、监测等环节全流程的数字化、可视化实时动态管理。②地理信息：利用GIS系统，实现对各类基础地理数据和农发专题数据的采集、存储、管理、运算、分析、标准制图输出等功能。③决策辅助：通过对数据的概括、归纳、以及汇总分析，建设决策规划知识库，为决策与规划提供数据、信息、知识等层面的辅助支持。④移动应用：利用GPS的定位、导航和GIS的地图操作功能，对项目现场地物的真实性和相关信息的准确性进行现场调查、记录和实时判断。⑤三维可视化：应用中高分辨率卫星影像和数字高程模型叠加，建立全区数字化三维场景，通过叠加农业综合开发专题信息资料和项目成果，可直观显示项目规划和建设的效果。本系统可用于农业项目管理、地理信息等行业。