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

面向工程机械机电液一体化系统的动态性能匹配方法与分析软件（以下简称为软件）， 能够根据用户对工程机械整机动力配件的选型，自动组成整机系统模型，并预测工程机 械整机运行时的性能以及各配件的功率输出和发热情况。该软件可应用于工程机械产品 开发的各个阶段如参数选型，性能匹配、故障诊断、实验辅助等，并已成功应用于山推 工程机械股份有限公司的新产品开发中。 技术特点： (1) 机电液热融合建模，理论定位高级。软件以预制的机电液零部件模块模型为基 础，可快速地、精细化地实现极端工况条件下机电液融合模型。 (2) 一体化的系统分析，问题覆盖面广。软件综合多种软件资源，对特定工程机械 机型的核心动力系统，可实现任意节点输出的、图解化的、基于机械系统实验结 果的系统分析。 (3) 机型软件快速开发，面向用户需求。软件可针对牵引底盘和非牵引底盘，快速 开发出面向特定工程机械机型的机电液一体化性能分析软件。 (4) 功能契合实际需要，适用范围广泛。适用于工程机械各个技术阶段的参数选型、 性能匹配、故障诊断、以及实验辅助。

本发明提供的一种基于表面分子印迹技术的3‑MCPD检测方法及装置，将待测油脂与有机相介质体系混合以形成电化学介质体系，采用CNTs/SiO2‑MIPs修饰电极直接检测所述电化学介质体系中的3‑MCPD含量；其中，所述有机相介质体系包括极性或弱极性有机溶剂。相比于现有技术中在对3‑MCPD进行检测时，其对待测油脂的前处理过程过于复杂、处理效率低，本发明的基于表面分子印迹技术的3‑MCPD检测方法及装置，其检测效率高、检出限低。

主要创新性成果包括：发现鱼类GH分泌活动受多种神经内分泌因 子的调控，其中促性腺激素释放激素（GnRH）、促甲状腺素释放激素（TRH）、多巴胺及其激动剂等都 能刺激GH分泌，而生长抑素（SRIF）则抑制GH分泌；发现刺激GH分泌的神经内分泌因子等通过口服途 径能显著促进GH分泌和提高鱼体生长速率，且这些因子共同使用，其叠加作用产生的促生长效果更为显 著；构建了斜带石斑鱼等鱼类cDNA文库，克隆了生长激素（GH）及其受体，类胰岛素生长因子Ⅰ、Ⅱ （IGF-Ⅰ，IGF-Ⅱ）及其受体，脑垂体腺苷酸环化酶激活多肽（PACAP）、神经肽Y(NPY)、生长素释放 素（ghrelin）等生长相关功能基因；研制了基因重组GH，采用投喂方法证明它能为鱼消化道吸收而促进鱼 体生长。

抗肿瘤分子靶向新药 BZG 和光热消融-化疗靶向治疗新模式的研究是以提高抗肿瘤效果，降低抗肿瘤药物毒副作用为研究目的，以抗肿瘤分子靶向新药的研发和现有化疗药物靶向治疗新模式的创新这两个关键问题为切入点进行系统研究。科研团队经多年攻关，利用计算机模拟、化学合成筛选得到具有全新化学结构的激酶抑制剂已完成其产业化合成路线的优化。本项目以靶向治疗为主导研究模式，集产学研于一体，提高了临床转化的可能性。

本发明公开了一种纳米花生蛋白高分子复合膜及其制备方法，包括以下步骤：(1)配制浓度为4mg/mL～12mg/mL的花生分离蛋白水溶液，调节溶液的pH为8‑9静置1‑2h；向花生分离蛋白水溶液中逐滴加入无水乙醇，至混合溶液中无水乙醇的体积分数为40‑80％，静置15‑30min，再加入交联剂，静置交联反应14‑20h，浓缩、干燥，得到纳米花生蛋白颗粒；(2)将基质、甘油用蒸馏水溶解，70‑90℃水浴15‑30min，冷却，得到基质溶液；(3)将纳米花生蛋白颗粒用蒸馏水溶解，得到纳米花生蛋白颗粒溶液，将其移入基质溶液中，调节溶液的pH为10‑12，真空脱气5‑10min，制膜，干燥，即得。本发明制备的纳米花生蛋白高分子复合膜的机械性能和阻水性能得到了显著的改善，可广泛应用于包装工业。

项目成果/简介:观测活细胞内生物大分子的动力学过程和信号小分子对生物大分子的调控作用对于探索生理病理新机制及疾病治疗新方法具有重要的科学意义。 我校物质科学与信息技术研究院张忠平课题组（张瑞龙、田肖和、韩光梅、刘正杰），针对上述关键科学问题，通过设计一系列多响应、多重定位的新型光学探针，实现了活细胞内信号分子对蛋白/酶活性的调控以及遗传物质动力学的分子影像分析，在理解细胞内生物分子动力学领域取得了重要科学发现。代表性进展主要包含：（1）气体信号分子对细胞内酶活性的调控； (2）膜穿透性碳点对活体内DNA和RNA结构及动力学的超分辨影像分析；（3）超分辨成像揭示活性氧调控线粒体核蛋白动力学；（4）超分辨STED和电镜关联成像对细胞微管蛋白超精细结构的分析。 上述进展解决了生物探针对细胞内多种组分和细胞器的特异性识别问题，不仅有效避免了荧光光谱的重叠，还同步结合电镜对生物大分子精细结构的进行研究，为我校双一流学科生物医学探针和成像方向再添新成果。

研发阶段/n可用于猪生长速度的遗传改良，在猪的遗传改良中生长速度性状一直是改良的重点，提高生长速度可缩短生长周期，节省饲养成本，但这个性状的测定也必须等到猪长到上市体重，因此测定工作需要花费成本，用专利6，7和8可以进行早期选择，节约测定成本，缩短世代间隔，提高生长速度。

本发明提出用于鉴定苹果抗炭疽菌叶枯病的SSR分子标记，所述分子标记分别为S0607039；S0607001；S0506206；S0506078,S0506001S0405195,S0405127,S0304673,S0304011。本发明还提出扩增用于鉴定苹果抗炭疽菌叶枯病的SSR分子标记的引物。本发明通过自行设计的SSR标记对苹果抗炭疽菌叶枯病基因进行了分子标记，确定所在的染色体位置及遗传距离，构建了紧密连锁的遗传图谱。距离抗性基因最近的分子标记能准确的鉴定出苹果对炭疽菌叶枯病的抗性，为苹果生产实践及抗性育种提供有效工具，并为下一步抗性基因的克隆及功能验证奠定了良好的基础。

生物受体可以有效地利用非共价键作用和疏水效应实现对有机底物的高效选择性识别（图2）。相反，大多数合成主体对有机底物的识别选择性和强度较差。该课题组近期研究发现酰胺萘管能有效地利用疏水作用和氢键作用实现对部分有机客体及有机药物分子的选择性强键合，进而实现了部分水溶性较差的药物分子的增溶。这一研究在药物科学领域具有较高的应用潜力。