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 1 篇文献。
| 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 | 2026-02-15 |
Evaluation of a markerless motion capture to measure 3D joint kinematics during occupational lifting tasks using mobile devices
2026-Jul, Applied ergonomics
IF:3.1Q2
DOI:10.1016/j.apergo.2026.104743
PMID:41628493
|
研究论文 | 本研究评估并改进了基于智能手机的无标记运动捕捉系统OpenCap，用于测量职业举重任务中的三维关节运动学 | 针对OpenCap在职业举重任务中性能不足的问题，提出并训练了一个任务特定的模型，显著降低了运动学误差和误差变异性 | 原始模型在未包含于训练数据集的活动（如职业举重任务）中表现较差，本研究通过任务特定模型解决了此限制，但可能仍需针对其他特定任务进行类似适配 | 评估和改进无标记运动捕捉技术，以低成本、易用且适用于现场的方式收集三维举重运动学数据，用于人机工程学应用 | 职业举重任务中的三维关节运动学 | 计算机视觉 | NA | 无标记运动捕捉 | 深度学习模型 | 视频 | 基于大量多样化手动举重任务数据集 | NA | 标记增强器 | 均方根误差, 误差变异性 | NA |