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
261	2025-04-29	Deep Supervised Attention Network for Dynamic Scene Deblurring 2025-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s25061896 PMID:40293008	research paper	提出了一种基于深度监督注意力网络的动态场景去模糊方法	采用多尺度端到端循环网络和监督注意力机制，结合新的损失函数和快速傅里叶变换，提高了去模糊效果	现有数据集存在数据量少、真实图像不清晰和单一模糊尺度的问题	改进动态场景去模糊的效果	模糊图像	computer vision	NA	fast Fourier transform (FFT)	CNN, recurrent network	image	NA
262	2025-04-29	Unobtrusive Bed Monitor State of the Art 2025-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s25061879 PMID:40293004	review	本文综述了无干扰床监测设备的技术现状及其在健康管理和疾病预防中的应用	总结了无干扰床监测设备在过去30年的发展历程，并探讨了深度学习、AI和IoT技术对其的推动作用	未提及具体的技术细节或实验验证结果	探讨无干扰床监测设备在健康管理和疾病预防中的潜在应用	无干扰床监测设备及其检测的生理信息	医疗健康监测	NA	深度学习、AI、IoT	NA	生理信号数据	NA
263	2025-04-29	PCAFA-Net: A Physically Guided Network for Underwater Image Enhancement with Frequency-Spatial Attention 2025-Mar-17, Sensors (Basel, Switzerland) DOI:10.3390/s25061861 PMID:40293013	研究论文	提出了一种名为PCAFA-Net的物理引导网络，用于通过多颜色空间自适应调整和频率-空间注意力机制增强水下图像	结合物理模型与深度学习，引入自适应梯度模拟模块、自适应颜色范围调整模块和频率-空间条带注意力模块，充分利用频域和空间域信息	依赖于有限数量和多样性的水下图像数据，在未知环境中的表现仍有挑战	解决水下图像因光散射和水下环境导致的色彩偏移、细节模糊和对比度降低等问题	水下图像	计算机视觉	NA	深度学习	PCAFA-Net（包含AGSM、ACRAM和FSSAM模块）	图像	三个数据集
264	2025-04-29	Learning in Two-Scales Through LSTM-GPT2 Fusion Network: A Hybrid Approach for Time Series Anomaly Detection 2025-Mar-16, Sensors (Basel, Switzerland) DOI:10.3390/s25061849 PMID:40292940	研究论文	提出了一种名为LGFN的多尺度特征提取和数据重构深度学习神经网络，用于在原始输入空间和潜在空间中检测多元时间序列数据中的异常	LGFN网络在原始输入空间和潜在空间同时检测异常，创新性地结合了LSTM和GPT-2的特点	未明确提及具体局限性	提高工业传感器收集的多元时间序列数据中异常检测的准确性和效率	火箭发动机、风力涡轮机叶片和飞机涡轮等机械的传感器数据	机器学习	NA	深度学习	LSTM-GPT2融合网络	多元时间序列数据	五个公共MTS数据集
265	2025-04-29	Squeeze-EnGAN: Memory Efficient and Unsupervised Low-Light Image Enhancement for Intelligent Vehicles 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061825 PMID:40292935	研究论文	提出了一种名为Squeeze-EnGAN的内存高效且无监督的低光照图像增强方法，用于智能车辆	结合了fire模块和U-net架构，显著减少了参数数量和乘加操作，实现了无监督学习且无需配对图像数据集	虽然模型在道路场景中表现良好，但未明确提及在其他复杂环境中的适用性	解决智能车辆在低光照条件下图像增强的问题	智能车辆（如自动驾驶汽车、无人机和机器人）	计算机视觉	NA	GAN	Squeeze-EnGAN（基于U-net和fire模块的GAN）	图像	未明确提及具体样本数量，但实验在Jetson Xavier等设备上进行
266	2025-04-29	Adaptive Vectorial Restoration from Dynamic Speckle Patterns Through Biological Scattering Media Based on Deep Learning 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061803 PMID:40292951	研究论文	提出一种基于深度学习的偏振分辨恢复方法，用于从动态和各向异性生物散射介质生成的散斑图案中实现高效准确的成像重建	创新性地利用矢量光场的两个正交偏振分量，结合CNN与Transformer架构的混合网络模型，首次实现了动态时变散斑图案的自适应矢量恢复	NA	解决生物组织中光散射导致的矢量光场传播和重建难题，推进矢量光场在动态散射环境中的应用	各向异性和动态时变的生物散射介质	生物医学成像	NA	偏振分辨光学成像	CNN与Transformer混合网络	散斑图像	NA
267	2025-04-29	Automatic Recognition of Dual-Component Radar Signals Based on Deep Learning 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061809 PMID:40292965	研究论文	本文提出了一种基于深度学习的双分量雷达信号自动识别框架TFGM-RMNet，以提高低信噪比条件下的识别准确率	结合深度时频生成模块与基于Transformer的残差网络，构建端到端深度学习框架，无需显式时频变换	实验仅针对双分量雷达信号进行验证，未涉及更复杂的多分量场景	提高低信噪比条件下多分量雷达信号的识别准确率	双分量雷达信号	机器学习	NA	深度学习	CNN, Transformer	雷达信号	NA
268	2025-04-29	TipSegNet: Fingertip Segmentation in Contactless Fingerprint Imaging 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061824 PMID:40292973	研究论文	本文介绍了一种名为TipSegNet的新型深度学习模型，用于在非接触式指纹成像中实现指尖分割	TipSegNet结合了ResNeXt-101主干网络和特征金字塔网络(FPN)，在多变的手指姿势和图像质量下实现精确分割，并通过数据增强策略提高了模型的泛化能力和鲁棒性	NA	提高非接触式指纹识别系统中指尖检测和分割的准确性	指尖在灰度手部图像中的分割	计算机视觉	NA	深度学习	ResNeXt-101, FPN	图像	2257张标记的手部图像
269	2025-04-29	Steel Roll Eye Pose Detection Based on Binocular Vision and Mask R-CNN 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061805 PMID:40292976	研究论文	提出一种基于深度学习的双目视觉方法，用于钢卷卷眼的位姿检测，以实现钢卷包装生产线内角护板安装站的自动化	结合Mask R-CNN算法和RGB向量空间图像分割方法，实现了钢卷端面目标区域的识别和特征提取	实验中的最大偏差和误差虽然满足实际安装需求，但仍有进一步优化的空间	实现钢卷包装生产线内角护板安装站的自动化，提高工作效率并降低人工成本	钢卷卷眼的位姿检测	计算机视觉	NA	双目视觉、RGB向量空间图像分割、Sobel边缘检测、最小二乘法	Mask R-CNN	图像	NA
270	2025-04-29	Enhancing EEG-Based Emotion Detection with Hybrid Models: Insights from DEAP Dataset Applications 2025-Mar-14, Sensors (Basel, Switzerland) DOI:10.3390/s25061827 PMID:40292995	研究论文	本研究利用DEAP数据集探索和评估多种机器学习和深度学习技术，用于基于EEG信号的情绪检测，旨在解决现有方法在准确性、可解释性和实时性方面的挑战	提出了一种混合方法，结合了多种模型（包括KNN、SVM、DT、RF、BiLSTM、GRU、CNN、自动编码器和Transformer），并利用SHAP增强模型可解释性，开发了实时情绪检测系统	准确率略低于某些最先进方法，数据集规模和多样性有待扩大	提高基于EEG信号的情绪检测的准确性、可解释性和实时性	DEAP数据集中的EEG信号	机器学习	精神健康	EEG信号分析	KNN, SVM, DT, RF, BiLSTM, GRU, CNN, autoencoders, transformers	EEG信号	DEAP数据集（具体数量未提及）
271	2025-04-29	Optimizing Satellite Imagery Datasets for Enhanced Land/Water Segmentation 2025-Mar-13, Sensors (Basel, Switzerland) DOI:10.3390/s25061793 PMID:40292861	研究论文	本文提出了一种自动化优化用于土地/水体分割任务的深度学习模型数据集的方法	采用带可变阈值的归一化差异水体指数(NDWI)自动评估多光谱卫星图像标注质量，系统性识别并排除低质量样本	NA	提升土地/水体分割任务中深度学习模型的性能	多光谱卫星图像数据集	计算机视觉	NA	NDWI	深度学习模型	多光谱卫星图像	两个公开数据集(SWED和SNOWED)
272	2025-04-29	Comparison and Optimization of Generalized Stamping Machine Fault Diagnosis Models Using Various Transfer Learning Methodologies 2025-Mar-13, Sensors (Basel, Switzerland) DOI:10.3390/s25061779 PMID:40292927	研究论文	本文通过比较和优化多种迁移学习方法，开发了一种适用于多种冲压机的通用故障诊断模型	提出了一种适用于多种冲压机类型的通用故障诊断模型，解决了因冲压机设计异质性导致的模型开发难题	模型尚未在所有类型的冲压机上验证，可能存在对其他机型的适应性限制	开发一种能够跨多种冲压机类型应用的通用故障诊断模型	四种冲压机模型（OCP-110、G2-110、G2-160和ST1-110）	智能制造	NA	迁移学习	CNN、CNN-Res、VGG16、ResNet50	振动数据	四种冲压机模型的振动数据
273	2025-04-29	Acceleration of Image Classification and Object Tracking by the Intel Neural Compute Stick 2 with Power Efficiency Evaluation on Raspberry Pi 4B 2025-Mar-13, Sensors (Basel, Switzerland) DOI:10.3390/s25061794 PMID:40292928	研究论文	本研究探讨了在Raspberry Pi 4B平台上使用Intel Neural Compute Stick 2 (NCS2)加速图像分类和对象跟踪的效率和功耗	通过结合NCS2和Raspberry Pi 4B，在嵌入式系统中实现复杂神经网络的实时操作，并评估了NCS2加速在不同应用场景下的性能提升	研究仅针对特定模型进行测试，未涵盖所有可能的神经网络模型和应用场景	评估NCS2在嵌入式系统中加速图像分类和对象跟踪的性能和功耗效率	Intel Neural Compute Stick 2 (NCS2) 和 Raspberry Pi 4B平台	计算机视觉	NA	OpenVINO™ 2022.3.2 和 Deep SORT算法	NA	图像	NA
274	2025-04-29	AI-Powered Visual Sensors and Sensing: Where We Are and Where We Are Going 2025-Mar-12, Sensors (Basel, Switzerland) DOI:10.3390/s25061758 PMID:40292874	research paper	探讨AI驱动的视觉传感器和传感技术的现状与未来发展方向	回顾深度学习的历史并展望其在视觉传感领域的应用前景	NA	分析AI在视觉传感领域的应用现状与未来趋势	视觉传感器和传感技术	computer vision	NA	deep learning	NA	NA	NA
275	2025-04-29	Robust Adversarial Example Detection Algorithm Based on High-Level Feature Differences 2025-Mar-12, Sensors (Basel, Switzerland) DOI:10.3390/s25061770 PMID:40292880	研究论文	本文提出了一种基于高级特征差异（HFDs）的新型对抗样本检测算法，旨在提高对攻击和预处理操作的鲁棒性	利用具有相同预测标签的干净样本和对抗样本在高级特征上的语义冲突，实现了高检测准确性和对预处理的鲁棒性	未明确提及具体的数据集规模或计算资源需求	提高对抗样本检测算法的鲁棒性，特别是在面对不同攻击类型和预处理操作时	对抗样本（AEs）及其检测	机器学习	NA	高级特征差异（HFDs）分析	编码器和相似性测量模型	图像	未明确提及具体样本数量
276	2025-04-29	Real-Time Acoustic Scene Recognition for Elderly Daily Routines Using Edge-Based Deep Learning 2025-Mar-12, Sensors (Basel, Switzerland) DOI:10.3390/s25061746 PMID:40292891	研究论文	本文提出了一种结合边缘计算和深度学习的声学场景识别系统，用于实时监测老年人的日常活动	系统采用边缘计算和深度学习相结合的方式，解决了传统基于云计算的声学场景监测系统在数据传输延迟和隐私方面的限制	未提及具体局限性	开发一种高效、可靠且用户友好的实时声学场景监测系统，用于老年人护理	老年人的日常活动	机器学习	老年疾病	深度学习模型量化技术	CNN, LSTM, BiLSTM, DNN	声学数据	未提及具体样本数量
277	2025-04-29	Identification of People in a Household Using Ballistocardiography Signals Through Deep Learning 2025-Mar-11, Sensors (Basel, Switzerland) DOI:10.3390/s25061732 PMID:40292805	研究论文	本研究开发了一种基于深度学习的心冲击信号识别系统，用于家庭成员的个体识别	使用非粘附性、非侵入性的聚偏二氟乙烯压电传感器获取心冲击信号，并通过深度学习进行个体识别	未来需要考虑信号的日常变化对识别准确性的影响	开发一种无需皮肤接触的健康监测系统，实现家庭成员的个体识别	10名受试者的心冲击信号	机器学习	老年疾病	心冲击信号采集	神经网络	信号数据	10名受试者的252个案例
278	2025-04-29	A Novel Explainable Attention-Based Meta-Learning Framework for Imbalanced Brain Stroke Prediction 2025-Mar-11, Sensors (Basel, Switzerland) DOI:10.3390/s25061739 PMID:40292890	研究论文	提出了一种新颖的可解释性注意力元学习框架，用于不平衡脑卒中预测	整合了混合重采样技术、集成分类器和可解释人工智能（XAI），以提升预测性能和可解释性	未提及具体局限性	提高脑卒中的预测准确性和可解释性	脑卒中预测	机器学习	脑卒中	SMOTE、SMOTEENN、动态特征选择、SHAP	Random Forest、LightGBM、深度学习元分类器	医学数据集	三个数据集（DF-1、DF-2、DF-3）
279	2025-04-29	Enhanced Vision-Based Quality Inspection: A Multiview Artificial Intelligence Framework for Defect Detection 2025-Mar-10, Sensors (Basel, Switzerland) DOI:10.3390/s25061703 PMID:40292782	research paper	本文研究了一种基于多视角深度学习的方法，用于提高金属表面缺陷检测的准确性，并提出了一种新的早期融合架构MV-UNet	提出了一种新的早期融合架构MV-UNet，通过转换块对齐和聚合多视角特征以提高检测精度，并引入了针对分割缺陷检测的适应精度-召回指标	研究主要针对金属表面的细微缺陷（如划痕），可能不适用于其他类型的缺陷或材料	提高工业质量控制中自动化缺陷检测的准确性	金属板表面的细微缺陷（如划痕）	computer vision	NA	deep learning	MV-UNet, CNN	image	记录的金属板数据集
280	2025-04-29	Time Series Remote Sensing Image Classification with a Data-Driven Active Deep Learning Approach 2025-Mar-10, Sensors (Basel, Switzerland) DOI:10.3390/s25061718 PMID:40292845	research paper	提出了一种数据驱动的主动深度学习框架，用于时间序列遥感图像分类，以解决标记样本有限的问题	结合主动学习方法和深度学习模型，考虑时间序列数据的代表性和不确定性，设计新的损失函数以提高模型性能	需要进一步验证在更多数据集上的泛化能力，且主动学习过程中的人工标注成本仍需优化	解决时间序列遥感图像分类中标记样本不足的问题	时间序列遥感图像（TSRSIs）	computer vision	NA	active learning, deep learning	auxiliary deep network	time series remote sensing images	三个数据集（MUDS、DynamicEarthNet、PASTIS），初始样本数分别为100、1000、1000，标注样本数为2000