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
301	2025-01-01	Deep Learning for Electromyographic Lower-Limb Motion Signal Classification Using Residual Learning 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.2024.3403723 PMID:38771681	研究论文	本文提出了一种基于残差学习的深度学习方法，用于下肢肌电信号的运动分类	首次公开了包含亚洲人种特征的下肢肌电信号数据集，并调整了ResNet-18模型用于分类	数据集主要针对亚洲人种，可能在其他种族中的适用性有限	探索和比较下肢肌电信号分类中的多个关键问题，包括滑动时间窗口方法、时域和频域信号处理效果的比较等	下肢肌电信号	机器学习	NA	深度学习	ResNet-18	肌电信号	15人，约13,350个干净的肌电信号段
302	2025-01-01	Classifying Routine Clinical Electroencephalograms With Multivariate Iterative Filtering and Convolutional Neural Networks 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.2024.3403198 PMID:38768007	研究论文	本研究探讨了在脑年龄预测框架下，使用深度学习模型对EEG时间序列进行分类的问题	采用多元本征模态函数（MIMFs）和卷积神经网络（CNN）模型，显著提高了脑年龄预测的准确性	未对CNN模型进行微调，可能影响模型性能的进一步提升	探索EEG分类的最佳预测模型和特征提取方法	常规临床EEG扫描数据	机器学习	NA	多元迭代滤波（MIF）	卷积神经网络（CNN）	时间序列数据	6540例患者，年龄从1岁到103岁
303	2025-01-01	BiLSTM-Based Joint Torque Prediction From Mechanomyogram During Isometric Contractions: A Proof of Concept Study 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.2024.3399121 PMID:38722723	研究论文	本研究提出了一种基于深度学习的模型，用于从等长收缩期间记录的时序机械肌电图（MMG）信号预测踝关节跖屈扭矩，并评估其性能	首次使用双向长短期记忆网络（BiLSTM）结合密集层的深度学习模型来预测踝关节跖屈扭矩，并验证了其可行性	斜率估计对个体数据集敏感，且样本量较小（10名受试者）	开发一种用于临床常规评估肌肉强度的实用工具	踝关节跖屈扭矩	机器学习	NA	机械肌电图（MMG）	BiLSTM	时序信号	10名受试者
304	2025-01-01	Association Between Sleep Quality and Deep Learning-Based Sleep Onset Latency Distribution Using an Electroencephalogram 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.2024.3396169 PMID:38696294	研究论文	本研究开发了一种基于深度学习的模型，利用睡眠周期早期的30秒脑电图（EEG）预测睡眠潜伏期（SOL）分布，并探讨其与睡眠质量（SQ）的关联	提出了一种新的深度学习模型，能够通过早期EEG信号预测SOL分布，并将其分为四个簇，展示了个体参与者入睡过程的概率图	研究依赖于公开数据集，可能无法完全代表所有人群的睡眠特征	探索早期EEG信号在预测SOL分布及其与SQ关联中的应用	睡眠潜伏期（SOL）分布与睡眠质量（SQ）	机器学习	NA	脑电图（EEG）	深度学习模型	脑电图（EEG）信号	使用Sleep Heart Health Study公开数据集中的大量研究对象
305	2025-01-01	A Novel CNN-BiLSTM Ensemble Model With Attention Mechanism for Sit-to-Stand Phase Identification Using Wearable Inertial Sensors 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.2024.3366907 PMID:38373135	研究论文	本文提出了一种结合CNN、BiLSTM和注意力机制的集成模型，用于通过可穿戴惯性传感器识别坐立转换阶段	提出了一种新颖的CNN-BiLSTM-Attention算法，用于识别坐立转换的三个过渡阶段，并验证了其在模型性能提升方面的有效性	研究样本量较小，仅涉及15名受试者	开发一种方法，用于分割和识别坐立转换阶段，以辅助可穿戴外骨骼机器人控制	坐立转换阶段的识别	机器学习	NA	NA	CNN-BiLSTM-Attention	加速度和角速度数据	15名受试者
306	2025-01-01	Deep Learning for Enhanced Prosthetic Control: Real-Time Motor Intent Decoding for Simultaneous Control of Artificial Limbs 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.2024.3371896 PMID:38421839	研究论文	本研究比较了深度学习架构与浅层网络在利用肌电图（EMG）信号解码运动意图以控制假肢方面的性能	使用深度学习架构而非浅层网络，能够更可靠和精确地控制假肢，显著提升假肢功能并改善截肢者的生活质量	研究仅涉及健康参与者和一名截肢者，样本量较小	比较不同神经网络架构在解码运动意图以控制假肢方面的性能	健康参与者和一名截肢者	机器学习	NA	肌电图（EMG）	前馈神经网络、时间卷积网络、卷积神经网络	EMG信号	健康参与者和一名截肢者
307	2025-01-01	Physics-Informed Deep Learning for Muscle Force Prediction With Unlabeled sEMG Signals 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.2024.3375320 PMID:38466606	研究论文	本文提出了一种基于物理信息的深度学习方法，用于在无标签sEMG信号的情况下预测肌肉力量	该方法无需在模型训练中使用标签信息，并能识别个性化的肌肉-肌腱参数	实验仅在六名健康受试者的腕关节上进行，样本量较小	解决传统物理建模方法计算延迟高和数据驱动方法需要标签信息的问题	肌肉力量的预测	机器学习	NA	深度神经网络	FNN（全连接神经网络）	sEMG信号	六名健康受试者的腕关节数据
308	2025-01-01	Semantics-Guided Hierarchical Feature Encoding Generative Adversarial Network for Visual Image Reconstruction From Brain Activity 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.2024.3377698 PMID:38498745	研究论文	本文提出了一种新的神经解码模型HS-GAN，用于从fMRI数据中重建视觉感知图像	HS-GAN模型结合了视觉皮层的层次编码和卷积神经网络的同源理论，能够利用层次和语义表示从fMRI数据中重建感知图像	fMRI数据的高维度和低信噪比特性使得提取有意义的视觉信息具有挑战性	提高从fMRI数据中重建视觉感知图像的质量和可靠性	fMRI数据	计算机视觉	NA	fMRI	GAN	图像	Horikawa2017数据集
309	2025-01-01	Deep Learning Model to Evaluate Sensorimotor System Ability in Patients With Dizziness for Postural Control 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.2024.3378112 PMID:38498740	研究论文	本研究提出了一种基于深度学习的协议，利用COP信号频率评估眩晕患者的平衡控制能力	首次使用COP信号频率通过深度学习模型定量评估眩晕患者的感官系统贡献	样本量相对较小，且仅针对特定类型的眩晕患者	评估眩晕患者的平衡控制能力	正常对照组（n=125）、梅尼埃病患者（n=72）和前庭神经炎患者（n=105）	数字病理学	眩晕	短时傅里叶变换	CNN（包括GoogleNet、ResNet-18、SqueezeNet和VGG16）	信号数据	302人（125名正常对照，72名梅尼埃病患者，105名前庭神经炎患者）
310	2025-01-01	Explainable Deep-Learning Prediction for Brain-Computer Interfaces Supported Lower Extremity Motor Gains Based on Multistate Fusion 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.2024.3384498 PMID:38578854	研究论文	本文设计了一种多状态融合神经网络，用于预测中风患者在接受脑机接口康复训练后的运动功能恢复，并采用可解释的深度学习方法识别对预测最重要的脑电图功率谱密度和功能连接特征	结合闭眼和睁眼两种状态的多状态融合神经网络显著提高了预测准确性，并通过可解释的深度学习方法揭示了与运动恢复相关的脑区和频率振荡带	未提及样本量的具体信息，可能限制了结果的普适性	预测中风患者在特定康复治疗后的运动功能恢复潜力	中风患者	脑机接口	中风	脑电图（EEG）	多状态融合神经网络	脑电图信号	NA
311	2025-01-01	A Deep Quantum Convolutional Neural Network Based Facial Expression Recognition For Mental Health Analysis 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.2024.3385336 PMID:38607744	研究论文	本文提出了一种基于深度量子卷积神经网络的面部表情识别系统，用于心理健康分析	结合经典深度特征表示和量子卷积层，提出了一种更快的训练方法，并融合了经典和量子深度学习模型的分数以提高性能	未提及具体的精神疾病类型及其识别效果	分析新技术如何增强临床实践，并研究面部表情在多种精神疾病中的情感表达特征	面部表情图像	计算机视觉	精神疾病	量子卷积神经网络	CNN, 量子卷积神经网络	图像, 视频	KDEF, SFEW 2.0, FER-2013 基准数据库
312	2025-01-01	Automatic Detection of Scalp High-Frequency Oscillations Based on Deep Learning 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.2024.3389010 PMID:38625771	研究论文	本文提出了一种基于深度学习算法的高性能头皮高频振荡（sHFOs）检测器，用于癫痫的非侵入性生物标志物检测	提出了一种结合一维和二维深度学习模型的加权投票方法，提高了sHFOs检测的准确性和鲁棒性	尽管在多中心数据集上表现稳定，但未提及在实际临床环境中的验证情况	开发一种高精度且可靠的sHFOs自动检测方法，以满足临床需求	头皮高频振荡（sHFOs）	机器学习	癫痫	深度学习算法	1D和2D深度学习模型	信号数据	多中心数据集
313	2025-01-01	BlazePose-Seq2Seq: Leveraging Regular RGB Cameras for Robust Gait Assessment 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.2024.3391908 PMID:38648155	研究论文	本文提出了一种结合BlazePose算法和Seq2seq自编码器深度学习模型的新方法，用于通过普通RGB摄像头进行步态评估	首次将Seq2seq架构引入BlazePose算法，显著提高了步态评估的准确性	尽管准确性有所提高，但仍需进一步验证其在不同临床环境中的适用性	提高通过普通RGB摄像头进行步态评估的准确性和可重复性	人类步态	计算机视觉	NA	Seq2seq自编码器深度学习模型	1D-LSTM, GRU, LSTM	视频	NA
314	2024-12-31	Deep Learning-Based Identification Algorithm for Transitions Between Walking Environments Using Electromyography Signals Only 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.2023.3336360 PMID:37995159	研究论文	本研究提出了一种基于深度学习的算法，仅使用肌电图（EMG）信号来识别步行环境之间的转换	首次仅使用EMG信号进行步行环境转换分类的研究	研究样本量较小，仅涉及27名受试者	开发一种基于EMG信号的步行环境转换识别算法，以控制步行辅助设备	27名受试者的下肢肌肉活动	机器学习	NA	EMG信号测量	人工神经网络（ANN）	EMG信号	27名受试者
315	2024-12-31	From Forearm to Wrist: Deep Learning for Surface Electromyography-Based Gesture Recognition 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.2023.3341220 PMID:38064321	研究论文	本研究比较了手腕和前臂肌电信号在手势识别中的表现，评估了TDLDA和四种深度学习模型的性能	首次系统地比较了手腕和前臂肌电信号在手势识别中的表现，并展示了深度学习模型在手腕肌电信号上的显著优势	未明确提及样本量或数据集的多样性，可能影响结果的普适性	评估深度学习模型在手腕肌电信号手势识别中的性能	手腕和前臂的肌电信号	机器学习	NA	肌电信号分析	CNN, TCN, GRU, Transformer	肌电信号	NA
316	2024-12-31	Multi-Action Knee Contact Force Prediction by Domain Adaptation 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.2023.3345006 PMID:38113162	研究论文	本文提出了一种通过领域适应技术预测多动作膝关节接触力的深度学习方法	引入了无监督领域适应技术到深度学习模型中，以预测多种动作下的膝关节接触力，并使用Neural State Machine (NSM)作为仿真平台进行测试和可视化	模型在预测中间动作的内部力时仍需进一步验证，且对隐藏运动状态的了解可能有限	预测多种动作下的膝关节接触力，以支持个性化康复和生物力学分析	膝关节接触力	机器学习	NA	无监督领域适应	Bidirectional Long Short-Term Memory (LSTM)	运动学数据	NA
317	2024-12-31	Navigation Learning Assessment Using EEG-Based Multi-Time Scale Spatiotemporal Compound Model 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.2023.3346766 PMID:38145526	研究论文	本研究提出了一种基于脑电图（EEG）的深度学习模型来评估学习效果的新方法	提出了基于卷积神经网络（CNN）的多时间尺度时空复合模型（MTSC）来提取和分类EEG信号特征，并使用基于脉冲神经网络（SNN）的NeuCube来评估学习效果和展示认知过程	实验样本量较小，仅41名受试者参与	评估专业课程学习效果，特别是学生在导航任务中的认知能力	41名受试者在三种不同认知难度的导航任务中的EEG信号	机器学习	NA	EEG	CNN, SNN	EEG信号	41名受试者
318	2024-12-31	B2-ViT Net: Broad Vision Transformer Network With Broad Attention for Seizure Prediction 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.2023.3346955 PMID:38145523	研究论文	本文提出了一种新型的双层编程癫痫预测模型B2-ViT Net，用于学习新的广义时空长程相关特征	B2-ViT Net模型能够同时考虑通道间的全局空间交互和长程时间依赖性，并在广阔空间中全面学习广义癫痫预测特征	NA	提高癫痫发作预测的准确性和可解释性	癫痫患者	机器学习	癫痫	深度学习	B2-ViT Net	时间序列数据	两个公开数据集：CHB-MIT和Kaggle数据集
319	2024-12-31	Regional-Asymmetric Adaptive Graph Convolutional Neural Network for Diagnosis of Autism in Children With Resting-State EEG 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.2023.3347134 PMID:38145528	研究论文	本文提出了一种基于图卷积神经网络的端到端诊断方法，用于儿童自闭症的诊断	设计了区域不对称自适应图卷积神经网络（RAGNN），结合了脑功能连接和半球不对称特征的神经科学发现，通过分层特征提取和融合过程学习可分离的时空EEG特征	样本量较小，仅包括45名自闭症儿童和45名正常发育儿童	提高儿童自闭症诊断的准确性	自闭症儿童和正常发育儿童的静息态脑电图（rs-EEG）数据	数字病理学	自闭症	图卷积神经网络	RAGNN	脑电图（EEG）数据	45名自闭症儿童和45名正常发育儿童
320	2024-12-31	Deep Learning-Based Assessment Model for Real-Time Identification of Visual Learners Using Raw EEG 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.2024.3351694 PMID:38194390	研究论文	本文提出了一种基于深度学习的模型，用于实时识别视觉学习者的原始脑电图（EEG）信号	首次使用深度学习技术（LSTM、LSTM-CNN、LSTM-FCNN）实时处理原始EEG信号，无需离线处理，直接识别视觉学习风格	研究样本量较小，仅包含34名健康受试者，且仅针对视觉学习风格进行识别	开发一种实时识别视觉学习风格的深度学习模型	34名健康受试者的EEG信号	机器学习	NA	EEG信号分析	LSTM, LSTM-CNN, LSTM-FCNN	EEG信号	34名健康受试者