太阳城集团亚洲娱乐城-澳门太阳城集团娱乐城最新地址_百家乐电影网_全讯网xb112 (中国)·官方网站

本發明公開了一種基于開槽結構的四分之一模基片集成波導濾波器，包括四分之一模基片集成波導弧形腔，四分之一模基片集成波導弧形腔通過基片集成波導圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一模基片集成波導弧形腔包括介質基片，介質基片的上表面設有上金屬層，介質基片的下表面設有下金屬層，介質基片中沿四分之一模基片集成波導弧形腔的周向均勻分布有貫穿上金屬層和下金屬層的金屬通孔。本發明相對于傳統的基片集成波導圓形腔有效實現了小型化。并且，相對于傳統的多層結構，本發明結構簡單，加工方便。此外，相對于傳統的微帶結構，本發明的濾波器品質因數高，損耗小。

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程機械機電液一體化系統的動態性能匹配方法與分析軟件（以下簡稱為軟件）， 能夠根據用戶對工程機械整機動力配件的選型，自動組成整機系統模型，并預測工程機 械整機運行時的性能以及各配件的功率輸出和發熱情況。該軟件可應用于工程機械產品 開發的各個階段如參數選型，性能匹配、故障診斷、實驗輔助等，并已成功應用于山推 工程機械股份有限公司的新產品開發中。 技術特點： (1) 機電液熱融合建模，理論定位高級。軟件以預制的機電液零部件模塊模型為基 礎，可快速地、精細化地實現極端工況條件下機電液融合模型。 (2) 一體化的系統分析，問題覆蓋面廣。軟件綜合多種軟件資源，對特定工程機械 機型的核心動力系統，可實現任意節點輸出的、圖解化的、基于機械系統實驗結 果的系統分析。 (3) 機型軟件快速開發，面向用戶需求。軟件可針對牽引底盤和非牽引底盤，快速 開發出面向特定工程機械機型的機電液一體化性能分析軟件。 (4) 功能契合實際需要，適用范圍廣泛。適用于工程機械各個技術階段的參數選型、 性能匹配、故障診斷、以及實驗輔助。

項目獲國家“863”計劃資助。由上海交通大學附屬胸科醫院牽頭，與中國科學院自動化研究所，燕山大學、中國人民解放軍海軍總醫院、北京航空航天大學、北京理工大學和北京集翔多維信息技術有限公司共同完成。 心腦血管疾病是人類的第一殺手，目前的人工手術治療存在諸多弊端，手術機器人的研究已逐步展開。本課題基于HAM(Human Adaptive Mechatronics)的概念，從人的因素、人機一體化設計、智能控制三個方面對微創血管介入手術機器人進行研究。研究內容包括定位機器人、介入裝置、介入操作裝置。建立我國微創血管介入手術機器人示范系統，為手術機器人的推廣應用奠定基礎。 技術參數： 定位機械臂：5自由度；運動部分重20kg；承重6kg； 介入裝置：2自由度；重量小于4kg；軸向進給誤差小于1%；定位精度1mm；軸向轉動圈數任意； 介入操作裝置：2自由度；重量小于4kg。 技術創新性： 定位機器人采用單報閘鎖死多個關節的被動操作方式，符合手術現場需要； 介入裝置能夠檢測導管/導絲與血管壁之間的阻力，具有獨創性； 介入裝置能夠完成導管、導絲、球囊、支架的遞送，是介入裝置研究的一個突破； 介入操作裝置能夠根據導管介入裝置檢測到的導管/導絲與血管壁之間的阻力產生力反饋，操作醫生具有力場感覺。

微納米氣泡具有尺寸小，比表面積巨大，在水中停留時間長，表面帶有負電荷等特征，微納米氣泡的界面性質使得其可以高效吸附并去除水中雜質，尤其是固體界面上的油類污染物。基于微納米氣泡的清洗技術清洗效果優異，且不使用傳統的化學藥劑，可以大大降低運行費用，是一項革命性的綠色清洗技術，可應用于半導體和液晶面板清洗、蔬菜殘留農藥清洗、空間殺菌消毒、皮膚清潔等領域。

一、項目簡介可針對不同環境，完成震動能、壓電能、摩擦電能、光電能、熱能、化學能、風能、電磁能、射頻信號能等能量的收集、存儲，并根據需要為片上或片外低功耗傳感器提供穩定且低噪的輸出能量供給。此外，針對不同的傳感器結構和類型進一步提供豐富的接口電路，用來讀取傳感器所產生的感應信號。配合低功耗收發機模塊，可實現完整的無線傳感節點功能。二、特點12345678.電源管理部分靜態電流可低至 65nA；.整個 ASIC 功耗（包含溫度傳感）不足 1μW；.具有最大功率點追蹤；.匹配最小 16kΩ的厘米級以下壓電片.具有能量收集、存儲和調整輸出功能；.提供超低噪聲電源供給（10nA-100μA）片上/片外傳感器；.存儲的能量支持 ZigBee、Bluetooth 等低功耗協議間歇數據傳輸；.構建平均功耗小于 5μW 的無線傳感節點。三、市場情況本項目能以超低功耗實現完整無線傳感節點，在 IoT、環境監測等領域有良好的應用前景和社會經濟效益。四、技術成熟度此技術成熟，即將獲得專利授權，尋求與企業合作。-- 28 --西安交通大學國家技術轉移中心五、合作方式聯合研發 技術入股 □轉讓授權（許可） 面議

本項技術融合3D打印、半固態快鍛、柔性機器人3項重大技術，將金屬增材-等材-減材合三為一，實現3D打印鍛態等軸細晶化、高均勻致密度、高強韌、形狀復雜的金屬鍛件，全面提高金屬制件強度、韌性、疲勞壽命及可靠性，解決鍛件增材制造世界性難題。

本發明涉及環境敏感型的高分子材料領域，旨在提供一種pH和溫度雙重敏感的離子微水凝膠的制備方法。該方法是將N-烷基丙烯酰胺類單體、含叔胺基團的雙鍵化合物和引發劑在無水溶劑1,4－二氧六環或四氫呋喃中，無氧條件下進行自由基共聚反應；采用乙醚或石油醚為沉淀劑提取二元共聚物，經離心分離后真空干燥至恒重；將所得二元共聚物配制成水溶液，加入多鹵代烷烴化合物，在40-70°C恒溫攪拌；純化后加入有機陽離子鹽類化合物，室溫下恒溫攪拌即得pH和溫度雙重敏感的離子微水凝膠。該制備方法簡單易控，得到的微水凝膠具有pH和溫度雙重敏感性，引入了聚離子液體的優良特性，純度高、穩定性好，溶脹率大，適合在藥物可控緩釋和傳感器等領域的應用。

高校科技成果盡在科轉云

本技術成果屬于化學分析測試儀器領域，涉及到分子印跡固相微萃取涂層的制備方法。步驟如下：石 英纖維的堿洗、酸洗、活化、硅烷化處理；模板分子與功能單體置于溶劑中自組裝；加入交聯劑及引發 劑，插入硅烷化石英纖維，熱引發聚合；取出纖維，老化；重復以上涂漬步驟至涂層厚度達到要求；洗脫 除去模板分子。與商品化涂層相比，用本方法制備的樸草凈分子印跡固相微萃取涂層對三嗪類除草劑具有 良好的分子識別性能，涂層均勻致密，為疏松多孔結構，長時間使用后無斷裂、脫落現象，厚度可通過涂 漬次數進行控制，重復性好。萃取頭可與液相色譜聯用。