深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 1959 篇文献，本页显示第 541 - 560 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 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 | NA | NA | NA | NA |
| 542 | 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 | NA | NA | NA | NA |
| 543 | 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 | NA | NA | NA | NA |
| 544 | 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 | NA | NA | NA | NA |
| 545 | 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 | NA | NA | NA | NA |
| 546 | 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 | NA | NA | NA | NA |
| 547 | 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 | NA | NA | NA | NA |
| 548 | 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 | NA | NA | NA | NA |
| 549 | 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 | NA | NA | NA | NA |
| 550 | 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 | NA | NA | NA | NA |
| 551 | 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 | NA | NA | NA | NA |
| 552 | 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 | NA | NA | NA | NA |
| 553 | 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 | NA | NA | NA | NA |
| 554 | 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 | NA | NA | NA | NA |
| 555 | 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 | NA | NA | NA | NA |
| 556 | 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 | NA | NA | NA | NA |
| 557 | 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 | NA | NA | NA | NA |
| 558 | 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 | NA | NA | NA | NA |
| 559 | 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 | NA | NA | NA | NA |
| 560 | 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 | NA | NA | NA | NA |