产品详细介绍通用信号数据处理与分析ErgoLAB生理测试云平台，除针对EMG、EDA、HRV、RESP信号的专业处理与分析软件之外，还提供了General基础通用信号分析软件，如生物力学信号、环境信号、皮温SKT、眼电等，该分析模块默认为一般化的处理方式，可满足基本的信号处理与分析统计。其他信号如生物力学信号、环境信号、其他生理信号、眼电信号等可在 General 一般性分析模块中进行处理与分析。该模块可以结合人机环境同步平台和生理记录系统采集到的所有生物信号进行离线处理和分析。可对信号进行自由选择、放大、缩小，便于查看数据，在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现；可导出ASCII格式的原始数据、处理后数据和分析后数据；并可导出分析报告单。技术要求：  1、信号处理模块包括基础滤波，包括高通滤波（High Pass）、低通滤波（Low Pass）和带阻滤波（Band Stop）；滑动滤波（Smooth），包括滑动均值滤波Moving Average、高斯滤波Guass和Hann窗；Scale变换，包括线性变换（Liner Transform）、指数变换（Power Transform）和绝对变换（Absolute Transform）3种，以及数据降采样（Resample）。手动信号校正方法包括线性插值（Linear interpolation）、样条差值（Spline interpolation）以及通过复制信号区域进行插值。2、信号分析模块信号分析包括时域分析和频域分析，且可时域分析、频域分析自由切换。A.时域分析是将生物信号看作时间的函数，通过分析得到生物信号随时间变化的统计特征。其统计分析指标包括：包括最大值（Max）、最小值（Min）、均值（Mean）、标准差（STD）、最大最小值差（Range）、方差（Variance）。B.频域分析是运用参数模型法和直接傅里叶变化（FFT）将时域分析信号转换为频域分析信号，对信号进行功率谱密度分析，从功率谱密度中确定生物信号的频带。具体包括中值频率（Median Frequency）与均值频率（Mean Frequency）。3、可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、PSD数据以及整体结果报告。

产品详细介绍肌电信号分析肌电信号(Electromyogram)简称EMG，反映神经肌肉兴奋性，评估神经与肌肉的功能状态。可用于肌肉工作的工效学分析、安全操作姿态分析、康复状态功能评价、疲劳识别以及肌电假肢控制等动作模式研究等。ErgoLAB肌电分析软件自动对原始数据进行滤波降噪处理，根据MVC进行数据归一化与统计分析。时域分析包括原始数据、处理数据、归一化数据的Mean、Max、Min、SD、Variance、RMS、Mean Absolute Value、iEMG等指标；频域分析的中值频率、均值频率、可视化频谱图，系统支持自动识别周期性动态用力分析。EMG高级数据处理分析模块可以结合人机环境同步平台和生理记录系统采集到与EMG指标相关的生理信号进行离线处理和分析。可对信号进行自由选择、放大、缩小，便于浏览数据；在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现与分析；可导出ASCII格式的原始数据、处理后数据和分析后数据；并可导出可视化分析报告。技术要求1、信号处理模块信号滤波方法包括小波降噪（Wavelet Filter）、高通滤波(High Pass)、低通滤波(Low Pass)、带阻滤波（Band Stop）用以滤除噪音干扰，从而得到有用的EMG信号。肌电整流(Rectification)，包括三种方法EMG包络线（Envelope）、滑动均值滤波（Moving Average）、滑动均方根滤波（Moving RMS），可自定义分析窗口长度。EMG信号归一化处理：自定义MVC（Maximum Voluntary Contraction），计算Normalization EMG数据。Cycle Analysis周期性分析。系统对周期性用力的肌电数据进行自动化的识别与统计分析。自定义激活阈值（Activation threshold(%)）、用力的最小持续时间（Minimum duration(ms)）、动态用力的最小时间间隔（Minimum interval(ms)）参数，进行自动处理。手动信号校正方法包括线性插值（Linear interpolation）、样条差值（Spline interpolation）以及通过复制信号区域进行插值。2、信号分析模块信号分析模块包括时域分析和频域分析以及周期用力分析，二者可实现自由切换。A.   时域分析将肌电信号看作时间的函数，通过分析得到肌电信号的某些统计特征。统计分析指标包括：处理数据、整流数据、归一化数据的均值（Mean）、中值（Median）、标准差（STD）、最大值/最小值（Max/Min）、方差（Variance）、均方根（RMS）、平均绝对值（Mean Absolute Value）、积分肌电（iEMG）。B.   频域分析运用参数模型法和直接快速傅里叶变化将时域分析信号转换为频域分析信号，对信号进行功率谱密度分析。从功率谱密度中确定肌电信号的频带，不同频带可自定义，将在功率谱分析图中以不同的颜色区分。具体包括中值频率、均值频率及频谱图。C. 周期用力分析，自动识别周期性用力片段，具体的指标包括：周期的开始时间（Start Time）、周期的结束时间（End Time）、均方根（RMS）、平均绝对值（Mean Absolute Value）、积分肌电值（iEMG）、中值频率（Median Frequency）、均值频率（Mean Frequency）。3、可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、归一化数据（Normalized）、PSD数据以及整体结果报告。

产品详细介绍EEG高级数据处理分析模块可以通过可穿戴脑电测量系统采集到与EEG分析相关的脑电信号进行离线处理和分析，结合ErgoLAB人机环境测试云平台可以分析多模态数据同步分析。可对信号进行自由选择、放大、缩小，便于浏览数据；在整体呈现数据的基础上，还可以根据片段、事件、场景三种分割方式进行数据呈现与分析；可导出原始数据、处理后数据和分析后数据；并可导出可视化分析报告。1、信号处理模块EEG信号处理包括High Pass高通滤波（High Pass）；低通滤波（Low Pass）；以及带阻滤波（Band Stop）。支持自定义设置参数。2、信号分析模块（1）脑地形图分析（Scalp Map）：包括EEG信号不同频段下的平均能量值（Average Power ）与总能量值（Total Power ）的实时可视化结果显示。包含的数据指标如下：Delta(1-4Hz)   δ波，实时显示1-3Hz频段的脑电波Theta(4-8Hz)   θ波，实时显示4-7Hz频段的脑电波Alpha(9-14Hz) α波，实时显示9-13Hz频段的脑电波Beta(14-30Hz) β波，实时显示14-29Hz频段的脑电波Gamma(30-49Hz) γ波，实时显示30-48Hz频段的脑电波Custom    自定义频段，用户可根据研究需要输入特定的整数波段（2）EEG通道分析1)Channel Analysis：通道分析，可针对脑电采集的单通道或全通道的数据进行数据分析。2)Time-Frequency Spectrum：时-频图，展示所选通道在整个实验过程中每个时刻的脑电频率变化，可以通过调整参数区间阈值，改变不同频率对应的颜色。3)Power Spectrum：能量谱图，该图展示了不同频率脑波的能量值。4)数据统计：具体指标包括α、β、γ、θ、δ频段的 Total Power、Power Percent、Average Power、Power Peak、α/β、θ/β、(α+θ)/β、(α+θ)/(α+β)以及θ/(α+β)、SMR频段的Power值。5)可视化Chart与导出数据模块：包括原始数据Raw Data、处理数据Processed、PSD数据以及整体结果报告。

热重分析法（TG、TGA）是在升温、恒温或降温过程中，观察样品的质量随温度或时间的变化，目的是研究材料的热稳定性和组份。广泛应用于塑料、橡胶、涂料、药品、催化剂、无机材料、金属材料与复合材料等各领域的研究开发、工艺优化与质量监控。

同步热分析将热重分析 TG 与差热分析 DTA 或差示扫描量热 DSC 结合为一体，在同一次测量中利用同一样品可同步得到热重与差热信息。

针对智慧城市、移动设备、工控系统等多个领域的CPS 多源异构时空大数据，提出了多种时序模式挖掘算法和时空 模型构建方法，并应用在轨迹预测、交通流预测、空气质量 预测、用户画像、活动识别、异常行为检测、网络攻击检测 等多个任务中，并为“人机物”融合的数据驱动模型提供理 论与技术基础。

开放化、高速化和高精度化都是现代信息技术的发展趋势和研究热点。数据采集系统是通信技术和数控技术领域的重要功能模块，应用领域十分广泛。 本数据采集平台的中央控制芯片选用美国TI公司的DSP (Digital Signal Processor，数字信号处理芯片)TMS320C5402。DSP具有高速、高精度的运算能力，强大、方便的数据通信能力，灵活、可靠的编程与信号处理能力。设计选用昀A/D转换芯片是AD公司推出AD976A，其转换精度是16位，转换速率最高可达200k/s。系统的核心采用DSP控制AD976A实现高速数据采集的功能。

系统重点解决舆情数据分析中可视化舆情数据采集、存储和分析方法问题。系统提供可视化舆情数据采集方法，解决了用户定义数据采集模板易用性问题。系统采用主流的hadoop系统作为存储系统，解决了系统可用性问题。系统实现了多种舆情数据分析算法，实现了舆情报告辅助生成功能，能够有效的协助舆情分析人员工作。系统数据采集吞吐量、数据存储、计算能力均具有良好的扩展性。

该项目利用国家卫健委公布的确诊病例总数数据链，以应用传播动力学为方法，以黄森忠教授建构的普适SEIR模型作为模型理论，通过“南开大学智英健康数据研究中心”开发的程序EpiSIX，分析新冠病毒肺炎疫情有关数据，并将分析结果生成可视化网页，开展疫情发展回顾、确诊病例数时序区间预测等相关工作，对疫情发展情况及疫情防控效率作出研判。 研究团队由黄森忠教授和山西大学复杂系统研究所所长靳祯教授、南京医科大学公共卫生学院彭志行副教授共同领衔，南开大学统计与数据科学学院多名年轻教师与研究生加入。研究团队从1月30日至2月14日，每3日发布一次预测，已连续发布疫情传播预测6期，并根据疫情变化，及时调整预测评价指标，其预测区域也进一步细化，由原来的对全国、湖北省、武汉市的疫情预测，拓展为对全国各省市的预测。

近日，中国科学技术大学管理学院在时空面板数据模型的研究中取得重要进展，突破经典的广义极大似然估计和广义矩估计理论框架，提出了基于空间权重矩阵特征分解的估计和模型选择方法。相关论文在学术期刊《美国科学院院报》上发表。现在很多大数据（环境，疫情，犯罪，物流，区域经济等）呈现出时间和空间的复杂相依关系，由于时空的交互影响提高了对应的时空模型的估计难度。有别于已有的复杂估计方法，文章改变传统的估计思路，充分利用时空数据的空间结构特征，采用空间权重矩阵的特征分解，极大的简化了估计方法，提高了估计精度和运算速度，并提出了相应的模型选择方法。理论部分模型的示意图如下图所示：文章以 2008 年 1 月到 2013 年 12 月（72 个月） 138 个美国匹兹堡行政地区的犯罪数据为例做了示范。在这个例子中，犯罪数据重罪（Part I）和轻罪(Par II)在138个行政区的平均犯罪个数分布如下图：文章还选取了 15 个区域社会经济变量作为解释变量，包括区域总人口、收入、失业率、贫苦率、非裔比例、教育水平等。模型的拟合程度指标R平方（接近1时，拟合程度高）达到 0.98，表明选择的模型非常好的拟合了数据。数据分析结果可以用于以轻罪发生率预测重罪发生率，解释犯罪学的“破窗理论”，分析重罪发生率和总人口、收入和贫困等的量化关系。论文链接：https://doi.org/10.1073/pnas.1917411117详细阅读：http://news.ustc.edu.cn/2020/0318/c15884a414854/page.htm