产品详细介绍技术参数镜头组合：1/4英寸SONY  CCD镜头，NTSC，内层转录像素：768（H）*（V）解像度：高于470线信号/噪声比：大于50分贝镜头：F1.4-3.0/F=4.1-73.8毫米变焦:72倍放大对焦:自动/手动光圈:自动/手动快门:自动白平衡调节:自动/手动图像特技:正负转换,图像冻结镜头转换角度:90摄录范围：395*295毫米（最大）电源：160V-260交流，50/60HZ耗电量：小于35W体积：400（H）*390（D）*660（H）重量：8KG伸缩杆：伸缩量180MM侧灯：2个7W光管背光灯：内置无线图象、声音传输：载波2。4GHZUSB图象输出及控制：可达每秒30帧，兼容USB1。0，支持12MB/S带宽，使用8MB/S带宽LCD监示器：NTSC制式，4寸显示屏  

大屏幕真彩色TFT液晶显示，图表显示，菜单导航操作 10个样品ID号，10个人员ID号，具有GLP设置和查询功能，真正实现GLP功能管理 多参数测量，pH、mV、Relmv、ORP、ISE、T值 001pH/0.01mV高精度分辨率，满足高标准测量要求 7组33种pH标准液，一键校准，最多5组，自动识别、校准，图表显示数据曲线功能 ATC自动识别，自动/手动温度补偿 五种测量模式：实时、定时、自动快速、自动中速、自动慢速测量 独有的等电位功能，满足不同零电位电极使用 具有自诊断功能，判断主机工作状态和电极性能 时钟和日期双显示，显示当前时间，为数字记录功能提供时间基准 定时存储时间在（0-6000）秒内可调 通过GLP功能的有效管理，实现数据的查阅、导出、打印、删除等 选配专用电极，能精确的测量纯水、土壤、微量样品、粘度高和低离子浓度等样品 RS232串口提供三种应用模式： 1.连接微型打印机打印报告结果，其格式有简单格式、普通格式、GLP格式、自定义格式 2.发送数据至电脑，进行数据统计：仪器内置软件协议，将存储的数据直接传输电脑的office Excel、office Word或记事本等软件文本中，方便用户对测量数据进行归档统计、分析、比较等操作 3.双向传输控制功能

一种无监督的跨受试者适应方法，用以预测未被标记信号的目标受试者的运动意图，将受试者和研究人员从标记大量数据中解放出来。 准确预测人体运动意图有助于控制可穿戴机器人在不同地形上的运动，从而辅助人类平稳行走。传统的预测人类运动意图的方法需要收集和标记人体信号，并训练每个新受试者使用特定的分类器，这给受试者和研究人员都带来了繁重负担。

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

本发明属于痕量检测技术领域,具体涉及表面功能化的纳米金颗粒用于潜在指纹显现的方法.本发明提供不同表面功能化的纳米金颗粒(探针)用于潜在指纹显现的方法.分别为烷基硫醇修饰疏水化的纳米金颗粒,表面活性剂十六烷基三甲基溴化铵(CTAB)保护的疏水化的纳米金颗粒,CTAB保护的水溶性的纳米金颗粒及L-半胱氨酸保护的水溶性纳米金颗粒.探针与潜在指纹中残留汗液中的成分发生吸附,静电作用或缩合反应,然后利用银染法,使潜在指纹样品在银染液中显色,将与指纹中成分识别的纳米金颗粒信号放大,被还原的银颗粒在样品指纹的纹路处沉积从而呈现黑色,形成可裸眼观察到清晰的指纹图像.方法简单,快速,灵敏度高;无毒副作用.

成果介绍本项目将静电纺丝、电化学修饰电极两种方法有机结合，从外表面、内容物及整掺杂等方面对基础纳米纤维修饰电极进行功能化，实现功能可控纳米纤维复合材料修饰电极的制备。技术创新点及参数功能可控纳米纤维复合材料修饰电极，从调控“结构”-“效应”角度，构建新型功能可控活性分子固载界面，结合光电传感技术，建立模型。市场前景建立多种癌症、神经性退行性疾病的系列标志物，环境污染物，食品污染物的分析跟踪与评估新模型，一些典型应用案例突破现有技术的瓶颈。

本项目分析了现有防排烟系统存在的问题或不合理的地方，提出了较为合理的防排烟系统设计方案，并进一步深化了火场送风排烟应用技术，为火场排烟应急处置技术提供基础；通过总结分析，获得了机场航站楼或铁路站房等大空间建筑防火分隔方式，以及地下商业建筑及其与地铁等轨道交通连接的防火分隔处理方式，为实际工程应用提供了借鉴方法；提出了数字化预案的编制方法，针对不同的城镇重要功能节点，制订了具有较强针对性的灭火救援预案，可为该类场所丰富完善灭火救援预案提供参考。

本发明公开了一种自动钻铆机多功能末端执行器。作为自动钻铆机的主要末端执行机构，针对飞机壁板等对象，能够实现定位、制孔、锪窝、除尘和插钉等操作，工作循环速度最高可达15个/min，配合镦紧头可实现压铆功能。本发明的优点在于：制孔单元、铣削单元、测孔单元和插钉单元在基座X轴大导程高速丝杆上依次分布；配备换刀单元，配备送钉单元，视觉测量单元的采用以及伺服驱动。本发明结构紧凑、可靠高效、经济环保，制孔精度满足设计对孔位精度、垂直度、光洁度等技术要求；铆接质量满足设计对铆接强度、干涉量、密封性等技术要求。

采用萃取及氧化/萃取工艺装置处理某石化公司催化裂化汽油，使其硫含量达欧 V 排放标准，同时提高燃油收率；优化功能材料的合成方法，降低成本，便于工业化应用；合成新的功能化的离子液体，提高萃取选择性，达到深度脱硫标准；将离子液体萃取与氧化技术耦合，研究氧化/萃取脱硫技术难点，如选择合适的氧化剂、制备高效的催化剂等；优化离子液体的回收再利用，减少废液的产生，进一步探索离子液体循环利用的新方法；完善工业化应用所必须的各种基础数据。克服传统加氢脱硫体系存在的温度高、压力大、副产品多等弊端，实现常温常压油品深度脱硫，催化剂循环利用。克服传统加氢脱硫体系存在的温度高、压力大、副产品多等弊端，实现常温常压油品深度脱硫等技术手段。