XM-S4-1高级全功能动脉与静脉穿刺手臂模型   XM-S4-1高级全功能动脉与静脉穿刺手臂模型的皮肤采用高分子材料、血管采用乳胶材料、手臂骨采用发泡材料制成，肤质仿真度高，皮肤纹理清晰，设有手臂肘前区和手背部的静脉血管网，由静脉输液手臂与电子血液循环装置组成，具有真实的血流动力学所产生的血液循环功能。 一、功能特点： ■ XM-S4-1高级动静脉穿刺手臂模型模拟一成人右手臂，内有动静脉，采用高分子材料制成，肤质仿真度高。 ■ 上肢可旋转180度，可模仿真人手臂能转动，便于穿刺练习。 ■ 可进行手臂桡动脉与尺动脉血管穿刺。 ■ 可选择不同类型的穿刺针进行训练，进针有明显的落空感，正确穿刺有回血产生。 ■ 由气囊连续打气模拟动脉搏动。 ■ 电子血液循环装置可演示血液循环功能。 ■ 肌内注射部位：三角肌。 ■ 皮下注射部位：三角肌下缘。 ■ 可反复进行练习。 ■ 皮肤和动脉血管可更换。 二、标准配置： ■ 动脉穿刺手臂模型：1条 ■ 血液循环模拟装：1个 ■ 电源适配器：1个 ■ 说明书：1册 ■ 保修卡合格证：1张

XM-162椎骨功能变化示教模型（人体椎骨总汇模型）   XM-162人体椎骨总汇模型（椎骨功能变化示教模型）由26部件组成，显示游离的脊柱骨的形态和外观，包含颈椎7块、胸椎12块、腰椎5块、骶骨1块、尾骨1块。 尺寸：自然大 材质：PVC材料

XM-FT333全功能三岁儿童护理模型   XM-FT333全功能三岁儿童护理人模型是根据三岁儿童解剖特征设计，采用高分子材料制成，皮肤柔软有弹性、关节灵活，可进行男/女性儿童胸腹壁皮肤更换与各种护理操作训练。   一、功能特点： ■ 瞳孔观察示教：一侧瞳孔散大，一侧瞳孔正常直观对比。 ■ 气管切开护理、指血采集、TB试验。 ■ 气道管理技术：逼真的口、鼻、舌、牙龈、咽、喉、食道、会厌、气管、气管环，可以练习经口气管插管、吸痰、吸氧。 ■ 可进行口鼻饲术操作训练。 ■ 可进行洗胃术操作训练。 ■ 手臂静脉穿刺、注射、输液、输血训练。 ■ 肌肉注射练习，包括双侧三角肌、双侧股外侧肌。 ■ 骨髓穿刺训练：可经胫骨穿刺，有模拟骨髓流出，可注入模拟药物。 ■ 导尿和灌肠：可更换男/女生殖器，可进行男/女导尿术操作，操作成功后可导出模拟尿液。 ■ 回肠、直肠、膀胱造瘘口护理。 ■ 男性儿童下腹壁皮下注射。 ■ 女性儿童右下腹壁创伤护理块（切开伤口、缝合伤口和感染伤口共3块）。 ■ 检查肱动脉反映：手捏压力皮球，模拟肱动脉搏动。 ■ 四肢关节左右弯曲、旋转、上下活动。 ■ 一般护理：皮肤护理、穿换衣服、口腔护理、耳道清洗、包扎训练、更换尿布、冷热疗法等。   二、标准配置： ■ 高级全功能三岁儿童护理模型：1台 ■ 护理用物：1套 ■ 说明书：1册 ■ 保修卡合格证：1张

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

近日，傅正义院士团队平航副研究员在材料过程仿生制备新技术研究方面取得创新性进展，成果以“Mineralization Generates Megapascal Contractile Stresses in Collagen Fibrils”为题，发表在国际顶级期刊《Science》（科学）上。