深度学习在生物医药领域中的应用

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
1	2025-02-21	Deep Recurrent Neural Networks for Human Activity Recognition 2017-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s17112556 PMID:29113103	研究论文	本文提出使用深度循环神经网络（DRNNs）构建能够捕捉可变长度输入序列中长距离依赖关系的识别模型	提出了基于长短期记忆（LSTM）DRNNs的单向、双向和级联架构，能够捕捉输入序列中的长距离依赖关系，优于传统的机器学习方法和其它深度学习技术	未提及具体局限性	研究人类活动识别中的深度学习应用	从身体佩戴传感器获取的原始输入序列	机器学习	NA	深度学习	DRNNs, LSTM	时间序列数据	未提及具体样本数量
2	2025-02-21	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	本文提出了一种名为DeepSleepNet的深度学习模型，用于基于原始单通道EEG的自动睡眠阶段评分	该模型利用卷积神经网络提取时间不变特征，并使用双向长短期记忆网络自动学习睡眠阶段之间的转换规则，无需手工设计特征	模型未在不同数据集的模型架构和训练算法上进行调整，可能限制了其泛化能力	开发一种自动睡眠阶段评分模型，以减少对手工设计特征的依赖	单通道EEG数据	机器学习	NA	深度学习	CNN, 双向LSTM	EEG信号	两个公共睡眠数据集（MASS和Sleep-EDF）中的不同单通道EEG数据
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