本发明提出一种3‑苯磺酰类香豆素类化合物的合成方法，属于有机合成领域，能够直接利用香豆素类化合物与苯亚磺酸钠类化合物为原料合成3‑苯磺酰类香豆素类化合物。该技术方案包括向反应瓶中分别加入香豆素类化合物和苯亚磺酸钠类化合物，在碘和二甲基亚砜作用下，于55℃‑70℃温度下反应8‑10小时；待反应结束后，进行色谱分离，得到3‑苯磺酰类香豆素类化合物。本发明能够应用于3‑苯磺酰类香豆素类化合物的合成中，该

本发明涉及12种酰胺基羟甲基香豆素化合物及其制备方法，以及在杀螨方面的应用。12种化合物可通过4‑甲基‑7‑羟基‑6‑氨基‑香豆素或4‑甲基‑7‑羟基‑8‑氨基‑香豆素与不同酰氯缩合制备，这些化合物可作为杀螨剂防治农作物上的害螨。

研发阶段/n本成果针对牛奶中青霉素类药物残留问题，建立了检测牛奶中青霉素类残留的微生物学快速筛选方法，各项技术指标符合国家有关要求。在上述方法的基础上研制出的微生物学快速检测试剂盒，经稳定性、交叉反应和动物残留等试验研究，该试剂盒的灵敏度、假阳性率等性能指标与国外同类先进产品一致；与仪器分析法-高效液相色谱法(HPLC)具有良好的相关性。经多家单位复核和应用，该试剂盒的灵敏度、特异性和假阳性率等指标能满足青霉素类药物残留的检测要求。该成果总体达到国际先进水平。应用前景：本成果操作简便实用，重现性好，

慢性和严重疼痛的控制一直是人们亟待解决的医学难题。目前已有多种药剂用于治疗多样化的病理状态，这其中包括阿片、非甾醇类抗炎药、抗惊厥药、抗抑郁药、克他命等（Drugs 2007, 2121: 2133）。但是，这些药物的副作用限制了它们的临床用药剂量和降低了其治疗效果。除了进一步研究慢性疼痛的病理机制和鉴定药物本身的镇痛机制外，临床上更需要的是有效地、无毒的和没有中枢副作用的治疗慢性痛的新药物

研发工程师，也可以接受应届本科生（机械类、汽车设计类专业）

主要成果和创新点及应用情况如下：理论计算和试验分析确定了华能南京电厂320MW机组、哈尔滨第三发电厂600MW机组异常振动的主要轴系标高分布和载荷分配不合理，在国内首次从工程上证实了可倾瓦存在失稳的新理论，并通过标高调整等治理措施，彻底消除了这两台机组低频振动故障；改进了传统轴承载荷计算方法，首次提出了轴承载荷对任意轴承标高变化的灵敏度分析方法，并直接应用于现场机组的故障诊断和检修治理.

我国现在运行的压水堆核电厂发电效率约为 33％，核燃料放出热量的 2/3被作为废热排入海中，造成热污染；较先进的火力电厂的发电效率也仅 40％左右。而水作为人类最宝贵的不可替代的自然资源，水短缺问题正日益影响着全球的生态环境和社会、经济发展。海水淡化技术是解决水资源紧缺问题的一条有效 途径，世界各国也越来越重视这种新技术。低温多效蒸发海水淡化（LT-MED）技术预处理简单，工作温度低，传热效率高，系统操作弹性大，并可有效地利用锅炉等余热或其它低位热能，电厂实现水电联产，成为海水淡化的主流技术之一。 针对日产万吨级 LT-MED 设备国产化，开展了相关基础研究，对 LT-MED 蒸发器的水平管结构、材料及布置形式，在低温低压、管内外均发生相变条件下进行了传热和流动的试验研究，获得了水平管降膜蒸发的基础数据，并确定了管外海水喷淋参数和管内蒸汽参数对传热特性及管内流动阻力特性的影响，得到了传热准则关联式和阻力计算关联式；建立了低温多效海水淡化装置单效蒸发器的热力计算模型，运用实验关联式，考虑了海水喷淋密度、温度、盐度，以及管内蒸汽流量、压力对传热系数的影响，也考虑了水和海水的物性随温度或盐度的变化。研发的计算程序可获得蒸发器内部流动与传热各参数的分布，结果与黄骅电厂工程实际符合良好。还研发了 TVC-MED 热力计算，该程序可用于蒸发器和 MED 系统的结构设计和运行参数优化，具有重要的实用价值和学术价值。为我国自行设计、开发高效水平管降膜蒸发器奠定了理论和实验基础。 

具有新颖的结构，可上调脂代谢相关蛋白ABCA1，是PDE5的强效抑制剂，具有开发成为抗心血管疾病如 本技术成果是以人类NF-κB DNA结合位点为药物设计靶点，通过计算机辅助药物筛选获得一系列 肺动脉高压，以及男性性功能障碍的治疗药物的潜力。 可能具有人类NF-κB抑制活性的化合物。在细胞水平对筛选获得的化合物进行抗HBV复制抑制实验， 发现其中一类高治疗指数的新型呋喃香豆素类化合物可以有效抑制HBV DNA复制，减少HBV表面抗原 （HBsAg）、HBV e抗原（HBeAg）分泌。此类呋喃香豆素类化合物可用于治疗HBV感染引起的肝炎，有 望进一步开发为一种抗乙型肝炎病毒（HBV）药物。FDA批准上市的5个抗HBV NAs药物，均已出现耐药病 毒株，且出现交叉耐药现象。

本成果以专利形式体现（专利号 200910248615.5 ），桦褐孔菌的代谢产物紫杉醇具有抗癌功效，本专利所提出的的提取三萜类物质方法，更好的简化了提取步骤和工艺，有利于实现该物质的提取，在生物医药行业将有广泛应用。

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