XM-C-II综合穿刺训练模型（综合穿刺模拟人）   一、功能特点： ■ XM-C-II综合穿刺训练模型（综合穿刺模拟人）采用高分子材料制成，肤质仿真度高。 ■ 模拟人为大半身女性仿真人体模型，内部各腔囊等采用优质硅胶制成，骨架采用复合树脂制成，胸腔、腹腔、蛛网膜下腔、心包腔中可容纳相应的浆膜腔液。 ■ 控制器：由机箱、微电脑、自动控制集成电路板、各种开关等组成。 ■ 人造髂骨：由仿生材料制成，内含有人造骨髓。 ■ 人造浆膜腔液：由有机化合物及适量色素加水制成。 ■ 可进行胸腔穿刺术、腹腔穿刺术、腰椎穿刺术、心包穿刺术、骨髓穿刺术、气胸穿刺排气术、胸腹部叩诊技能训练、术前无菌术训练及考核。 ■ 模拟人体位的调整自动化：当进行心包穿刺术或胸腔穿刺术时，按动控制器面板按钮，即可使模拟人由平卧位自动变为半卧位或坐位，当进行腰椎穿刺术时，可使平卧位自动变位侧卧位，实习完毕按复位按钮可使模拟人恢复平卧位。 ■ 自动语音提示：当心包穿刺或胸腔穿刺进针部位错误（沿肋骨下缘穿刺），模拟人会发出“穿刺错误 损伤了神经血管！”的语音警告，提示操作者重新正确操作。   二、标准配置： ■ 综合穿刺模拟人：1具 ■ 体位调整实验台：1张 ■ 穿刺针：2根 ■ 电源线：1根 ■ 皮肤修补液：1瓶 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-50高级环甲膜穿刺及气管切开插管模型   XM-50环状软骨气管切开术训练模型主要用于ALS课程中常规气管切开、环甲膜穿刺、环甲膜切开等高级生命支持训练。   一、模型特点： ■ 高级环甲膜穿刺及气管切开插管训练模型为成人男性，解剖学标记（如甲状软骨、环状软骨、环甲膜、气管）位置准确，易触及。 ■ 模型采用高分子材料制作，质地柔软，富有弹性，形象逼真，可反复进行穿刺。 ■ 模型颈部皮肤采用环状结构，为此，当某一部位经多次穿刺、切开不能使用时，可适当地旋转环状颈部皮肤，将其移开，学生又可在新的颈部皮肤部位反复进行训练，提高了模型的使用寿命。 ■ 环状颈部皮肤与甲状软骨、环状软骨、环甲膜、气管模块可以更换。 ■ 可供学生进行环甲膜穿刺与切开术训练。   二、模型功能： ■ 模型具有标准的气管解剖位置，用手可触摸气管，进行切口定位。 ■ 模拟病人仰卧位，颈部伸展。 ■ 可以进行传统的经皮气管切开术，包括不同类型的切口：纵向、横向、十字形、U形和倒U形切口。 ■ 可进行环甲膜穿刺和气管切开训练。 ■ 模型的部位采用不同的材质，确保真实的操作手感。 ■ 模型允许用户在确定动脉位置时确定正确的切口位置，并可从头部观察颈部的内部操作情况。 ■ 配备模拟气管和颈部皮肤。   三、标准配置： ■ 高级环甲膜穿刺及气管切开插管模型：1台 ■ 可更换颈部皮肤：1块 ■ 可更换气管模块：3个 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-TB2高级带警示臀部肌肉注射训练及对比模型   XM-TB2高级带警示臀部肌肉注射训练及对比模型用于臀部肌肉注射教学与训练，教会学生如何掌握正确的操作方法并避免误伤到神经血管，模型半侧透明，可以清晰地看到内部的解剖结构。   一、功能特点： ■ 模型采用高分子材料制成，肤质仿真度高。 ■ 模型为成人臀部，半边透明的设计展示臀部的肌肉组织、骨骼结构和神经血管系统，有利于在训练时进行对比，防止扎到神经和血管。 ■ 注射操作正确和进针位置正确，则有绿色灯光显示。 ■ 扎入过深或注射部位不正确，则有红色灯光闪烁和电子报警声提示。 ■ 肌内注射可注入真实液体。 ■ 可反复进行练习。   二、标准配置： ■ 臀部肌内注射操作及对比模型：1台 ■ 手提铝塑箱：1个 ■ 练习用注射器：1支 ■ 说明书：1册 ■ 保修卡合格证：1张

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

本实用新型涉及沙地土壤采样领域，具体公开了一种沙地土壤结皮采样与存放装置，包括：采集器，为中空筒状；割土板，设置于所述采集器的底部；防护板，设置于所述采集器的顶部。本实用新型沙地土壤结皮采样与存放装置中的采集器，能够采集表面积大、形状规则、结构完整的沙地土壤结皮样品，运用锤打方式原状采样能够使结皮样品与采集器内壁产生充分接触，避免样品在运输过程中因发生位移而受损。同时防护板上的软垫能够对沙地土壤结皮样品表面进行有效防护，避免结皮表面的细微结构在受到外力撞击与运输颠簸时发生变形或损坏。

本实用新型公开了一种沙地小区域修复快速喷播装置，包括水箱、喷播泵，喷播泵的吸水口通过吸水管与水箱连接，喷播泵的出水口通过水路管道与喷枪连接，水箱内设有搅拌装置。吸水管连接有进水管，水路管道与水箱之间连接有补水管。水箱中装的是水和沙生草籽的混和液体，通过喷播泵将其喷洒在小区域沙漠化土地上，结合草方格沙障的固沙作用，实现对沙漠化地区的综合治理。

本发明涉及一种带吸尘装置的全自动黑板擦,包括第一丝杠,第二丝杠,黑板,置有吸尘导管和毛刷筒的吸尘盒,链条,第一电动机,第二电动机,集尘箱和电源稳压及无线遥控模块,所述的电源稳压及无线遥控模块包括发送模块,控制模块,接收模块,发送模块包括遥控器,遥控器上置有4个按钮,指示灯以及天线,当按钮按下时,其信号通过对控制模块的单片机的P0口进行检测带动接收模块的电动机,电动机的正反转以及真空泵的工作.本发明主要采用了丝杠和转轴构成的主要框架结构,安装简单,成本较低,易于推广;采用了无线遥控技术,在一定程度上,人员可以避开粉尘;黑板擦在不使用的情况下,黑板擦停在黑板的一侧,不影响黑板的正常使用.

项目成果/简介:本发明公开了一种便携式气体增压装置,包括二位五通手动换向阀,二位五通手动换向阀 P 与低压气源连接，二位五通手动换向阀 A口分別与左压缩无杆腔和单向阀 a 进口端连接，单向阀 a 出口端分别与单向网 b 进口端、单向阀 c 进口端和单阀 d 出口端连接,单向阀 b出端分别与左压缩气缸有杆腔和单向阀 e 进口端连,单向阀 c 出口端分别与右压缩气缸有杆腔和单向阀 f 进口端连，右压缩气缸无杆腔分别与单向阀 d 进口端和二位五通手动换向阀 B 口连接,单向阀 f 出口端与单向阀 e 出口端与集气包连，集气包出口依次安设压力表和出气接头。本发明结构简单，体积和重量小，无需额外电能输入，安全可靠，可持续输出高压气体。

安大略法（OHM）是US-EPA推荐使用的燃煤烟气汞形态浓度取样测试分析的标准方法。适用于燃煤电厂、水泥窑炉、有色冶炼等行业固定源烟气汞排放浓度的现场取样。 东南大学研发的燃煤烟气汞形态浓度取样装置（OHM）具有技术成熟、操作简便、性能稳定、测量精度高等优点。已成功应用于国内20余座燃煤电厂烟气汞排放浓度的测试。用户包括多所大学、科研院所和企业，产品得到市场的认可。

项目简介： 市场上的塑料制品应用十分广泛。塑料的废弃物由于自然降解困 难，对环境污染较大。同时，塑料原料的价格较高，大约 7000-13000 元/吨，其回收价格大约在 5000 元/吨左右。对塑料制品进行回收利用具有较高的环境保护意义和经济价值。 在塑料制品的回收利用中，如何对塑料进行分类是一个重要的过 程。不同的塑料、不同的颜色和品质都具有不同的价格，回收后用于 生产的产品范围也不同。 本项目基于近红外传感技术和颜色传感识别，设计了一种便携式 的低功耗塑料分选设备，可针对饮料瓶中的 PET 和 HDPE 两种塑料 品进行分选。 项目特色： 低功耗手持式垃圾分类检测装置包括红外光源、红外传感器、颜 色传感器、传感器检测电路以及 BLE 通信电路等。可以识别分选饮 料瓶片中的 PET 和 HDPE 塑料，并对 PET 的颜色进行识别。 识别检测装置的模型如下图所示。其中的锂电池长度为 65 mm， 布局优化后整个装置所占空间会进一步缩小。