西南大学气相色谱三重四极杆质谱联用仪竞争性磋商

哈尔滨工程大学入水试验装置配气系统等设备采购项目竞争性磋商

使用自旋泵浦技术将自旋流从坡莫合金（Py）磁性电极穿过厚达40uc的LAO绝缘层注入到二维电子气中，并进行逆Edelstein效应的测量。工作系统地测量了逆Edelstein效应随频率、功率、温度和LAO厚度的变化关系，从各个方面证实了所观察到的信号。实验在室温下展现了门电压对自旋信号的调控作用。

揭示了呼吸道上皮NLRP3炎症小体可介导鼻病毒引起的上皮细胞IL-1b的释放、细胞焦亡和粘液产生，以上细胞免疫反应和功能的改变是鼻病毒诱导气道黏膜重塑的重要机制。该研究利用人原代鼻上皮细胞3D培养模型模拟呼吸道上皮的功能和特性，确定鼻病毒所诱导的细胞免疫和功能改变依赖于DDX33/DDX58–NLRP3–caspase-1–GSDMD 信号轴；进一步研究发现鼻病毒感染的患者鼻黏膜上皮更容易出现杯状细胞增生的病理改变，且粘液增多的上皮中NLRP3和IL-1b表达水平较正常上皮或单纯基细胞增生的上皮有显著升高。       该研究揭示了NLRP3炎症小体在鼻病毒引起的呼吸道上皮细胞免疫和功能改变中的关键作用，证明了呼吸道上皮炎症小体在调控黏膜（宿主）- 病原体相互作用的新机制，为NLRP3炎症小体作为控制气道慢性炎症的干预靶点提供了理论基础和转化意义。

一种微曝气循环一体化污水生物生态处理系统及方法,生活污水先由调节池均质均量,后送至表面布水式生物滤池,进行酸化水解降低部分有机物,然后自流进入循环生物强化接触池进行好氧生化处理去除绝大部分有机物,硝化反硝化脱氮,污泥好氧吸磷等生化作用,出水自流至斜板沉淀池进行固液分离后,上清液自流至竖向流湿地,废水中磷污染物进一步被滤池中富铁矿材料吸附去除,出水流至清水池排放或回用.本系统将表面布水式生物滤池,循环生物强化接触池,人工湿地进行一体化集成设计,各反应单元空间布局紧凑,占地面积小;工艺使用的设备少,废水主要靠重力流和推流,自动化强,运行管理简便;污泥回流量小,脱氮除磷处理效果好,尤其是磷去除率高.

本发明公开了一种金属化膜电容器保护装置和方法，干式金属 化膜电容器内部不灌封或采用灌封的干式结构，电容器顶部存在一定 高度的空隙。热传导型氢气传感器及其检测电路构成的气敏保护装置 安装于电容器顶部。当电容器内部元件出现击穿故障时，元件内部会 产生大量气体并逸出，该气体会最终汇聚到电容器顶部的空隙中。元 件产气中，经检测氢气体积约占 85％，因此，该产气会导致电容器顶 部空隙中氢气浓度的变化，从而导致检测电路输出信号的变化，实现 金属化膜电容器内部故障的检测。检测到故障信号后，可从外部切断 电容器电源

本发明属于上气道阻塞手术领域，具体的说是一种基于计算流体力学模拟上气道阻塞手术方案的方法，排查确诊患者上气道解剖异常，涉及多部位病症；首先使用CT扫描图像经处理构建原始三维模型；接着划分三维网格和使用计算流体力学软件进行气流模拟，通过模拟结果判断气流受阻部位与程度以确定手术针对的部位；然后针对该部位用数字模拟雕刻获得术后模型；最后在术后模型重复模拟气流场，通过对比气流场数值选出理想方案，本发明通过模拟手术前后的气流场使医师精准确定手术针对的部位、模拟不同手术方案、提高手术的个体化、精细化；使患者症状得到最理想的改善，并降低术后并发症发生的风险。

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

KJ110-J2型井下用传输接口是KJ110N型矿井安全生产监控系统重要的数据通讯设备。主要用于与井下分站之间、与地面KJ110-J1地面用传输接口之间的数据和控制指令的传输。 该接口与地面通讯接口采用单模光纤通讯，数据通讯速率可达57600bit/s，设计有64KB高速数据缓冲区，设计有320×240点阵液晶显示器，实时显示系统通讯状态和通讯线路故障诊断。主机通讯指示灯实时指示与地面通讯接口光纤数据通讯状态，从机通讯12个指示灯分别指示6个支路对应井下分站的数据传输状态，主从卡通讯指示灯指示主卡与6个从卡之间的通讯状态；