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
281	2025-01-04	Improved Transfer Learning for Detecting Upper-Limb Movement Intention Using Mechanical Sensors in an Exoskeletal Rehabilitation System 2024, 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.2024.3486444 PMID:39453796	研究论文	本研究提出了一种利用深度和异构迁移学习技术从机械传感器信号中检测上肢运动意图的新策略	结合了三种传感器（sEMG、FSR和IMU）来捕捉生物信号，并使用CIFAR-ResNet18和CIFAR-MobileNetV2架构构建深度学习模型，通过优化技术确定每层的适当结构和学习率	NA	检测上肢运动意图，以改进康复辅助机器人的人机协作	上肢运动意图	机器学习	NA	深度学习和迁移学习	CIFAR-ResNet18, CIFAR-MobileNetV2	机械传感器信号（sEMG、FSR、IMU）	NA
282	2025-01-04	Automatic Gaze Analysis: A Survey of Deep Learning Based Approaches 2024-01, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2023.3321337 PMID:37966935	综述	本文综述了基于深度学习的自动视线分析方法及其在计算机视觉和人机交互领域的应用	本文特别关注了无监督和弱监督领域的视线估计和分割方法，并分析了这些方法的优势和评估指标	开发一个鲁棒且通用的视线分析方法仍需解决现实世界中的挑战，如无约束设置和较少监督的学习	探讨自动视线分析中的重要线索及其在无约束环境中的实时编码方法	视线分析任务和应用	计算机视觉	NA	深度学习	NA	图像	NA
283	2025-01-03	Automatic Detection and Assessment of Freezing of Gait Manifestations 2024, 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.2024.3431208 PMID:39028610	研究论文	本文研究了使用深度学习技术基于惯性测量单元数据自动检测和评估帕金森病患者的冻结步态（FOG）表现	本文创新性地将深度学习应用于冻结步态的分类，并引入细化模型以解决过分割错误，成功区分了冻结步态与其他形式的运动停止	研究样本量较小，仅包含18名帕金森病患者，需要在更大和更多样化的验证队列中进一步研究	分析深度学习在分类冻结步态表现中的有效性，并评估其严重程度	帕金森病患者的冻结步态表现	机器学习	帕金森病	深度学习	深度学习模型	惯性测量单元数据	18名帕金森病患者
284	2025-01-03	BrainNPT: Pre-Training Transformer Networks for Brain Network Classification 2024, 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.2024.3434343 PMID:39074019	研究论文	本文提出了一种基于Transformer网络的预训练方法BrainNPT，用于脑功能网络分类	首次将Transformer网络应用于脑网络分析，并提出了预训练框架以利用未标记数据	未明确提及具体局限性	提高脑功能网络分类的准确性	脑功能网络数据	机器学习	NA	Transformer网络	Transformer	脑功能网络数据	未明确提及具体样本数量
285	2025-01-03	fNIRS-Driven Depression Recognition Based on Cross-Modal Data Augmentation 2024, 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.2024.3429337 PMID:39012734	研究论文	本文提出了一种基于跨模态数据增强的fNIRS驱动的抑郁症识别架构（fCMDA），通过将fNIRS数据转换为伪序列激活图像来提高抑郁症诊断的准确性	提出了跨模态数据增强方法（fCMDA），将fNIRS数据转换为伪序列激活图像，并结合时间域增强机制生成多样化数据，解决了数据不足的问题	数据收集仍然依赖于标准实验范式，且数据量有限，可能影响模型的泛化能力	提高抑郁症的早期诊断和干预效果，探索基于fNIRS和深度学习的抑郁症识别方法	抑郁症患者	机器学习	抑郁症	功能近红外光谱（fNIRS）	深度分类网络	fNIRS数据	NA
286	2025-01-03	Digital Biomarker for Muscle Function Assessment Using Surface Electromyography With Electrical Stimulation and a Non-Invasive Wearable Device 2024, 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.2024.3444890 PMID:39150814	研究论文	本文提出了一种使用表面肌电图（sEMG）结合电刺激和可穿戴设备的数字生物标志物测量技术，用于在家方便地监测肌肉功能	结合电刺激和可穿戴设备，利用卷积神经网络模型从连续小波变换图像中提取深度学习特征，训练回归模型来测量数字生物标志物	研究仅招募了健康参与者，未涉及患有肌肉功能退化的人群	开发一种便捷的肌肉功能监测技术，以检测由肌肉减少症引起的肌肉退化	20-60岁的健康参与者	数字病理学	老年疾病	表面肌电图（sEMG）结合电刺激	卷积神经网络（CNN）	图像	98名健康参与者，包括48名男性
287	2025-01-03	ABR-Attention: An Attention-Based Model for Precisely Localizing Auditory Brainstem Response 2024, 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.2024.3445936 PMID:39159023	研究论文	本文介绍了一种名为ABR-Attention的深度学习网络，用于自动提取听觉脑干反应（ABR）中的特征波V潜伏期	ABR-Attention模型引入了自注意力模块、一阶和二阶导数注意力模块以及回归模块，提高了特征波V潜伏期提取的准确性和效率	尽管ABR-Attention在提取特征波V潜伏期方面表现出色，但其在不同声压水平（SPLs）和不同误差尺度下的效果仍需进一步验证	开发一种自动提取ABR特征波V潜伏期的方法，以减少临床医生的工作量	听觉脑干反应（ABR）中的特征波V潜伏期	机器学习	NA	深度学习	ABR-Attention	信号数据	NA
288	2025-01-03	A Novel Method to Identify Mild Cognitive Impairment Using Dynamic Spatio-Temporal Graph Neural Network 2024, 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.2024.3450443 PMID:39190512	研究论文	本文提出了一种利用动态时空图神经网络识别轻度认知障碍的新方法	首次从时空结构的角度分析rs-fMRI数据，构建了动态时空图神经网络模型，包含时间块、空间块和图池化块三个模块	未提及模型在其他数据集或更大样本上的泛化能力	提高轻度认知障碍（MCI）的识别准确率，并探索其在阿尔茨海默病（AD）研究中的应用	轻度认知障碍（MCI）、阿尔茨海默病（AD）和正常对照组（NC）的受试者	数字病理学	老年疾病	rs-fMRI	动态时空图神经网络	图像	未提及具体样本数量
289	2025-01-03	A Strong and Simple Deep Learning Baseline for BCI Motor Imagery Decoding 2024, 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.2024.3451010 PMID:39196743	研究论文	本文提出了一种名为EEG-SimpleConv的简单1D卷积神经网络，用于脑机接口（BCI）中的运动想象解码	EEG-SimpleConv使用标准组件构建，具有高性能和低推理时间，展示了跨受试者的强大知识转移能力	未明确提及具体局限性	提出一个简单且高性能的基线模型，用于脑机接口中的运动想象解码	脑机接口中的运动想象数据	机器学习	NA	1D卷积神经网络	CNN	EEG数据	四个EEG运动想象数据集
290	2025-01-03	Effects of Individual Research Practices on fNIRS Signal Quality and Latent Characteristics 2024, 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.2024.3458396 PMID:39259640	研究论文	本研究评估了不同实验室在功能性近红外光谱（fNIRS）信号质量上的差异及其潜在特征	首次使用深度学习模型提取fNIRS数据的深层特征，并通过支持向量机（SVM）模型对不同实验室的数据进行分类	研究仅涉及两个实验室的数据，样本量相对较小，可能无法全面反映fNIRS信号质量的差异	评估不同实验室在fNIRS信号质量上的差异及其潜在特征	新加坡（N=74）和意大利（N=84）两个不同实验室收集的fNIRS数据	神经影像学	NA	功能性近红外光谱（fNIRS）	支持向量机（SVM）	fNIRS信号数据	新加坡74人，意大利84人
291	2025-01-03	Federated Motor Imagery Classification for Privacy-Preserving Brain-Computer Interfaces 2024, 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.2024.3457504 PMID:39255189	研究论文	本文提出了一种名为FedBS的联邦学习方法，用于保护EEG数据隐私的脑机接口运动想象分类	FedBS结合了本地批次特定批归一化和锐度感知最小化优化器，以减少不同客户端之间的数据差异并提高模型泛化能力	NA	研究如何在保护用户数据隐私的同时，训练出准确的EEG脑机接口分类器	EEG数据	机器学习	NA	联邦学习	深度学习模型	EEG数据	三个公共运动想象数据集
292	2025-01-03	Early Detection of Parkinson's Disease Using Deep NeuroEnhanceNet With Smartphone Walking Recordings 2024, 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.2024.3462392 PMID:39288062	研究论文	本文利用智能手机的行走记录数据，通过深度学习模型NeuroEnhanceNet进行帕金森病的早期检测	提出了专门针对惯性传感器数据的深度学习模型NeuroEnhanceNet，能够同时关注单通道内的长期数据特征和通道间的相关性	未提及样本的具体数量和多样性，可能影响模型的泛化能力	探索智能手机行走记录数据在帕金森病早期检测中的应用	帕金森病患者	数字病理学	帕金森病	深度学习	NeuroEnhanceNet	惯性传感器数据	NA
293	2025-01-03	Cortical ROI Importance Improves MI Decoding From EEG Using Fused Light Neural Network 2024, 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.2024.3461339 PMID:39283802	研究论文	本文提出了一种基于融合轻量神经网络的脑电信号运动想象解码方法，通过区域重要性提升解码性能	提出了一种新的运动想象解码方法，通过区域重要性（RI）和代表性偶极子（RD）来增强特征提取，并结合2D可分离卷积和门控循环单元（2DSCG）进行分类	NA	提高基于脑电信号的运动想象解码性能，用于智能康复的脑机接口	脑电信号（EEG）	机器学习	NA	随机森林算法，2D可分离卷积，门控循环单元（GRU）	2DSCG（2D可分离卷积和门控循环单元）	脑电信号（EEG）	基于两个公开数据集
294	2025-01-02	MEFFNet: Forecasting Myoelectric Indices of Muscle Fatigue in Healthy and Post-Stroke During Voluntary and FES-Induced Dynamic Contractions 2024, 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.2024.3431024 PMID:39028608	研究论文	本文提出了一种名为MEFFNet的深度学习模型，用于预测健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数	将迁移学习引入深度学习模型MEFFNet，用于预测动态收缩中的肌电疲劳指数，并在合成时间序列数据集上进行预训练以提高预测性能	研究样本量较小，且仅针对肘部屈伸运动进行测试，未涵盖其他肌肉群或运动类型	开发一种能够预测肌电疲劳指数的深度学习模型，以应用于可穿戴技术、辅助设备（如外骨骼和假肢）和功能性电刺激（FES）神经假体等领域	健康和中风后患者在自主和FES诱导动态收缩中的肌电疲劳指数	机器学习	中风	功能性电刺激（FES）	MEFFNet	时间序列数据	16名健康受试者和17名中风后受试者
295	2025-01-01	Continuous Motion Intention Prediction Using sEMG for Upper-Limb Rehabilitation: A Systematic Review of Model-Based and Model-Free Approaches 2024, 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.2024.3383857 PMID:38557618	综述	本文系统回顾了过去十年中基于模型（MB）和无模型（MF）方法使用sEMG信号对上肢单关节和多关节组合运动意图进行连续预测的研究	提出了结合MB和MF方法的优势，并融入深度学习、注意力机制、肌肉协同特征、运动单元特征和闭环反馈的个性化MB-MF组合方法，以实现精确、实时和长时间的多关节复杂运动预测	在受试者组成、算法鲁棒性和泛化能力以及算法在实际应用中的可行性方面仍存在挑战	改进现有算法，实现基于sEMG信号的上肢运动意图的精确、实时和长时间预测	上肢单关节和多关节组合运动意图	机器学习	中风	sEMG	MB和MF方法	sEMG信号	基于186项相关研究
296	2025-01-01	Automatic Sleep Stage Classification Using Nasal Pressure Decoding Based on a Multi-Kernel Convolutional BiLSTM Network 2024, 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.2024.3420715 PMID:38941194	研究论文	本文提出了一种基于多核卷积双向LSTM网络的自动睡眠阶段分类方法，使用鼻压数据进行分类	首次使用单维鼻压数据进行睡眠阶段分类，显著降低了复杂性并提高了临床适用性	样本量较小，仅包含25名健康受试者，且分类性能仍有提升空间	开发一种简化且高效的睡眠阶段分类方法	健康受试者的睡眠数据	机器学习	睡眠障碍	深度学习	多核卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）	鼻压数据	25名健康受试者
297	2025-01-01	Multi-Modal Electrophysiological Source Imaging With Attention Neural Networks Based on Deep Fusion of EEG and MEG 2024, 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.2024.3424669 PMID:38976470	研究论文	本文提出了一种基于注意力神经网络的多模态深度融合框架，用于解决脑电和磁电图的电生理源成像问题	首次在深度学习框架下，利用注意力神经网络实现脑电和磁电图的多模态深度融合，以充分利用两者的互补信息	未提及具体的数据集规模或实验的广泛性，可能影响结果的普适性	提高电生理源成像（ESI）的源定位准确性	脑电（EEG）和磁电图（MEG）数据	机器学习	NA	深度学习	注意力神经网络（ANN）	脑电（EEG）和磁电图（MEG）数据	合成数据集和真实数据集
298	2025-01-01	A Review of Motor Brain-Computer Interfaces Using Intracranial Electroencephalography Based on Surface Electrodes and Depth Electrodes 2024, 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.2024.3421551 PMID:38949928	综述	本文综述了基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用	本文从解码目标或任务的角度出发，分析了五种任务，包括运动学解码、动力学解码、身体部位识别、灵巧手解码和运动意图解码，并比较了表面电极和深度电极的优劣	尽管开环脑机接口取得了显著成就，但带有感觉反馈的闭环脑机接口仍处于早期阶段，且ECoG表面电极和深度电极的长期植入尚未得到充分评估	探讨基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用	人类受试者	脑机接口	神经系统疾病	ECoG, SEEG, DBS	深度学习, 传统机器学习算法	脑电图信号	NA
299	2025-01-01	Neurophysiologically Meaningful Motor Imagery EEG Simulation With Applications to Data Augmentation 2024, 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.2024.3417311 PMID:38900612	研究论文	本文介绍了一个名为PySimMIBCI的框架，用于生成具有神经生理学意义的运动想象脑电图信号，以解决数据相关限制并提高深度学习模型的训练效果	首次在数据增强背景下模拟神经生理学上合理的脑电图信号，并整合了用户特定的神经生理学信息	未提及具体的数据集规模或实验对象的多样性	解决运动想象脑机接口中数据相关限制，提高深度学习模型的训练效果	运动想象脑电图信号	脑机接口	NA	深度学习	深度学习模型	脑电图信号	NA
300	2025-01-01	Multi-Modal Sleep Stage Classification With Two-Stream Encoder-Decoder 2024, 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.2024.3394738 PMID:38848223	研究论文	本文提出了一种名为TSEDSleepNet的双流编码-解码网络，用于多模态睡眠阶段分类，以解决现有方法在利用多模态信息互补性、提取睡眠信息的长短期时间特征以及处理睡眠数据类别不平衡问题上的挑战	提出了TSEDSleepNet网络，结合深度敏感注意力和自动多模态融合框架，通过双流编码器提取多尺度特征，并利用自注意力机制融合多模态显著特征，进一步通过Transformer模块捕获长短期时间特征，并使用Lovász损失函数缓解类别不平衡问题	未提及具体局限性	提高自动睡眠阶段分类的准确性，解决多模态信息融合、时间特征提取和类别不平衡问题	多模态睡眠信号（EOG和EEG信号）	机器学习	睡眠障碍	深度敏感注意力和自动多模态融合框架	双流编码-解码网络（TSEDSleepNet），Transformer	多模态信号（EOG和EEG信号）	Sleep-EDF-39和Sleep-EDF-153数据集