深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
1	2025-10-07	Deep Recurrent Neural Networks for Human Activity Recognition 2017-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s17112556 PMID:29113103	研究论文	提出使用深度循环神经网络进行人类活动识别，能够捕捉可变长度输入序列中的长期依赖关系	采用基于LSTM的深度循环神经网络架构，能够处理可变长度输入序列并捕获长期时间依赖关系，克服了传统方法固定长度输入窗口的限制	未明确说明模型在实时应用中的计算效率和处理速度	开发能够有效识别人类活动的高性能模型	从身体佩戴传感器获取的人类活动数据序列	机器学习	NA	传感器数据采集	RNN, LSTM	时间序列数据	多个基准数据集（具体数量未明确说明）	NA	LSTM, 单向LSTM, 双向LSTM, 级联LSTM	NA	NA
2	2025-10-07	DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG 2017-11, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2017.2721116 PMID:28678710	研究论文	提出一种基于原始单通道脑电图的自动睡眠分期深度学习模型DeepSleepNet	无需手工设计特征，自动从原始脑电信号中学习时间不变特征和睡眠阶段转换规则	NA	开发自动睡眠分期模型	睡眠脑电图数据	机器学习	睡眠障碍	脑电图	CNN, 双向LSTM	脑电信号	来自两个公共睡眠数据集的不同单通道脑电图	NA	DeepSleepNet	准确率, 宏F1分数	NA
3	2024-08-07	Deep learning with convolutional neural networks for EEG decoding and visualization 2017-11, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.23730 PMID:28782865	研究论文	本文研究了使用卷积神经网络（ConvNets）进行脑电图（EEG）解码和可视化的深度学习方法	提出了使用批量归一化和指数线性单元等机器学习领域的最新进展，以及裁剪训练策略，提高了深度ConvNets的解码性能	需要进一步理解如何设计和训练ConvNets以进行端到端的EEG解码，并可视化ConvNets学习到的信息性EEG特征	探索如何设计和训练ConvNets以从原始EEG中解码任务相关信息，并展示深度ConvNets结合先进可视化技术在基于EEG的脑映射中的潜力	研究了不同架构的深度ConvNets，用于从原始EEG解码想象或执行的任务	机器学习	NA	卷积神经网络（ConvNets）	CNN	脑电图（EEG）	未具体说明样本数量	NA	NA	NA	NA