XM-D009自主神经电动模型   XM-D009自主神经电动模型显示交感神经低级中枢、交感干；交感神经节前和后节纤维的分布规律；副交感神经低级中枢的部位；睫状神经节、翼腭神经节、下颌下神经节、耳神经节等副交感节前纤维的起始和节后纤维的分布；盆内脏神经的分布情况，控制面板上独立的按钮。   一、显示内容： 左边简要显示交感神经与脊神经的关系及交感神经结前纤维发出的部位及其三种方向，右边是主体部分，清晰显示模型的交感神经秘副交感神经的结构特点用其分布。 ■ 演示副交感神经的低级中枢（即脑骶部）： 1、脑干四对副交感神经核（又称结前神经元）自上而下，为动眼神经副核、上泌涎核、下泌涎核、迷走神经背核（可分别闪亮）。 ①、动眼神经副核发出结前纤维，随动眼神经，其中副交感神经纤维进入睫状神经（副交感神经结）结后纤维分布二睫状肌和瞳孔括约肌。 ②、上泌涎核发生结前纤维，随面神经，其中副交感神经纤维至翼腭神经结（副交感神经结），结后纤维支配泪腺、鼻腔口腔粘膜的腺体。另一部分结前纤维至下颌下神经结（副交感神经结）结后纤维公布二下颌下腺和舌下腺。 ③、下泌涎核发出结前纤维随舌咽神经其中的副交感纤维至耳神经结（副交神经结）结后纤维分布于腮腺。 ④、迷走神经背核发出台前纤维，随迷走神经至胸腹腔器壁内或附近至副交感神经结，结后纤维分布于相应的器官。 2、骶部副交感：脊髓骶部第2－4节的副交感神经核发出结前纤维骶神经分出副交感神经纤维加入盆从，随盆丛至脏器附近或脏器壁内副交神经结，结后纤维分布于结肠左曲以下的消化管、盆腔脏器及外阴器。 ■ 演示交感神经低级中枢（即胸腰部）： 1、白交通支入交感干后有三种去向： ①、进入交感干后，终于相应节段的交感神经结。 ②、进入交感干后往上行、或向下行，并终止于上方或下方的神经结。 ③、进入交感干后，不换神经元既穿出交感干终止于椎前神经结（椎前神经结有肠系膜上神经结、肠系膜下神经结、腹腔神经结、主动脉肥腻神经结）。 上述白交通结前纤维入交感干后的三种去向均可发光显示。 2、交感神经结发出的结后纤维有三种去向： ①经灰交通支（结后纤维返回脊神经分布于躯干四肢的血管、汗腺和竖毛肌（31对脊神经均有灰交通联系）。 ②随动脉行走，在动脉外膜处形成神经丛，并随动脉分布至所支配的器官。 ③示交感神经结的结后纤维直接支配到所支配的器官。   二、技术参数： ■ 尺寸：60×24×85cm ■ 材质：PVC材料+木框   三、标准配置： ■ XM-D009自主神经电动模型：1台 ■ 电源线：1根 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-213男性躯干骨附主要动脉和神经分布   XM-213男性躯干骨附主要动脉和神经分布模型由男性半身骨架及血管神经附透明亚克力躯壳串制而成一个整体，固定在底板上，显示颅骨与脑，躯干骨与胸、腹、盆腔内脏器官毗邻的位置和关系，可以让学生通过透明体表了解血管、神经在躯干的形态、分布及位置关系。 尺寸：高95cm 材质：PVC材料

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

近年来大跨度建筑结构不断涌现，结构温度效应导致的结构工程问题日益突出，尤其是室外结构或玻璃、膜屋面下建筑结构的太阳辐射非均匀温度效应更为复杂。由于对太阳辐射非均匀温度效应机理缺乏深入研究，导致质量问题甚至工程坍塌等安全事故，造成了严重的经济损失和社会不良影响。因此，项目组在国家和省部级项目的支持下，对太阳辐射作用下大跨度建筑结构非均匀温度效应机理与分析方法开展研究。

本发明公开了一种三氧化二铁/碳蛋黄-蛋壳纳米复合结构的制备方法，以三氧化二铁纳米颗粒为核心，通过控制正硅酸乙酯的量来控制包覆的二氧化硅的厚度，再通过热分解的方法在二氧化硅外面包覆一层碳，通过去除中间层的二氧化硅得到了三氧化二铁/碳蛋黄-蛋壳纳米复合结构。本发明通过简单的包覆过程合成了三氧化二铁/碳的蛋黄-蛋壳复合纳米结构，降低了成本，可大批量生产。另外，这种中空的三氧化二铁/碳蛋黄-蛋壳复合纳米结构有利于提高锂离子电池负极材料的性能。

本发明公开了一种基于3D打印的复杂结构模具制作方法和成型方法，包括：构建目标模型和模具制作装置，得到目标模型文件和模具制作装置文件；将三维模型文件和模具制作装置文件导入3D打印机，制作目标模型和模具制作装置；在目标模型表面铺设硅胶膜或明胶膜固化；在模具制作装置内表面和目标模型的薄膜表面涂覆隔断材料层，在模具制作装置中定位模型；浇注下模液，固化，得到下模；在下模上的分型面上涂覆隔断材料层，浇铸上模液，固化，去除目标模型得到复杂结构型面特征的上下模模具。本发明基于成熟的三维打印技术，稳定性、可控性好，结构简单、价格经济，加之可以脱机打印，使得生产更易于配置和优化。

本发明公开了一种用于捕获循环肿瘤细胞的微流道结构及其制 造方法，该方法包括：（1）在单晶硅片表面匀胶、光刻得到光刻胶掩膜；（2）基于光刻胶掩膜，使用感应耦合等离子体反应刻蚀技术 ICP 在单晶硅片上刻蚀出微米级别的凹槽及槽内均匀分布的硅微米柱阵 列；（3）在微米柱表面制备纳米线阵列；（4）对凹槽进行封装。按 照本发明，可以获得一种用于循环肿瘤细胞检测的微纳复合微流道结 构，这种检测结构具有灵敏度高、效率高等特点。 

本发明公开了一种使用中间层扩散制备多层非晶合金与铜复合 结构的方法，包括如下步骤：对非晶合金和铜片进行切割、研磨、抛 光和清洗，同时用刀片将中间层划分成规定的尺寸，对非晶合金薄片， 中间层以及铜薄片进行组装和固定，以形成固定后的工件，将固定后 的工件放进真空扩散炉中，使中间层溶解于非晶合金薄片与铜薄片中实现扩散焊接。本发明使用中间层能够降低扩散温度，使得非晶合金 薄板在扩散后中仍然保持非晶态。复合结构具有非晶合金的强度和铜 的韧性，能阻断非晶合金塑性变形时剪切带的延伸，从而避免了纯非 晶合金材料容易脆断的问题，增强抗剪切能力，焊接后薄片表面质量 高，连接可靠。

本专利提出一种网络结构化多主体系统中任务执行的资源缓存方法，每当主体执行任务调用所需资源时，还需对调用的资源进行缓存：如果调用的是原始资源，那么就产生一个该资源的副本，该副本向调用主体移动一步；如果调用的是资源副本，那么直接将该副本向这个主体移动一步。因此，当以后该主体执行任务需调用该资源时，就会比调用原始资源更节省时间，故而提高任务执行的效率.另外，为了防止系统中存在过量的资源副本对网络造成拥塞，本发明还提出了资源缓存的消逝机制：设置一个时间段，网络中的资源副本每隔一个时间段就会向其原始位置回退一步；如果一个资源副本很长时间没有被调用，那么它就会逐步再回退到其原始位置，从而资源副本消失。

本发明公开了一种热环境下考虑预变形的板结构动特性分析方法，包括如下步骤：根据初始力载荷和热环境下的结构材料参数，计算结构线性刚度矩阵、热应力刚度矩阵和考虑预变形的非线性刚度矩阵，将线性刚度矩阵、热应力刚度矩阵和非线性刚度矩阵三者整合为结构总刚度矩阵；建立热环境下考虑预变形的板结构动力学方程，根据结构动力学方程建立广义特征问题控制方程，再通过模态分析得到热环境下考虑预变形的板结构动特性分析结果。本发明的动特性分析方法综合考虑了预变形导致的几何非线性和热环境对结构刚度的影响，使得其能够运用于复杂载荷环境下的结构动特性分析，本发明能够有效提高复杂环境下板结构动特性分析精度，指导工程结构设计。