深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
5401	2026-01-29	Research on Tool Wear Prediction Method Based on CNN-ResNet-CBAM-BiGRU 2026-Jan-19, Sensors (Basel, Switzerland) DOI:10.3390/s26020661 PMID:41600456	研究论文	本文提出了一种结合CNN、ResNet、CBAM和BiGRU的混合深度神经网络，用于提高刀具磨损预测的准确性和稳定性	通过引入ResNet残差连接缓解梯度消失问题，集成CBAM模块自适应重加权特征，并利用BiGRU进行双向时序建模，提升了特征提取和预测性能	NA	解决刀具磨损预测中特征提取不足、梯度消失和预测精度低的问题	刀具磨损预测	机器学习	NA	多传感器信号分析	CNN, ResNet, BiGRU	多传感器信号	基于PHM2010数据集	NA	CNN-ResNet-CBAM-BiGRU	平均绝对误差, 均方根误差, 决定系数	NA
5402	2026-01-29	Deep Learning-Based 3D Reconstruction for Defect Detection in Shipbuilding Sub-Assemblies 2026-Jan-19, Sensors (Basel, Switzerland) DOI:10.3390/s26020660 PMID:41600461	研究论文	本文提出了一种基于深度学习的3D重建方法，用于检测造船子组件中的超差缺陷	采用基于重建的无监督学习方法，在3D点云上自动检测超差缺陷，并比较了四种先进架构的性能	缺陷可能出现在不同位置且具有变化的几何模式，难以预先明确表征	实现造船子组件中超差缺陷的自动检测，以确保最终产品的完整性和安全性	简单和T形子组件中的超差缺陷	计算机视觉	NA	3D点云重建	VAE, 自编码器	3D点云	仅使用无缺陷样本进行训练	NA	Variational Autoencoder (VAE), FoldingNet, Dynamic Graph CNN (DGCNN) autoencoder, PointNet++ autoencoder	检测性能、稳定性、计算成本	NA
5403	2026-01-29	Welding Seam Recognition and Trajectory Planning Based on Deep Learning in Electron Beam Welding 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020641 PMID:41600439	研究论文	本研究提出了一种结合改进的YOLOv11-seg与自适应Canny边缘检测的混合算法，用于解决真空电子束焊接中因暗环境和金属反射导致的焊缝识别挑战	引入了UFO-ViT注意力机制，使用EIoU损失函数优化网络架构，并采用Otsu方法为Canny算子设置自适应阈值，显著提升了复杂条件下的识别性能	NA	解决真空电子束焊接中焊缝识别的挑战，为焊接自动化提供视觉引导解决方案	电子束焊接过程中的焊缝	计算机视觉	NA	深度学习	CNN, 混合算法	图像	NA	NA	YOLOv11-seg, UFO-ViT	平均精度(mAP), 帧率(FPS), 平均长度偏差	NA
5404	2026-01-29	Hybrid Unsupervised-Supervised Learning Framework for Rainfall Prediction Using Satellite Signal Strength Attenuation 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020648 PMID:41600446	研究论文	本研究提出了一种结合无监督聚类与聚类特定监督深度学习模型的混合机器学习框架，利用卫星信号衰减数据进行降雨预测	提出了一种新颖的混合学习框架，通过K-Means聚类识别不同大气状态，并为每个状态训练专门的LSTM模型，而非采用单一模型统一处理所有大气条件	研究基于特定地理区域（泰国曼谷）的数据，其方法在其它气候区域的普适性有待验证；模型依赖于特定卫星地面站的硬件配置	开发一种利用卫星通信信号衰减进行降雨预测的方法，以弥补热带地区地面气象雷达基础设施的不足	来自泰国曼谷KMITL的12米Ku波段卫星地面站的信号信噪比模式，结合绝对压力和每小时降雨测量数据	机器学习	NA	卫星信号强度测量，软件定义无线电实时数据采集	K-Means, LSTM, RNN, GRU	时间序列数据	98,483个观测值，时间分辨率为30秒	NA	LSTM, RNN, GRU	R值，检测概率，误报率	NA
5405	2026-01-29	Fatigue Crack Length Estimation Using Acoustic Emissions Technique-Based Convolutional Neural Networks 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020650 PMID:41600444	研究论文	本研究提出了一种基于深度学习的框架，利用声发射信号估计金属板中的疲劳裂纹长度	首次将声发射信号通过Choi-Williams分布转换为时频图像，并采用基于CNN的聚类系统和迁移学习模型进行疲劳裂纹长度分类	研究仅针对金属板材料，未涉及其他工程结构或复杂环境条件	开发一种数据驱动的结构健康监测方法，用于疲劳裂纹长度的准确估计	金属板中的疲劳裂纹传播	机器学习	NA	声发射技术，Choi-Williams分布	CNN	图像	NA	TensorFlow, Keras	ResNet50V2, VGG16	准确率	NA
5406	2026-01-29	Bearing Anomaly Detection Method Based on Multimodal Fusion and Self-Adversarial Learning 2026-Jan-17, Sensors (Basel, Switzerland) DOI:10.3390/s26020629 PMID:41600425	研究论文	本文提出了一种基于多模态融合和自对抗学习的轴承异常检测方法，以解决样本分布不平衡和复杂工况带来的挑战	提出了一种结合多模态特征融合（将一维振动时序数据转换为GADF图像并与原始时序数据融合）和自对抗训练（SAT）机制的策略，以增强模型在真实高噪声环境下的泛化能力和鲁棒性	方法专门针对智能铁路维护的高噪声独特环境设计，其普适性在其他工业场景中可能需要进一步验证	开发一种在样本不平衡和复杂工况下性能更优的轴承异常检测方法	轴承振动数据	机器学习	NA	Gramian Angular Difference Field (GADF) 图像转换，时间域和图像域复合数据增强	深度学习模型	一维时间序列数据，图像	NA	NA	NA	准确率，精确率，召回率， F1分数	NA
5407	2026-01-29	Attention-Enhanced CNN-LSTM with Spatial Downscaling for Day-Ahead Photovoltaic Power Forecasting 2026-Jan-15, Sensors (Basel, Switzerland) DOI:10.3390/s26020593 PMID:41600390	研究论文	本文提出了一种结合空间降尺度策略的注意力增强CNN-LSTM框架，用于提高日前光伏功率预测的准确性	引入了基于注意力的CNN-LSTM网络和XGBoost多站点降尺度模型，以融合多源气象数据并提升空间分辨率	未明确讨论模型在不同地理区域或极端天气条件下的泛化能力	提高日前光伏功率预测的准确性，以支持高光伏渗透率电力系统的安全运行和调度	多站点光伏发电数据及相关气象变量	机器学习	NA	数值天气预报（NWP）产品分析	CNN, LSTM, XGBoost	时间序列数据（历史功率测量、气象变量）	来自代表性季节的多站点光伏数据	TensorFlow, PyTorch, Scikit-learn	CNN-LSTM with attention mechanism, XGBoost	RMSE, MAE, Pearson correlation, CR	NA
5408	2026-01-29	PSgANet: Polar Sequence-Guided Attention Network for Edge-Related Defect Classification in Contact Lenses 2026-Jan-15, Sensors (Basel, Switzerland) DOI:10.3390/s26020601 PMID:41600397	研究论文	本文提出了一种名为PSgANet的新型深度学习模型，用于提高隐形眼镜边缘连接区缺陷检测与分类的准确性	提出了一种结合极坐标变换、序列学习和注意力机制的新型网络架构PSgANet，将边缘不规则性转换为线性阵列进行更清晰的缺陷识别	NA	提高隐形眼镜制造过程中边缘连接区缺陷检测与分类的准确性和效率	隐形眼镜的边缘连接区缺陷	计算机视觉	NA	极坐标变换	GRU, LSTM, Transformer	图像	NA	NA	PSgANet, GoogleNetv4, EfficientNet, Vision Transformer	准确率, 精确率, 召回率	NA
5409	2026-01-29	STS-AT: A Structured Tensor Flow Adversarial Training Framework for Robust Intrusion Detection 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020536 PMID:41600334	研究论文	本文提出了一种结合结构化张量与对抗性训练的新型网络入侵检测方法STS-AT，以解决现有方法依赖手动特征工程和深度学习模型易受对抗样本攻击的问题	首次将结构化张量编码、结合CNN与LSTM的分层深度学习模型以及多策略对抗性训练集成到一个统一的框架中，显著提升了模型在对抗攻击下的鲁棒性和训练效率	实验仅在CICIDS2017数据集上进行验证，未在其他数据集或实际网络环境中测试，且对抗攻击类型有限	开发一种鲁棒的网络入侵检测方法，以应对对抗样本攻击并减少对人工特征工程的依赖	网络流量数据，特别是来自CICIDS2017数据集的原始十六进制流量	机器学习	NA	结构化张量编码，对抗性训练	CNN, LSTM	网络流量数据（原始十六进制格式）	使用CICIDS2017数据集，具体样本数量未明确说明	TensorFlow	结合CNN与LSTM的分层模型	准确率	NA
5410	2026-01-29	Three-Dimensionally Printed Sensors with Piezo-Actuators and Deep Learning for Biofuel Density and Viscosity Estimation 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020526 PMID:41600319	研究论文	本研究提出了一种结合3D打印传感器、压电致动器和深度学习技术的系统，用于估计生物燃料的密度和粘度	通过实验验证和新型优化策略（考虑灵敏度、恢复性和分辨率）改进3D打印液体填充单元的结构设计，并集成人工智能算法关联传感器响应与流体特性	未明确说明系统在长期工业环境中的稳定性或对不同类型生物燃料的普适性验证	开发一种低成本、紧凑且精确的传感器系统，用于评估生物燃料溶液的物理化学性质	生物燃料溶液	机器学习	NA	3D打印技术，压电传感	深度学习算法	传感器响应数据	NA	NA	NA	校准误差，分辨率误差	微控制器
5411	2026-01-29	A Real-Time Mobile Robotic System for Crack Detection in Construction Using Two-Stage Deep Learning 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020530 PMID:41600326	研究论文	本文提出了一种集成深度学习感知与自主导航的实时机器人检测系统，用于建筑裂缝检测	采用两阶段神经网络（U-Net用于初始分割，Pix2Pix条件生成对抗网络用于边界精炼），并结合UGV实现实时裂缝检测与自主导航	未在更复杂或大规模实际基础设施环境中进行全面验证	开发一种自主、实时的机器人系统，用于土木基础设施的裂缝检测	建筑裂缝，特别是宽度低至0.3毫米的微裂缝	计算机视觉	NA	深度学习，机器人感知与导航	CNN, GAN	图像（RGB-D），点云（LiDAR）	CrackSeg9k数据集	NA	U-Net, Pix2Pix	平均交并比（mIoU），F1分数	部署在配备RGB-D相机和LiDAR的无人地面车辆（UGV）上
5412	2026-01-29	Quantum-Resilient Federated Learning for Multi-Layer Cyber Anomaly Detection in UAV Systems 2026-Jan-12, Sensors (Basel, Switzerland) DOI:10.3390/s26020509 PMID:41600307	研究论文	本文提出了一种量子弹性的联邦学习框架，用于无人机系统中的多层网络异常检测	结合了变分自编码器与神经网络分类器的混合深度学习架构，实现了零日异常检测和精确攻击分类；整合了拜占庭鲁棒且隐私保护的联邦学习；采用了CRYSTALS-Dilithium后量子数字签名进行模型更新认证	NA	为无人机系统开发一种量子弹性的、隐私保护的多层网络异常检测安全框架	无人机通信和控制系统	机器学习	NA	NA	VAE, 神经网络	网络攻击数据	一个包含GPS欺骗、GPS干扰、拒绝服务及模拟攻击场景的真实无人机攻击数据集	NA	变分自编码器, 神经网络分类器	检测准确率, 计算开销	NA
5413	2026-01-29	Atten-LTC-Enhanced MoE Model for Agent Trajectory Prediction in Autonomous Driving 2026-Jan-11, Sensors (Basel, Switzerland) DOI:10.3390/s26020479 PMID:41600276	研究论文	本文提出了一种结合注意力机制、LTC网络与MoE框架的创新模型，用于自动驾驶中的单智能体和多智能体轨迹预测	结合注意力机制、LTC网络与MoE框架，提出通用的Atten-LTC-MoE模型，支持不同自动驾驶环境下的轨迹预测问题	NA	研究自动驾驶系统中智能体轨迹预测问题，包括单智能体和多智能体轨迹预测	自动驾驶系统中的智能体，如车辆、行人和其他交通参与者	机器学习	NA	注意力机制、LTC网络、MoE框架、车道和智能体向量化、时空特征提取、智能体数据融合、轨迹端点生成	LTC, MoE	传感器数据	Argoverse和Interaction数据集	NA	Atten-LTC-MoE	minADE, minFDE	NA
5414	2026-01-29	Deep Learning-Assisted Porosity Assessment for Additive Manufacturing Components Using Ultrasonic Coda Waves 2026-Jan-11, Sensors (Basel, Switzerland) DOI:10.3390/s26020478 PMID:41600275	研究论文	本文提出了一种基于深度学习辅助的超声尾波非破坏性测试方法，用于评估增材制造部件的孔隙率	结合超声尾波的高灵敏度与深度学习特征提取能力，提出了一种新的高精度非破坏性孔隙率评估方法	未明确说明样本规模、计算资源细节或方法在工业环境中的泛化能力	开发一种准确的原位非破坏性测试方法，以评估增材制造部件的孔隙率	增材制造部件	机器学习	NA	超声尾波检测	CNN, 多头注意力机制	超声信号	NA	NA	尾波-卷积神经网络-多头注意力机制网络	准确率	NA
5415	2026-01-29	LSTM-Based Absolute Position Estimation of a 2-DOF Planar Delta Robot Using Time-Series Data 2026-Jan-10, Sensors (Basel, Switzerland) DOI:10.3390/s26020470 PMID:41600266	研究论文	本研究提出了一种基于LSTM的数据驱动方法，利用时间序列力信号来估计2自由度平面Delta机器人的绝对位置	采用无位置或轨迹控制的自由运动方式，通过机器人构型依赖的可操作性生成时间序列力信号，并设计结合1D卷积层和双向LSTM的混合深度学习架构进行位置回归	研究仅针对2自由度平面Delta机器人进行验证，未扩展到更高自由度或更复杂的机器人系统	解决机器人在外部负载下因非线性动力学、姿态依赖可操作性和结构敏感性导致的绝对位置估计难题	2自由度平面Delta机器人	机器学习	NA	时间序列数据分析	LSTM, CNN	时间序列数据	在工作空间网格点上收集的末端执行器反作用力和相对编码器变化数据	NA	1D卷积层与双向LSTM网络结合的混合架构	RMSE	NA
5416	2026-01-29	Deep Learning for Image Watermarking: A Comprehensive Review and Analysis of Techniques, Challenges, and Applications 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020444 PMID:41600241	综述	本文全面回顾和分析了深度学习在图像水印技术中的方法、挑战和应用	系统性地综述了基于深度学习的图像水印技术，特别是CNN、GAN、Transformer和扩散模型的应用，并对比了传统方法，强调了其在面对复杂攻击时的优势	在实现高分辨率、实时场景下不可见性、鲁棒性和容量之间的最佳平衡方面仍存在挑战	增强数字内容保护，通过深度学习提升图像水印的性能，以应对未经授权的修改	图像水印技术，包括传统方法和基于深度学习的方法	计算机视觉	NA	NA	CNN, GAN, Transformer, 扩散模型	图像	NA	NA	NA	NA	NA
5417	2026-01-29	Sensor Fusion-Based Machine Learning Algorithms for Meteorological Conditions Nowcasting in Port Scenarios 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020448 PMID:41600245	研究论文	本研究提出了一种基于传感器融合的机器学习框架，用于实时多目标临近预报港口场景中的阵风风速、持续风速和风向	采用符合oneM2M标准的物联网架构，通过特征级融合整合环境传感器和船舶LiDAR系统的异构数据，并比较了多种机器学习模型在港口气象临近预报中的性能	研究仅基于2025年2月至11月在利沃诺港收集的数据，可能受特定地理位置和时间段限制，未广泛验证于其他港口或长期数据	开发一个实时多目标气象临近预报系统，以支持港口安全高效的海事活动	利沃诺港的阵风风速、持续风速和风向	机器学习	NA	传感器融合, LiDAR	Random Forest, XGBoost, LSTM, Temporal Convolutional Network, Ensemble Neural Network, Transformer, Kalman filter	异构传感器数据（气象站、风速计、LiDAR）	2025年2月至11月在利沃诺港收集的数据	NA	Random Forest, XGBoost, LSTM, Temporal Convolutional Network, Ensemble Neural Network, Transformer	相关系数R	NA
5418	2026-01-29	A Ceramic Rare Defect Amplification Method Based on TC-CycleGAN 2026-Jan-07, Sensors (Basel, Switzerland) DOI:10.3390/s26020395 PMID:41600191	研究论文	本文提出了一种基于TC-CycleGAN的陶瓷稀有缺陷图像增强方法，以解决深度学习陶瓷缺陷检测中稀有样本稀缺和类别不平衡的问题	在CycleGAN框架基础上，优化了生成器和判别器结构，提出了TC-UNet生成器和TC-PatchGAN判别器，引入了scSE和DehazeFormer模块以及ContraNorm模块，显著提升了生成图像的质量和缺陷检测精度	未明确说明该方法在其他类型陶瓷缺陷或工业场景中的泛化能力，也未讨论计算复杂度或实时性方面的限制	解决陶瓷缺陷检测中稀有缺陷样本稀缺和类别不平衡问题，提升缺陷检测模型的识别精度	陶瓷表面的稀有缺陷图像，特别是凹坑和烟渍类型缺陷	计算机视觉	NA	深度学习图像生成与增强	GAN, CycleGAN	图像	NA	NA	CycleGAN, UNet, TC-UNet, TC-PatchGAN	FID, KID, 准确率	NA
5419	2026-01-29	Performance Analysis of Explainable Deep Learning-Based Intrusion Detection Systems for IoT Networks: A Systematic Review 2026-Jan-06, Sensors (Basel, Switzerland) DOI:10.3390/s26020363 PMID:41600159	系统综述	本文系统综述了基于可解释深度学习的物联网网络入侵检测系统的性能，分析了检测精度、计算开销与解释质量之间的权衡	提出了一个标准化的可解释性后部署评估框架和一个统一的评估框架，用于建模物联网入侵检测系统中检测性能、资源效率和解释质量之间的基本三难困境	现有方法存在明显的不平衡，高检测精度往往以牺牲计算效率和严格的解释性评估为代价，限制了在物联网边缘设备上的实际部署	研究可解释人工智能在资源受限的物联网环境中对入侵检测系统性能的影响，并分析检测精度、计算开销与解释质量之间的权衡	物联网网络中的入侵检测系统	机器学习	NA	可解释人工智能	深度学习模型	NA	129篇同行评议研究（2018年至2025年发表）	NA	NA	检测精度, 计算效率, 解释质量	物联网边缘设备
5420	2026-01-29	Unsupervised Neural Beamforming for Uplink MU-SIMO in 3GPP-Compliant Wireless Channels 2026-Jan-06, Sensors (Basel, Switzerland) DOI:10.3390/s26020366 PMID:41600164	研究论文	本文提出并比较了两种无监督学习架构，用于上行链路接收波束成形，以在3GPP兼容信道中最大化多用户单输入多输出系统的总速率	引入基于Transformer的神经网络波束成形模型，结合分组卷积和Transformer块来捕获长距离信道依赖，并在现实条件下实现优于传统方法的性能	简单NNBF在简化假设下评估，而基于Transformer的NNBF计算复杂度较高	开发并比较无监督深度学习波束成形方法，以提升无线通信系统中的频谱效率和干扰抑制能力	上行链路多用户单输入多输出系统，在3GPP兼容信道模型下的单天线用户设备	机器学习	NA	无监督深度学习，波束成形	CNN, Transformer	信道状态信息	NA	NA	卷积神经网络, Transformer	总速率, 计算复杂度	NA