北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（独立实验）_8-1 纯铜低温热导率的测量

北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（独立实验）_9-2 用电容-电压法测量半导体中的杂质分布

通过Gleeble热模拟实验机模拟了X100管线钢的粗晶热影响区（CGHAZ）及再热临界粗晶热影响区（ICCGHAZ）微观组织。采用电化学测试、浸泡实验及表面分析技术研究了交流干扰下X100管线钢母材、CGHAZ及ICCGHAZ在库尔勒土壤溶液中的腐蚀行为。结果表明：交流干扰下X100管线钢母材、CGHAZ及ICCGHAZ都表现为活性溶解，平均腐蚀速率随交流电流密度的增大而增加。交流干扰造成的极化电位振荡幅值及微观组织对X100管线钢母材、CGHAZ及ICCGHAZ的平均腐蚀速率和腐蚀形貌有着重要影响。在5 mA·cm?2交流电流密度干扰下，母材的腐蚀电位最负、平均腐蚀速率最大，ICCGHAZ的腐蚀电位最正、平均腐蚀速率最小，CGHAZ的腐蚀电位及平均腐蚀速率都居中；在20 mA·cm?2及50 mA·cm?2交流电流密度干扰下，ICCGHAZ腐蚀电位最负、平均腐蚀速率最大，母材的腐蚀电位最正、平均腐蚀速率最小，CGHAZ的腐蚀电位及平均腐蚀速率都仍居中。在20 mA·cm?2交流电流密度交流干扰下，X100管线钢发生局部腐蚀，CGHAZ、ICCGHAZ发生明显的晶界腐蚀，GCHAZ晶界腐蚀形貌呈缝隙状、ICCGHAZ晶界腐蚀形貌为连续孔洞

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%~21%)与人体可耐受极端低氧气体积分数(15.5%~16%)条件下光电容积脉搏波(photoplethysmography, PPG)信号, 获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92.8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic, ROC)曲线分析, 混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97.9%、94.8%、92.8%和96.3%, AUC (area under curve)值接近1, 认为该网络分类性能优良, 并且可在4 s内完成整个识别过程

北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（综合物理实验）_MgB2超导体的研究

目前我国大型冶炼企业产生的污酸均被当做一种高浓度重金属废水来处理，不仅需要高额的废水处理费用，而且还会产生大量的废水处理渣。结合污酸及氧化锌烟灰的主要成份，采用循环浸出工艺，利用污酸对氧化锌烟灰进行浸出，浸出完全后，综合回收浸出液中的Cu、Zn、As。实验研究了终点pH、浸出温度、浸出时间对污酸一次浸出和二次循环浸出的影响，以及双氧水加入量、温度、时间对一次除As的影响和硫化钠加入量、温度、时间对二次除As的影响。实验表明：最佳一次浸出条件为终点pH值为1.5、反应温度为85 ℃、反应时间为5 h；最佳二次循环浸出条件为终点pH值为4、反应温度为85 ℃；最佳一次除As条件为每毫升二次循环浸出液添加0.067 mL双氧水、反应温度为40 ℃、反应时间为1.5 h；最佳二次除As条件为每毫升一次除As后液添加0.02 g硫化钠、反应温度为35 ℃、反应时间为2 h。污酸综合利用后, 原来的高浓度重金属废水变成了中性废水，其中的重金属（As、Cu、Zn）质量浓度分别降至3.26、2.63和50.63 mg·L?1，稍加处理即可达到污水综合排放标准。此工艺既综合回收了污酸和氧化锌烟灰中的有价成份，又集中处理了有害元素As，消减了危险废物的产生量，达到了节能减排的目的

北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（独立实验）_9-3 用热激活法测量肖特基势垒高度

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（独立实验）_9-1 硅的霍耳系数及电阻率的测量

北京大学：《近代物理实验 Modern Physics Laboratory》课程教案（独立实验）_7-3 电子自旋共振