本项目以嵌入式控制器为核心，结合现代电子测量技术、智能控制技术、 工程流体力学、呼吸力学等多学科知识，研发一款智能呼吸机，主要用来治疗 睡眠呼吸暂停综合症、慢性阻塞性肺病等疾病，同时开发基于 Android 系统的 智能手机数据采集与通信系统，并构建物联网健康信息管理系统和健康信息云 平台，通过云传输实现患者与医生及其医疗机构的双向远程监控与服务。

本发明公开了一种基于MEMS传感器和VLC定位融合的双粒子滤波导航装置和方法，包括MEMS传感器、INS模块、PDR定位模块、VLC定位模块、测姿粒子滤波器和定位粒子滤波器；本发明在测姿滤波器的设计中，三维姿态误差和三轴陀螺仪漂移作为6维的状态向量。基于惯导机械编排的误差方程作为其系统方程，用于更新粒子状态。观测方程包括加速度计观测量更新和磁力计观测量更新，用于计算粒子权重。测姿滤波器输出VLC接收器的姿态给VLC定位模块以校正姿态的影响。在定位滤波器的设计中，二维平面的位置信息作为系统状态向量，基于行人航位推算的误差方程作为系统方程，而VLC的定位结果则作为定位滤波器的观测方程。

本发明公开了一种基于MEMS传感器和VLC定位融合的单粒子滤波导航装置和方法，包括MEMS传感器、INS模块、VLC定位模块、PDR定位模块和测姿定位单粒子滤波器模块；本发明中基于INS惯导机械编排的误差方程作为融合滤波器的系统方程，用于对粒子群的粒子进行更新。观测方程包括VLC定位信息更新、PDR定位信息更新和磁力计观测量更新，用于计算各个粒子的权重。输出姿态信息给VLC定位模块和PDR定位模块。本发明首次在VLC定位领域使用融合测姿准确估计VLC接收器的姿态信息，解决VLC定位容易受接收器姿态影响以及在光信号被遮挡情况下定位不连续的问题，并消除姿态对VLC定位的影响。

3D打印个体化定位导板应用于骨科临床是国际生物医学工程领域的研究热点和前沿，当前的研究难点在于打印定位导板模型的钉道与3D仿真模型钉道是否一致。本项目立足国际前沿，基于羊胫骨CT扫描图像，建立胫骨平台骨折三维模型、钢板及导板三维模型，3D打印实体导板及钢板模型，再将3D打印导板应用到临床骨科科室的术前设计及模拟手术过程，实现以3D打印个体化定位导板辅助胫骨平台后外侧骨折的治疗。首先，通过CT扫描获取羊胫骨DICOM图像，建立胫骨平台后外侧骨折三维模型及钢板模型，模拟修复不同胫骨骨折工况，设计带置钉钉道的导板；然后，打印3D导板模型及钢板实体模型，并将导板分别固定在不同胫骨标本上模拟微创手术，按钉道植入螺钉；再进行CT扫描及实验验证钉道位置长度等是否与初次3D仿真的钉道的参数一致；最后将该3D打印导板技术推广到医院临床骨科科室。本项目可在上海市浦东新区公利医院进行试点应用，实现成果转化，转化成果可推广用于各医院临床骨科科室的术前设计、模拟手术过程、医学教学和科研，架设虚拟手术和真实手术的桥梁，提高骨科手术治愈率，具有良好的经济、社会效益，具有重要的理论研究意义、临床意义、应用价值及广阔的市场前景。

本发明公开了一种两自由度隔振与精密定位的复合主动隔振器， 该隔振器包括基础平台(10)和负载平台(30)，该隔振器还包括隔振单 元，其设置在所述基础平台(10)和负载平台(30)之间，所述隔振单元包括沿第一方向设置的空气弹簧(20)和第一音圈电机(25a)，所述隔振单 元还包括沿第二方向设置的可调刚度片弹簧和第二音圈电机(25b)，该 隔振器还包括定位单元，其设置在所述隔振单元的外侧，所述定位单 元包括沿第一方向设置的比例压力阀(26)，所述定位单元还包括沿第二 方向的第二音圈电机(25b)。本发明

本发明公开了一种室内子区域定位方法，包括：在给定目标区域中设置 N 个信号源，并将目标区域依据物理结构划分成 K 个子区域，终端设备接收到指纹后将其上传到服务器构成指纹集，当服务器接收到的指纹集中指纹的数目达到设定阈值后，则将当前指纹集利用分簇算法划分成 K 个簇，并将这 K 个簇一对一地匹配到 K 个子区域中，再将各指纹簇中所有指纹的均值作为对应子区域的区域指纹用于定位，定位时计算定位指纹和子区域指纹中所有对应信号的差值序列，得到各差值序列的方差，并将具有最小方差的子区域为最终定位结果。本发明能够解决现有指纹定位技术中人工采集指纹信号以构建指纹数据库带来的工作量大和异质设备定位精度差的问题。

南方科技大学化学系副教授何凤课题组在能源领域顶级期刊Joule发表最新研究成果，介绍了团队合成的一种定位三氟甲基取代的高效有机太阳能电池受体材料，该材料可通过H/J聚集的协同作用形成具有更多电子跳跃传输结点的三维网络结构，可极大改善电荷在分子间的传输，大幅提高器件性能。 在该研究中，团队成功地将三氟甲基引入到稠环电子受体中，得到了超窄带隙受体BTIC-CF3–γ，并将其应用于太阳能电子器件中，极大地提高了器件的能量转换效率，充分体现出光谱红移和超窄带隙的优势，在多元体系、半透明器件和叠层器件应用方面展示出非常有潜力的前景。更重要的是，BTIC-CF3–γ的单晶结构有助于研究人员从分子层面理解这类分子的堆积形式以及分子间相互作用，也为进一步设计新的高性能材料提供了有利的依据和指导。

本发明公开了一种基于信息挖掘的智能决策支持构造方法（ IDSSIM ) ，该方法完善并扩充了现有智能决策支持系统的功能，改变了现有智能决策支持系统固有的运行机制，将决策推理机制、 WEB 挖掘和 KDD ＊挖掘和领域专家知识获取有效地融入智能决策支持系统中，从而形成了一类具有“双网”、“五库”、综合集成、多层递阶结构模型的新型智能决策支持系统。此系统在结构和功能上相对现有系统而言是一个开放的、优化的扩体，并对智能决策系统的主流发展起着重要的推动作用，有望形成新一代的智能决策支持系统概型。

本发明公开了一种基于信息挖掘的智能决策支持构造方法（ IDSSIM ) ，该方法完善并扩充了现有智能决策支持系统的功能，改变了现有智能决策支持系统固有的运行机制，将决策推理机制、 WEB 挖掘和 KDD ＊挖掘和领域专家知识获取有效地融入智能决策支持系统中，从而形成了一类具有“双网”、“五库”、综合集成、多层递阶结构模型的新型智能决策支持系统。此系统在结构和功能上相对现有系统而言是一个开放的、优化的扩体，并对智能决策系统的主流发展起着重要的推动作用，有望形成新一代的智能决策支持系统概型。

数据采集技术 可穿戴传感器是接触式传感器。加速度传感器测量运动加速度，心率、血压和血氧传感器检测心率、血压等生理数据。可将不同的传感器集成在智能手环、脚环、腰带等可穿戴设备中，以实现加速度、角速度和生理等数据的采集；物体和环境传感器是非接触式传感器，常见的物体传感器基于RFID技术，通常用于身份、物流等信息的识别。常见的环境传感器有声音传感器、磁力计、气压传感器、温湿度传感器和PM 2.5传感器等，实现各种环境信息的采集。 多模态传输技术 LPWAN (Low-Power Wide-Area Network，低功率广域网络) 在LPWAN技术出现以前，通信技术已经有多种类别，短距离的有wifi、蓝牙、zigbee等，长距离的则有2G、3G、4G、5G等，但是如果把这些无线通信技术按照功耗与传输距离这两个维度划分的话可以发现在功耗低、距离远这个范围的技术还欠缺，而LPWAN技术的出现正好弥补了这个短板。         LPWAN可分为两类：一类是工作于未授权频谱的LoRa、SigFox等技术；另一类是工作于授权频谱的基于蜂窝组网的通信技术，比如eMTC、LTE Cat-1、NB-IoT等。LPWAN 专为低带宽、低功耗、远距离、大量连接的物联网应用而设计。 最具前景的LPWAN技术——NB-IoT和LoRa： 物联网（IoT）应用需要考虑诸多因素，例如节点成本、网络成本、电池寿命、数据传输速率(吞吐率)、延迟、移动性、网络覆盖范围以及部署类型等，可以说没有一种技术可以满足IoT所有的需求。NB-IoT和LoRa两种技术具有不同的技术和商业特性，也是最有发展前景的两个低功耗广域网通信技术。这两种LPWAN技术都有覆盖广、连接多、速率低、成本低、功耗小等特点，都适合低功耗物联网应用。 LoRa （Long  Range）:     一个LoRaWAN网络架构中包含了终端、基站、NS(网络服务器)、应用服务器这四个部分。基站和终端之间采用星型网络拓扑，由于LoRa的长距离特性，它们之间得以使用单跳传输，终端节点可以同时发送信息给多个基站。基站则对NS和终端之间的LoRaWAN协议数据做转发处理，将LoRaWAN数据分别承载在了LoRa射频传输和TCP/IP上。 NB-IoT（Narrow Band Internet of Things） NB-IoT构建基于蜂窝网络，只消耗大约180KHz的带宽，可直接部署于GSM网络、UMTS网络或LTE网络。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。 NB-IoT具备四大特点：一是广覆盖，将提供改进的室内覆盖，在同样的频段下，NB-IoT比现有的LTE网络增益提升20dB，覆盖面积扩大100倍；二是具备支撑海量连接的能力，NB-IoT一个扇区能够支持10万个连接，支持低延时敏感度、超低的设备成本、低设备功耗和优化的网络架构；三是更低功耗，NB-IoT终端模块的待机时间可长达10年；四是更低的模块成本，企业预期的单个接连模块不超过5美元。 数据分析技术 人工智能研究的各个分支，包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。2012年以后，得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现，人工智能开始大爆发。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。深度学习本来并不是一种独立的学习方法，但由于近几年该领域发展迅猛，一些其特有的学习手段相继被提出（如残差网络），因此越来越多的人将其单独看作一种学习的方法。深度学习的各种算法已成为行为识别主要应用的技术，传感器采集的各类信号，通过卷积神经网络、循环神经网络等分类，识别出坐、走、跑、跳、上下楼等日常行为，也可以实现对被监护者摔倒等异常行为的检测。