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

本发明涉及一种磁性离子液体，特指基于胍基官能团的离子液体的制备方法及在萃取脱除非极性溶液中含硫有机物的用途。其结构如通式（I）所示，该类离子液体是典型的室温离子液体，具有很低的熔点及很高的沸点，室温呈液态，蒸汽压低，稳定性好，与非极性溶剂互溶度极低；具有极高的脱硫效率，可在3~6min达到脱硫的萃取平衡；选择性高，不会对原来的非极性溶液产生污染及着色。该发明的磁性离子液体之中，当n=1.5~2时，具有很高的顺磁性，其比磁化系数大于59.1×10-6emu/g,优于已有的报道。因此，萃取脱硫结束后可以通过外加磁场的方法方便地实现离子液体和非极性溶剂的分离。该类磁性离子液体通过加水稀释并用四氯化碳反萃取的方法能恢复其性能，并且可以循环多次使用而不会引起脱硫效率的明显降低。脱除的含硫芳环化合物也能通过减压蒸馏富集并实现回收利用。

中试阶段/n该项目缩短了检测时间，降低了检测成本，同时具有检测灵敏度高、精密度好、准确性好的特点。

本发明公开了一种测定甲胎蛋白的电化学免疫传感器及其制备方法与应用，基底电极由MWNTs?CS溶液修饰，甲胎蛋白第一抗体溶液共价结合到修饰后的基底电极上，甲胎蛋白抗原溶液特异性结合到甲胎蛋白第一抗体上，CdTe@SiO2?GO?甲胎蛋白第二抗体溶液特异性结合到甲胎蛋白抗原上，所述基底电极为玻碳电极。本发明还提供了一种基于CdTe QDs信号放大的电化学免疫传感器的人血清中甲胎蛋白的检测方法，所述检测方法灵敏度高、特异性好、具有很宽的线性范围和较低的检测限且成本低廉。

本发明涉及分子细胞生物学技术领域中，一种多能干细胞形成必需蛋白CREPT的在诱导多能干细胞中的应用。本发明所要解决的技术问题是如何制备多能干细胞及不能诱导为多能干细胞的细胞模型。为解决上述技术问题，本发明首先提供了下述X1)或X2)的方法：X1)多能干细胞的制备方法，包括：增加名称为动物细胞1的出发动物细胞中CREPT蛋白质的含量和/或活性，得到重组动物细胞，利用所述重组动物细胞制备多能干细胞；所述动物细胞1非干细胞；X2)不能诱导为多能干细胞的细胞模型的制备方法，包括：降低名称为动物细胞2的出发动物细胞中所述CREPT蛋白质的含量和/或活性，得到不能诱导为多能干细胞的细胞模型；所述动物细胞2非干细胞且表达所述CREPT蛋白质。所述动物细胞1和所述动物细胞2均为离体的动物细胞。利用所述重组动物细胞制备多能干细胞可利用Yamanaka因子进行。Yamanaka因子为Oct4、Sox2、Klf4和c-Myc。

本发明提供了一种稳定性高的蛋白质‑壳聚糖复凝聚交联微胶囊及其制备方法，首先将芯材与蛋白质溶液混合，高速分散形成O/W型乳状液，再加入壳聚糖溶液，调节pH，让蛋白质与壳聚糖通过静电相互作用发生复凝聚反应，形成复凝聚相沉降在芯材乳滴周围而得到微胶囊，离心收集微胶囊，冷冻干燥得到微胶囊粉末再与还原糖混合均匀，此时壳聚糖将蛋白质与还原糖从空间上隔开，加热使壳聚糖分别与蛋白质和还原糖发生美拉德反应引发交联而提高微胶囊的稳定性。本发明简单易行、安全、高效，适于大规模生产；可广泛用于具有良好热稳定性芯材的包埋。本发明对于开发稳定性高的蛋白质‑壳聚糖复凝聚交联微胶囊体系和推进复凝聚微囊化技术在食品工业中的实际应用具有重要意义。

南开大学药物化学生物学国家重点实验室、生命科学学院、药学院教授饶子和院士，南开大学生命科学学院2014届博士毕业生、上海科技大学王权教授，英国伯明翰大学Gurdyal Besra教授，上海科技大学李俊副研究员为论文共同通讯作者。南开大学生命科学学院2019届博士毕业生张璐（排名第一）、上海科技大学博士生赵耀为论文共同第一作者，南开大学药学院赵炜教授是该成果合作者之一，南开大学生命科学学院2016级本科生吴方羽参与文章发表。南开大学细胞应答交叉科学中心为论文通讯单位之一。据介绍，该联合研究团队综合利用冷冻电子显微镜技术和X射线晶体学技术解析了抗结核一线药物乙胺丁醇与靶标蛋白，分枝杆菌膜蛋白糖基转移酶EmbA-EmbB-AcpM2蛋白复合物，及与EmbC2-AcpM2蛋白复合物与乙胺丁醇结合的高分辨率三维结构，首次阐明这个使用了近60年，治愈了无数结核病感染者的一线药物的抑制作用机理，并首次揭示了临床耐药的分子机制。研究结果显示，每个Emb蛋白单体均为含有氨基端15次跨膜螺旋的跨膜区和羧基端可溶区结构域的折叠形式，并且以EmbA-EmbB或EmbC-EmbC组成异源或同源二聚体，并首次报道了每个Emb蛋白均在胞内结合一个酰基载脂蛋白AcpM，最终组成EmbA-EmbB-AcpM2/EmbC2-AcpM2蛋白复合物。据悉，这是世界上第一个解析的源于结核分枝杆菌的膜蛋白三维结构，该研究共解析并向蛋白质数据库（protein data bank, PDB）投递5个蛋白质结构坐标，为全世界范围研发设计新型抗结核抑制剂提供可靠的数据支撑。饶子和院士团队长期致力于抗结核药物重要靶标蛋白质的结构和功能研究以及抗结核新药研发，此项最新研究成果是继2018年饶子和院士南开团队在《科学》杂志发表分枝杆菌呼吸链超级复合物高分辨率结构，2019年上海科技大学团队在《细胞》杂志发表分枝杆菌关键药靶跨膜转运蛋白MmpL3与抑制剂复合物结构后，在抗结核药物研发领域的又一重大科研成果。

本发明公开了一种 SH2B 衔接蛋白 3(SH2B3)在治疗心肌肥厚中的功能及应用。本发明确定了 SH2B3 基因的表达与心肌肥厚之间的相互关系:心肌肥厚发生时 SH2B3 的表达明显上调;SH2B3 基因 缺陷抑制 Akt 信号通路的激活，抑制了心肌肥厚、纤维化，保护心功能;SH2B3 

独自拥有。

成果创新点 首个 CENP-E 马达驱动域结合的有机小分子化合物 Syntelin，对实验性乳腺癌的有较好的治疗作用，可用于 制备抑制肿瘤细胞增殖药物。对实验性乳腺癌的有较好的 治疗作用，可用于制备抑制肿瘤细胞增殖药物。 技术成熟度 关键技术研发阶段 转化计划 转让 所需支持 预计所需资金 5000 万