青岛海润检测股份有限公司成立于2010年12月30日，注册地位于山东省青岛市黄岛区望江路23号3号车间，法定代表人为王立宇。经营范围包括无公害农产品及其产地环境的有害元素检测、食品农产品的安全营养评价、药品毒理代谢服务外包、出口农药5批次审核评价、食品农产品中转基因成分残留分析、品种真假辨别、食品农产品功能性评价、过敏原检测、实验室管理技术咨询、实验室检测技术和信息咨询服务、实验室技术标准的开发；检测仪器设备销售，货物进出口、技术进出口（法律、行政法规禁止的不得经营，法律、行政法规限制经营的，取得许可证后方可经营）；经营其它无需行政审批即可经营的一般经营项目。

论无忧学位论文格式检测机器人可以自动分析学位论文格式是否符合学校的撰写规范以及相关的国家标准，支持文本、插图、表格、代码、算法和参考文献等上百个检测项，并将发现的不符合项以批注的形式在原稿中自动标注，指导学生修订相关规范性错误。平台历经7年运营，拥有两百余所高校用户（含40余所双一流、985/211学校），如中南大学、四川大学、电子科技大学、大连理工大学、国防科技大学、西安电子科技大学、北京邮电大学、中国矿业大学（徐州和北京）、中国地质大学（武汉和北京）、中南财经政法大学、北京体育大学、中国石油大学（华东）、上海开放大学、浙江省委党校等，研究生、本科、党校、军校、开放大学、继续教育、高职均有成功案例，支持800余所高校2000余份模板，百度搜索“论无忧 形式规范|格式 检测 通知”，可以看到上百所高校发通知把格式检测作为学位授予的一个必备环节。 

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

本发明公开一种基于力觉信息和姿态信息的肢体运动意图理解与上肢康复训练机器人及其控制方法，通过姿态传感器分别获取人体手臂的各个姿态信息，并输入至控制器，人体手臂发力通过摇杆作用于六维力传感器上，六维力传感器输入相应信号至控制器，控制器将获取到的姿态参数以及力觉参数，通过建立的意图识别模型解算，并控制康复训练机器人做出相应动作，对康复训练机器人实现控制，以实现微弱主动力下的辅助主动训练。

本实用新型公开了直叶片变量泵定子内表面摩擦磨损检测装置.目前没有模拟单作用变量叶片泵在正常工况下摩擦磨损的测试仪.本实用新型的直叶片与叶片导槽的底部槽道构成滑动副;直叶片的底面与定子内曲线轮廓模拟凸轮构成凸轮副;加载环底面与直叶片顶面之间设有弹簧;加载装置驱动加载环;压力传感器检测直叶片和弹簧之间的压力;速度传感器检测定子内曲线轮廓模拟凸轮转速;检测腔腔体经开关阀和检测通道连接消光式粒度仪和消光式颗粒计数器;消光式粒度仪检测液压油中金属颗粒的平均粒度,消光式颗粒计数器检测液压油中金属颗粒数目.本实用新型可靠模拟直叶片变量泵工作环境,并测量磨损量.

成果描述：互联网文本内容主题 概念漂移检测系统， 通过分析数据集中的 所有文档数据的潜在 语义关系，提取出它 们之间的潜在语义主 题标示，通过评估参 数的方法，将生成的 主题时序关系用数据 的形式表示出来，并 以此为依据主动发现 待预测数据集中主题 的转变与转化现象， 并提供给用户这一主 题转移过程。市场前景分析：点。基于这些特点， 流数据的处理和分析 面临巨大的挑战，是 当前数据挖掘领域研 究的热点。 分类是数据挖掘领域 的重要课题，当前流 数据分类问题面临的 主要挑战之一就是概 念漂移问题，即数据 中学习的概念（从属 性到类别的映射）是 随时变化的。 通过对互联网中文本 内容的主题概念漂移 进行检测，对于正确 分类互联网文本等方 面具有重要的意义。与同类成果相比的优势分析：能够将生成的主题时 序关系用数据的形式 表示出来，方便用户 查看； 可以动态调整评估参 数，以实现对不同数 据集的自适应性分析； 可以将评估参数值与 发生概念漂移的主题 中心相关联，主动探 测出主题发生变化的 过程。

2020年2月14日，暨南大学产学研深度合作企业、生物学博士后创新实践基地--广州海力特生物科技有限公司成功研发可定性和定量检测新型冠状病毒的试剂盒。 暨南大学生命科学技术学院王通教授和海力特公司朱托夫教授团队在1月26日紧急成立了科研公关小组，集中了15名科研、生产和质控人员，开展了针对新冠病毒假阴性的微量精准检测试剂盒的研发。 基于双方产学研深度合作所开发的新型冠状病毒（2019-nCoV）核酸检测试剂盒，已经进入疾控部门和医院开启测试。结果显示，检测27例确诊新冠病毒感染的样本中，该试剂盒全部检出；在50例疑似感染的咽拭子或鼻咽拭子样本中，已上市试剂盒检测出14例，海力特新冠病毒核酸精准试剂盒检测出21例（包含上述14例），最终这21例全部确诊，检出率提高33.3%。该工作表明，假阴性或“漏检”问题有望通过特异性提高试剂盒的灵敏度大大改善。并且，该产品也有望为新冠肺炎患者的疗效评估提供新的监控手段。 暨南大学与海力特共同在暨南大学东莞暨南大学研究院孵化的“东莞微量精准检测研究院”，已于2019年1月获得第三方检测许可证，现有新冠病毒检验能力每天300人份。

基于双方产学研深度合作所开发的新型冠状病毒（2019-nCoV）核酸检测试剂盒，已经进入疾控部门和医院开启测试。结果显示，检测27例确诊新冠病毒感染的样本中，该试剂盒全部检出；在50例疑似感染的咽拭子或鼻咽拭子样本中，已上市试剂盒检测出14例，海力特新冠病毒核酸精准试剂盒检测出21例（包含上述14例），最终这21例全部确诊，检出率提高33.3%。该工作表明，假阴性或“漏检”问题有望通过特异性提高试剂盒的灵敏度大大改善。并且，该产品也有望为新冠肺炎患者的疗效评估提供新的监控手段。 暨南大学与海力特共同在暨南大学东莞暨南大学研究院孵化的“东莞微量精准检测研究院”，已于2019年1月获得第三方检测许可证，现有新冠病毒检验能力每天300人份。

陕西师范大学生命科学学院副院长、教育部药用资源与天然药物化学重点实验室主任闫亚平教授团队，联合陕西脉元生物科技有限公司，基于中国疾病预防控制中心公布的病毒参考基因序列，针对现有市场上新型冠状病毒2019-nCoV核酸检测试剂盒的现状，研发并测试成功新型冠状病毒2019-nCoV核酸快速检测试剂盒（恒温扩增法）。目前，已向省市部门报备，助力患病人群的筛查和诊断。据悉，该产品基于环介导的等温循环扩增的技术研发，不需要荧光定量PCR仪等特殊的仪器设备，用水浴锅等简易设备65℃恒温，仅需15分钟即可完成扩增反应，快速、简易，检测结果肉眼可见，检测限可低至每反应体系3个拷贝的核酸模板，为基层医院提供了一种快速检测新型冠状病毒（2019-nCoV）的方法。同时，闫亚平教授团队将其拥有的核酸扩增类产品一管式冻干的专利技术应用其中，可实现检测试剂盒的常温储存和运输，反应体系中只需添加模板即可，简化了操作步骤，适于基层医院开展快速筛查和疫情监控。该产品目前已经完成注册检验，可向有资质的临床机构提供试用。

本项目根据我国公路桥梁的实际需求，围绕在 用桥梁技术状况与使用功能评价、耐久性状况与承 裁力评定、加固改造、试验检测技术及其关键设备 等主要技术内容，组织20多家科研、高校和养管单 位，从1983年也 分四个阶段，依托十多个国家级、 省部级科研项目和800多座桥梁进行了系列研究。提出了桥梁技术状况与使用功能评定方法，建 立了质量与耐久性參数检测评价指标体系，创建了 基于桥梁技术状况、承栽力恶化、截面折减和活栽 影响修正等多系数影响的承裁力检测评定畲数理论 祺3!与计算方法；研发了多项桥梁加固新技术和加 81评价方法；开发了混凝土智能无损检测等8台套 具有自主知识产权的试验测试装置。