西安电子科技大学机电工程学院多智能体研究中心郑元世教授团队通过引入了智能体及邻居的历史状态，提出了一种基于记忆信息的一致性协议并建立了该协议下显式的一致域。

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

“一次性防飞溅隔离巾”由上海交通大学医学院附属第九人民医院发明，该隔离巾由防护材料和透明材料等组合而成，预设有两对袖套式操作口，既能保证良好的视野，又提供了一定的操作自由度，方便医护人员实施临床治疗，可显著降低手术和操作过程中的感染暴露风险，以满足医护人员的安全防护要求。在临床资源有限的情况下，比如目前与新冠肺炎的战斗中，可以有效地为医护人员提供额外的安全防护，提高手术和操作的可行性，大大减少院感风险。一次性防飞溅隔离巾样品医务人员研究改进一次性防飞溅隔离巾 上海交通大学医学院附属第九人民医院组织耳鼻咽喉头颈外科王珮华主任医师、汪照炎主任医师和急诊科徐兵主任医师等相关学科的专家对该项目进行专业分析和可行性评估，并进行细节改进，立项“手术防飞溅隔离操作系列装置”创新项目。九院成果转化办公室成立应急小组，分别从原型设计、专利布局、专利申请、产品合规、产业对接等方面制定系统推进方案，各项细节同步实施。2月21日该系列装置完成四项发明和实用新型专利的申请，技术市场迅速形成推文，并于当天将九院抗疫发明的企业对接需求发布出去。在临床医疗救治中，有部分操作会有血液、痰液导致的气溶胶污染，容易导致医护人员发生暴露性感染风险，比如气管切开、肺结核患者的胸部手术、呼吸管口换管、吸痰等。即使有帽子、口罩、防护镜等个人安全防护配备，也很难防止气溶胶短时间在局部气流中的传播。在2003年的SARS和本次新冠肺炎的诊治过程中，有很多医护人员的感染就是因为直接面对飞溅液体和气溶胶。该系列装置适用于基层医院或紧急场景、生物安全防护条件不足的情况下医务人员实施紧急操作。

装饰性钢结构防腐涂料是专门用于钢结构建筑物、构筑物和设施防腐保护的功能性 涂料。钢结构虽然有强度高、重量轻和易于施工等优点，但存在易腐蚀的致命缺点，因 此必须进行防腐蚀保护，以减少由于腐蚀造成的损失。本成果提供的装饰性钢结构防腐 涂料除了具有优良的防腐蚀功能之外，还具有良好的装饰性。可采用喷涂、刷涂等方法 施工。是各种大型公共建筑物、化工企业钢结构建筑物（构筑物）和设备的保护神。该 涂料已在国内上海石油化工有限公司、辽河油田输油管工程等多项工程中应用，取得良 好效果。 

机械结构可靠性设计及分析软件是一个模块化的机构\结构零部件和系统的可靠性设计及概率分析的软件系统，采用了最新的概率算法和通用数字分析方法以计算工程系统的概率响应和可靠性；提供了丰富的可靠性分析仿真功能和图视化前后处理界面；可以在虚拟样机和有限元模型等数字化环境中，协同三维建模、控制仿真、有限元分析和动力学分析等成熟的商业化CAD、CAE 工具实现复杂机械结构和机构的可靠性定量性设计、可靠性预计和设计方案仿真评价、优化设计。 该软件先进性体现在：先进的可靠性设计分析方法；先进的集成框架技术；良好的开放性和二次开发平台。 机械结构可靠性设计及分析软件包括可靠性定量分析、产品可靠性预计、设计方案可靠性定量仿真评价及机械结构可靠性设计。可满足航空、航天、兵器、船舶、核等军民品企业开展复杂机械结构和机构产品的可靠性、参数化定量设计和综合分析评价、优化等设计分析工作的需要。 该软件的功能模块图如图1所示，其中可靠性优化设计界面如图2所示。 图1 本平台功能模块图 图2 可靠性优化设计界面

机械结构可靠性设计及分析软件是一个模块化的机构\结构零部件和系统的可靠性设计及概率分析的软件系统，采用了最新的概率算法和通用数字分析方法以计算工程系统的概率响应和可靠性；提供了丰富的可靠性分析仿真功能和图视化前后处理界面；可以在虚拟样机和有限元模型等数字化环境中，协同三维建模、控制仿真、有限元分析和动力学分析等成熟的商业化CAD、CAE 工具实现复杂机械结构和机构的可靠性定量性设计、可靠性预计和设计方案仿真评价、优化设计。

干悬浮性多功能种衣剂内含杀虫剂、杀菌剂、植物生长调节剂、肥料及保水材料，外观呈粉末状态，类似于干悬浮剂，具有较高的科技含量。与悬浮种衣剂或悬乳济相比，其特点是含量高，体积小，可节省瓶、箱等包装材料，便于贮存和运输，且贮存稳定性好。使用时，按比例加水调制即可使用，可发挥多功能的作用，但对制剂中的成膜剂等助剂的质量要求比悬浮种衣剂要高。目前，多功能干悬浮剂在国内还未大量生产。干悬浮性多功能种衣剂的功能保水吸水、透气逸氧；防病治虫、肥效缓释；壮根壮苗、调节生长；省工节本、增产增收。 根据不同农作物的特点及气候状况，具有针对性的开发了以下种衣剂： 玉米：玉米在我国东北、西北、华北、华中等地区的地下害虫主要有：蛴螬、蝼蛄、地老虎、金针虫等，开发了针对玉米以杀虫作用为主的干悬浮性多功能种衣剂。棉花：棉花的主要虫害是地老虎，主要病害有棉立枯病、炭疽病、角斑病等，针对棉花开发了以杀菌、杀虫为主的干悬浮性多功能种衣剂。小麦：小麦的主要虫害有蛴螬、蝼蛄、金针虫，主要病害有白粉病、黑穗病、赤霉病等，开发了以杀菌、杀虫为 的干悬浮性多功能种衣剂。

一、 项目简介2012年，国家发布的质量发展纲要（2011-2020年）提出“重点行业实施可靠性提升工程”战略性要求。随着国内电器行业的高速发展，在国际化的大背景下，无论是用户还是生产厂家要求电器产品除满足一般技术指标外，还提出了可靠性指标要求。本项目贯彻所有低压电器产品可靠性国家标准以及中国标准化协会CAS标准（本单位作为负责起草单位完成标准内容的起草与制订）的要求，研制开发了相应的可靠性试验设备和生产检测设备，为电器检测机构及电器制造企业对所属产品进行可靠性试验和科研生产试验提供服务。这些试验设备均在国内外没有样机的情况下自行研制，具有重要创新及完全自主知识产权。已获得授权国家发明专利、实用新型专利和软件著作权30余项。同时，开发了双电源自动转换开关、智能漏电保护器、智能塑壳断路器、大功率恒流源、瞬动测试仪、总线适配器等十余种产品。二、 项目技术成熟程度技术成熟，已进行推广应用。三、 技术指标（包括鉴定、知识产权专利、获奖等情况）性能优于国家标准及CAS标准的要求，达到国际先进水平。已获发明专利、实用新型专利及软件著作权30余项，申请发明专利多项，获得国家二等奖、省部级一等奖多项。四、 市场前景（应用领域、市场分析等）电器行业在国际化进程中，除要求产品性能方面达到国际水平，在反映产品性能的另一核心指标——可靠性水平方面也提出了具体的要求。本项目致力于在现有基础上，打造国内最具有技术优势、最具规模和成长性的可靠性检测设备生产企业，为客户提供完整的电器检测设备技术研发和整体解决方案。在电器行业乃至其他行业具有广阔的市场应用前景。五、 规模与投资需求（资金需求、场地规模、人员等需求）投资规模：约300万元，可在原有业务基础上投资，具体面议。六、 生产设备机床等加工设备、仪器仪表等测试设备。七、 效益分析在电器行业乃至其他行业内进行广泛的推广应用，销售额每年以50%的速度增长，利税：预期三年时间达到1000万元左右。八、 合作方式专利技术许可、合作开发产品、提供配套设备及技术支持。1、推广科研成果，包括检测设备、智能产品、产品现代设计；2、开发新产品、新设备。九、 项目具体联系人及联系方式（包括电子邮箱）项目联系人：李文华电话：13312176902，022 - 6020 4361邮箱：liwenhua@hebut.edu.cn十、 高清成果图片   

赣南医学院第一附属医院曾祥泰博士研究团队联合江西憶源多媒体科技有限公司徐林楠研究团队、北京万泰中联科技以及多家大型医院共同攻关，成功研发出国内首套非接触式可视化新型冠状病毒感染的肺炎院内智能筛查诊断及防控系统并投入试运行。针对疫情蔓延形势，赣南医学院快速展开了应急科技攻关计划，从而实现导诊、分诊、就诊和预警非接触式智能一体化。 就诊时，医生通过高清双向可视对话问诊系统，实现疑似患者确诊前非接触式诊疗。同时，病历系统智能提取分析患者相关病情和检查结果，形成新冠肺炎潜在人群的疑似级别自动判别，辅助医师诊断。此外，对发热患者等潜在肺炎人群从导诊、分诊、诊间、检查和隔离区域全流程高清视频监控监测智能识别，进行智能追踪筛查和活动轨迹查询，实现全方位覆盖、不间断实时监控以及不当防护措施预警报警，同时在医院急诊科、门诊大厅等关键出入口位置，通过高清双视红外摄像仪、患者图像自动识别记忆技术以及人体高温发热提醒报警技术等，智能找出漏诊的发热疑似患者。