葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

苯系物（苯、甲苯、二甲苯等）的污染極大地威脅到人體的健康和生命安全，迫切需要高效、低成本苯系物氣體傳感器。然而，苯系物由于化學鍵較強而導致傳統的半導體氣敏材料難以對其高效檢測。本成果利用“催化-氣敏”串聯策略，通過設計CeO2/ZnO雙層結構，實現半導體氣敏材料對苯系物高效檢測。

本研究以多元低維碳材料為發熱主體，構建由不同形態的碳材料之間協同作用，搭建三維立體載流子傳輸通道的水性電熱油墨體系。通過理論分析與實驗數據相結合的方式，揭示導電填料的微觀形貌、粒徑、導電性以及流變性與油墨電熱性能的關聯關系。 一、項目分類 顯著效益成果轉化 二、成果簡介 創新性： 本研究以多元低維碳材料為發熱主體，構建由不同形態的碳材料之間協同作用，搭建三維立體載流子傳輸通道的水性電熱油墨體系。通過理論分析與實驗數據相結合的方式，揭示導電填料的微觀形貌、粒徑、導電性以及流變性與油墨電熱性能的關聯關系。根據發熱器件的實際使用需求，指導油墨配方的調整，明確提高電熱轉化效率的關鍵因素，并以此為指導得到高電熱轉化效率、低成本、低功耗、可大規模生產制備的碳系水性電熱油墨。 先進性： 進入二十一世紀以來，國內外許多公司和科研機構都致力于研發低成本高電熱效率的電熱膜，快速的加熱性能和低驅動電壓是其核心目標；大規模低成本的制備工藝、均勻的加熱分布、電熱膜的耐用性及其規模化生產仍然是一個挑戰；良好的柔韌性以及動態穩定性是實現其大范圍應用的關鍵；環保無毒害是未來發展的必然趨勢。針對上述問題，本項目構建了一種多元碳體系水性電熱油墨。該油墨以水為溶劑，炭黑、納米級石墨片、少層石墨烯和碳納米管等碳系材料作為導電發熱填料，水性樹脂作為連接料，利用不同形態碳材料之間的橋接效應和協同作用，降低電熱油墨的滲流閾值并提升電加熱性能。該電熱油墨具備低功耗、低成本、低單位面積使用量的特性。研究了碳材料本身的結構和性能、不同配合體系油墨的導電、導熱機理，優化制備方法，形成高電熱轉化效率、適用于各種復雜場景使用的多元碳體系電熱油墨，具有較高理論和實踐意義。 獨占性 針對目前市場上的碳體系電熱油墨工作電壓高（220 V）、實際電熱轉化率低、功耗大、發熱性能難以滿足復雜多變的應用場景、難以規模化生產等問題。本項目擬以低成本、大規模制備、高電熱轉化效率、綠色環保為目標，構建多元碳體系電熱油墨。利用機器學習方法揭示額定條件下油墨的電熱轉化效率與體系中碳材料的形貌結構、碳材料與連接劑和分散劑等的配比以及制備工藝之間的關聯性；探討界面處發生的各種熱力學和動力學問題；研究多元碳材料之間的協同作用。構建了在24 V~220 V條件下均可使用且能量內耗低、電熱轉化效率大于90 %、油墨用量少的環保性碳系水性電熱油墨。并實現絲網、凹版一次印刷即可滿足24 V工作電壓的使用需求，提高了生產效率，拓寬了應用范圍和領域。

本實用新型涉及一種智能茶園自動灌溉系統。該系統基于電子技術、通訊和傳感器技術設計，通過多深度土壤水分傳感器、光照度傳感器以及空氣溫濕度傳感器監測茶樹的生長環境狀態，由CPU采集、處理數據信息，并及時做出合理的灌溉決策，實現智能自動灌溉。環境參數可由液晶屏實時顯示或通過GPRS網絡發送至上位服務器系統，便于茶園管理人員準確了解茶樹生長環境狀態，進一步優化管理方法或采取相應措施。智能茶園自動灌溉系統不僅能提高水資源的利用效率、提升現代茶園的管理水平，而且還可以實現增加茶葉產量和優化茶葉品質的目的。

XM-655C錐體外系 ? XM-655C錐體外系左側半表示皮質—紋狀體—蒼白球系，由蒼白球發出纖維組成豆袢和豆核束，它們分別與紅核、黑質、底丘腦核、丘腦核發生聯系，右側半以示皮質（額葉、枕葉、顳葉）橋腦—小腦—紅核—脊髓系，部分纖維至丘腦核，由此發出纖維至運動皮質，形成環路。 尺寸：放大，42×45×75cm 材質：優質鐵絲

XM-412門靜脈系模型 ? XM-412門靜脈系模型產品上至頸根部作水平切，下至大腿根部、上肢于上三分之一橫切，打開胸腹壁示門靜脈系的組成。 ■ 軀干部示上腔靜脈、左右鎖骨下靜脈、頸內靜脈、頭臂靜脈、下腔靜脈、髂總靜脈及奇靜脈的斷段。 ■ 腹腔內示肝、胃、腸、食管的部分外形。 ■ 門靜脈系示各級屬支及屬支的配布。 ■ 門靜脈系統主要示腸系膜上下靜脈、脾靜脈附臍靜脈、食管靜脈、胃左右靜脈、膽囊靜脈、胰十二指腸靜脈等以及和門靜脈系有關的食管靜脈叢、直腸靜脈叢、臍旁靜脈叢、胸腹壁靜脈、腹壁上下靜脈以及腹壁淺靜脈等。 ■ 尺寸：36×17.5×53cm ■ 材質：PVC材料

XM-655C錐體外系 ? XM-655C錐體外系左側半表示皮質—紋狀體—蒼白球系，由蒼白球發出纖維組成豆袢和豆核束，它們分別與紅核、黑質、底丘腦核、丘腦核發生聯系，右側半以示皮質（額葉、枕葉、顳葉）橋腦—小腦—紅核—脊髓系，部分纖維至丘腦核，由此發出纖維至運動皮質，形成環路。 尺寸：放大，42×45×75cm 材質：優質鐵絲

齒輪傳動與輪系組合展示臺

【發 明 人】高月平【技術領域】本發明涉及消癥飲在制藥中的新用途，具體地說是涉及消癥飲在制備治療乳腺增生病藥物中的應用。【摘要】一種消癥飲在制藥中的新用途，即在制備治療乳腺增生疾病藥物中的應用，消癥飲是由鹿角片、白芥子、桃仁、熟地、淫羊藿、生薏苡仁、三棱、醋柴胡、大血藤、延胡索、按一定重量配比制成，該藥物可制成湯劑、膠囊劑、片劑、沖劑、口服液、糖漿或合劑等，經臨床試驗結果表明150例乳腺增生病患者，分為治療組100例和對照組50例，對照組用乳癖消，治療組用消癥飲湯劑，試驗結果治療組和對照組的總有效率為100％和74％；其中100例治療組中痊愈64例(64％)，顯效21例(21％)，有效15例(15％)，無效0例；總有效率100％，而50例對照組中痊愈19例(38％)，有效8例(16％)，無效13例(26％)，總有效率74％。

“現階段醫生需要在大量影像數據中快速診斷出新冠肺炎的病例，此外還需要診斷出病灶分布的位置、大小等來評估嚴重程度。”薛向陽介紹，針對臨床的現實需求，團隊將設計目標定位于“肺炎分類鑒別”和“關鍵病灶檢測”兩大功能，前者是為區別健康狀態、新冠肺炎、其他病毒性肺炎、細菌性肺炎，后者則為找到并分隔出磨玻璃影等病灶區域。針對這些需求，團隊設計診斷算法模型，讓機器利用模型進行訓練，學習不同類型肺炎在CT影像表現上的不同特征，最終具備智能輔助診斷的能力。而這需要突破小樣本學習、小目標檢測等多個技術難題。“小樣本學習”即在較少訓練數據樣本的條件下進行機器學習。在疫情發生前期，能夠獲取的新冠肺炎影像數據相對較少，且由于一線影像醫生任務繁重，無法獲得大量專家標注，因此需要算法在少量樣本的條件下“自學成才”。為此，團隊采用基于自遷移學習的半監督學習等技巧，使算法具備一定的“小樣本學習”能力，在不增加醫生標注工作量的情況下較好地提高了算法模型的普適性。由于CT影像切片中的病灶區域有大有小，且往往大中小病灶區域面積懸殊，如何使算法能同時檢測大、中、小各個目標是另一大難題。團隊利用神經網絡的層次性特點與病灶區域的大小進行對應，“網絡的底層關注細節，即小病灶區域，而網絡中層到高層所關注的病灶區域則越來越大，因此模型通過不同層次的加權和融合，最終便能達到同時檢測大小病灶區域的目標。”薛向陽解釋道。“不過，即便有診斷‘神器’，影像科醫生也是不可替代的。”薛向陽說，人是復雜的機體，病毒在不同人體內感染的反映也不一定相同。”他表示，當遇到機器未曾學習過的微小病變或疑難病例時，仍需要影像醫生的經驗和智慧。以解決實際問題為目標，該項目在研究過程中始終與臨床應用緊密結合。無論是機器學習數據，還是測試評估數據，都來源于臨床真實病例。在算法模型定型過程中，為了檢驗模型的準確率和泛化性，團隊也利用現實疑似病例進行了測試。

2019年12月以來，由SARS-CoV-2病毒感染導致的新型冠狀病毒疾病（COVID-19）在全球開始蔓延。報道顯示，SARS-CoV-2感染患者的中位住院時間為10天，而武漢患者在發病10天后癥狀有可能加重。因此，住院時間是COVID-19臨床預后的重要指標之一。 目前，CT影像學已成為COVID-19肺炎的診斷和監測工具，主要表現為磨玻璃影、實變及混合密度影。然而，現階段的影像學研究主要集中于對病灶的定性和半定量描述，缺乏對病灶的全定量分析。因此，基于前期提出的CT定量監測COVID-19肺炎病程，團隊假設在CT病灶背后的高通量影像特征“隱藏”了患者預后轉歸的“秘密”。 本研究納入了蘭州、安康、麗水、鎮江、臨夏5家新冠肺炎定點醫院，自2020年1月23日到2月8日期間住院患者的臨床資料和首次CT資料，所有患者經RT-PCR證實SARS-CoV-2病毒感染。至2月20日，研究共納入31例治愈出院的患者（排除14例未出院患者和7例首次CT檢查無肺炎表現患者），并將10天作為住院時長的二分類閾值。基于有限的樣本量，團隊將4個中心作為訓練隊列，另外一個中心作為驗證隊列。通過自動分割肺葉和半自動分割病灶，31名患者中累計分割出72個病灶。在對病灶圖像預處理后，提取影像組學特征并篩選。為了研究影像組學特征的穩定性，團隊使用了Logistics回歸模型和隨機森林模型對篩選的特征分別進行建模和驗證。?結果發現，6個篩選出的二階特征在兩種不同分類器中均表現出良好的預測價值。在外部測試隊列中，Logistics回歸模型的AUC為0·97(95%CI 0·83-1·0), 敏感性 1·0, 特異性0·89；隨機森林模型的AUC為0·92 (95%CI 0·67-1·0),敏感性 0·75, 特異性1·0。隨后，研究又納入了2月20日-28日新出院的6名患者，利用已建立的影像組學模型可以正確預測所有6名患者的住院時間。