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
6941	2025-02-21	Enhancing Stress Detection: A Comprehensive Approach through rPPG Analysis and Deep Learning Techniques 2024-Feb-07, Sensors (Basel, Switzerland) DOI:10.3390/s24041096 PMID:38400254	研究论文	本文提出了一种基于远程光电容积描记术（rPPG）和深度学习技术的压力检测方法，旨在通过面部视频实现高效的压力检测	本文提出了新颖的混合深度学习网络，结合LSTM、GRU和1D-CNN模型，并通过超参数优化和数据增强技术提高压力检测的准确性和效率	NA	提高压力检测的准确性和效率，特别是在远程压力监测领域	面部视频数据	计算机视觉	NA	远程光电容积描记术（rPPG）	LSTM, GRU, 1D-CNN	视频	UBFC-Phys数据集
6942	2025-02-21	Enhancing Human Activity Recognition in Smart Homes with Self-Supervised Learning and Self-Attention 2024-Jan-29, Sensors (Basel, Switzerland) DOI:10.3390/s24030884 PMID:38339601	研究论文	本文提出了一种基于自监督学习和自注意力机制的新型AttCLHAR模型，用于智能家居环境中的人类活动识别，特别是在标注数据有限或无标注的情况下	结合了自监督学习框架SimCLR和自注意力机制，并引入了锐度感知最小化（SAM）以增强模型的泛化能力	需要进一步验证在更大规模和多样化数据集上的性能	提高智能家居环境中人类活动识别的准确性和效率，特别是在标注数据有限的情况下	智能家居环境中的老年人日常活动	机器学习	老年疾病	自监督学习，自注意力机制，锐度感知最小化（SAM）	AttCLHAR（结合SimCLR和自注意力机制）	环境传感器数据	三个CASAS智能家居数据集（Aruba-1, Aruba-2, Milan）
6943	2025-02-21	Optimizing classification of diseases through language model analysis of symptoms 2024-01-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-51615-5 PMID:38233458	研究论文	本文研究了使用语言模型和深度学习技术从症状中自动化预测疾病的方法	探索了两种MCN-BERT模型和一种BiLSTM模型，每种模型使用不同的超参数优化方法，以从症状描述中预测疾病	NA	自动化疾病预测，支持早期检测和更及时的治疗，扩展远程诊断能力	症状描述和疾病标签	自然语言处理	NA	深度学习	MCN-BERT, BiLSTM	文本	Dataset-1: 1,200个数据点；Dataset-2: 23,516条推文
6944	2025-02-21	Spatiotemporal convolutional long short-term memory for regional streamflow predictions 2024-Jan-15, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.119585 PMID:38016234	研究论文	本文提出了一种结合CNN和LSTM的深度学习架构，用于同时预测美国86个流域的日径流量	创新点在于使用CNN编码空间模式，LSTM学习时间关系，有效结合了时空信息	未提及具体局限性	研究目的是改进区域尺度的降雨-径流（RR）建模	研究对象是美国86个流域的日径流量	机器学习	NA	深度学习	CNN-LSTM	时间序列数据（降水、最高温度、最低温度）	86个流域的一年数据
6945	2025-02-21	Long short-term memory (LSTM)-based news classification model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301835 PMID:38814925	研究论文	本研究使用单向和双向长短期记忆（LSTM）深度学习网络进行中文新闻分类，并探讨了上下文信息对文本分类的影响，达到了较高的准确率	使用双向LSTM网络进行特征提取，结合单向LSTM网络进行特征整合，构建了一个高效的中文新闻分类模型	未提及模型在其他语言或更大数据集上的泛化能力	研究中文新闻分类的深度学习模型	中文新闻文章	自然语言处理	NA	word2vec, Adam优化器, dropout	LSTM, BiLSTM	文本	未提及具体样本数量
6946	2025-02-21	TASA: Temporal Attention With Spatial Autoencoder Network for Odor-Induced Emotion Classification Using 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.2024.3399326 PMID:38722724	研究论文	本文提出了一种名为TASA的深度学习架构，用于使用脑电图（EEG）预测气味诱导的情绪	TASA架构通过两阶段学习框架改进，利用自编码器模块学习电极间的空间信息，并通过LSTM-MSA捕捉时间动态	NA	研究气味诱导的情绪分类	人类脑电图（EEG）数据	机器学习	NA	EEG	LSTM, 多头自注意力机制（MSA）	脑电图（EEG）数据	现有嗅觉EEG数据集
6947	2025-02-21	Reservoir parameters prediction based on spatially transferred long short-term memory network 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296506 PMID:38289937	研究论文	本文提出了一种基于空间转移的长短期记忆网络的储层参数预测方法，以解决数据短缺问题	提出了一种基于转移学习的长短期记忆神经网络模型，通过共享神经网络结构中的部分参数，将历史数据的知识转移到新井预测中	由于检测成本、技术难度和复杂地质参数的限制，难以获得深度学习所需的大量数据	提高在数据短缺情况下的储层参数预测准确性	油气储层	机器学习	NA	转移学习	LSTM	地质数据	基于两个区块数据集进行测试
6948	2025-02-21	W-WaveNet: A multi-site water quality prediction model incorporating adaptive graph convolution and CNN-LSTM 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0276155 PMID:38442101	研究论文	本文提出了一种名为W-WaveNet的多站点水质预测模型，结合了自适应图卷积和CNN-LSTM，用于处理水质数据的时间和空间相关性	W-WaveNet模型首次将自适应图卷积与CNN-LSTM结合，能够处理多站点水质数据中的非对齐空间相关性，适用于不同时间跨度的水质数据处理	模型仅在两个真实河流段的多站点水质数据上进行了验证，可能需要更多数据集的测试以验证其普适性	研究目的是开发一种能够同时考虑时间和空间相关性的多站点水质预测模型	多站点水质数据	机器学习	NA	自适应图卷积、CNN-LSTM	W-WaveNet	水质数据	两个真实河流段的多站点水质数据
6949	2025-02-21	Modeling opening price spread of Shanghai Composite Index based on ARIMA-GRU/LSTM hybrid model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299164 PMID:38478502	研究论文	本研究旨在通过结合ARIMA模型与深度学习技术（LSTM和GRU），提高上海综合指数开盘价差预测的准确性	提出了一种结合ARIMA模型与深度学习技术（LSTM和GRU）的混合模型，用于预测上海综合指数的开盘价差	研究仅针对上海综合指数的开盘价差，未涉及其他股票指数或市场	提高上海综合指数开盘价差的预测准确性	上海综合指数的开盘价差	机器学习	NA	ARIMA, LSTM, GRU	ARIMA-LSTM, ARIMA-GRU	时间序列数据	1990年12月20日至2023年6月2日的上海综合指数数据
6950	2025-02-21	Leveraging transfer learning with deep learning for crime prediction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296486 PMID:38630687	研究论文	本研究利用迁移学习与深度学习相结合的方法进行犯罪预测，旨在提高预测的准确性和效率	提出了基于BiLSTM的迁移学习架构，用于跨区域犯罪知识的转移，并在多个犯罪数据集上验证了其优越性	需要大量的犯罪数据和资源来训练最先进的深度学习模型，这可能限制了其广泛应用	提高犯罪预测的准确性和效率，以增强执法机构在控制和预防犯罪方面的能力	芝加哥、纽约和拉合尔的犯罪数据集	机器学习	NA	迁移学习、深度学习	BiLSTM、CNN-LSTM、SMA、WMA、EMA	犯罪数据	多个犯罪数据集（芝加哥、纽约、拉合尔）
6951	2025-02-21	Deep Learning for Automated Measurement of Total Cardiac Volume for Heart Transplantation Size Matching 2023-Dec-28, Research square DOI:10.21203/rs.3.rs-3788726/v1 PMID:38234758	研究论文	本研究旨在通过深度学习技术自动测量心脏总体积（TCV），以促进心脏移植中的尺寸匹配	首次使用3D卷积神经网络（3D-CNN）自动计算TCV，提高了测量的准确性和效率	模型在移植心脏上的准确性略低于正常心脏，且样本量相对较小	开发一种快速且准确的TCV测量方法，以促进心脏移植中的尺寸匹配	0-30岁受试者的CT扫描图像	计算机视觉	心血管疾病	CT扫描	3D-CNN（结合Dense-Net和ResNet架构）	图像	270名受试者用于训练，44名受试者用于验证（其中36名正常，8名心脏病患者）
6952	2025-02-21	Robust Epileptic Seizure Detection Using Long Short-Term Memory and Feature Fusion of Compressed Time-Frequency EEG Images 2023-Dec-02, Sensors (Basel, Switzerland) DOI:10.3390/s23239572 PMID:38067944	研究论文	本文提出了一种结合时间频率域特征和EEG信号统计属性的新型模型，用于癫痫发作检测	创新点在于将时间频率域特征与EEG信号的统计属性（如均值、中位数和方差）融合，并通过自编码器处理压缩的时间频率图像，使用LSTM网络进行优化	模型在复杂现实环境中的鲁棒性和精确性可能受到限制	提高癫痫发作检测的准确性和及时性	癫痫患者的EEG信号	机器学习	癫痫	自编码器	LSTM	EEG信号图像	Bonn癫痫数据集
6953	2025-02-21	A Novel Classification Model Using Optimal Long Short-Term Memory for Classification of COVID-19 from CT Images 2023-12, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-023-00852-7 PMID:37491543	研究论文	本文提出了一种基于鹈鹕优化算法的长短期记忆网络（POA-LSTM）方法，用于从CT图像中分类COVID-19	使用POA-LSTM模型进行COVID-19分类，结合了nnU-Net进行ROI分割和HRNet进行特征提取，提高了分类性能	未提及具体的数据集大小和多样性，可能影响模型的泛化能力	开发一种自动检测COVID-19的深度学习模型，以提高诊断准确性	COVID-19患者的CT扫描图像	计算机视觉	COVID-19	深度学习	LSTM, nnU-Net, HRNet	CT图像	NA
6954	2025-02-21	A two-dimensional hydrodynamics prediction framework for mantle-undulated propulsion robot using multiple proper orthogonal decomposition and long short term memory neural network 2023-11-29, Bioinspiration & biomimetics IF:3.1Q2 DOI:10.1088/1748-3190/ad0daf PMID:37976535	研究论文	本文开发了一个基于深度学习的框架，用于预测在波动推进机器人（MUPRo）上的流体动力	提出了多重本征正交分解（MPOD）算法，有效识别MUPRo波动表面附近流体的全局和局部特征，并开发了基于MPOD算法和长短期记忆神经网络的流体动力预测框架	NA	开发一个能够经济且可靠地预测波动推进机器人流体动力的框架	波动推进机器人（MUPRo）	机器学习	NA	多重本征正交分解（MPOD）算法，长短期记忆神经网络（LSTM）	LSTM	流体动力数据	NA
6955	2025-02-21	Application of bidirectional long short-term memory network for prediction of cognitive age 2023-11-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-47606-7 PMID:37980387	研究论文	本研究应用双向长短期记忆网络（BLSTM）算法分析台北慈济医院儿科脑电图实验室的EEG数据，以预测认知年龄	首次将BLSTM算法应用于EEG数据的认知年龄预测，并验证了其在识别不同年龄段儿童和青少年EEG数据中的有效性	对于智力障碍患者的EEG样本，预测准确率显著降低，表明个体智力在年龄预测中起主要作用	探讨深度学习工具在EEG分类中的应用，特别是用于预测认知年龄	儿童和青少年的EEG数据	机器学习	NA	EEG	BLSTM	EEG数据	来自台北慈济医院儿科脑电图实验室的EEG样本
6956	2025-02-21	An Adaptive Intrusion Detection System in the Internet of Medical Things Using Fuzzy-Based Learning 2023-Nov-17, Sensors (Basel, Switzerland) DOI:10.3390/s23229247 PMID:38005635	研究论文	本文提出了一种基于模糊学习的自适应长短期记忆（LSTM）入侵检测系统（IDS），用于医疗物联网（IoMT）中的攻击检测	提出了一种动态调整训练周期和使用早停策略的模糊自调LSTM模型，以提高入侵检测的准确性和预测性	未提及具体的数据集规模或实验环境的局限性	开发更高效和准确的入侵检测系统，以应对医疗物联网中的网络攻击	医疗物联网（IoMT）设备	机器学习	NA	模糊学习，LSTM	LSTM	网络日志数据	未提及具体样本数量
6957	2025-02-21	Novel integrated modelling based on multiplicative long short-term memory (mLSTM) deep learning model and ensemble multi-criteria decision making (MCDM) models for mapping flood risk 2023-Nov-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.118838 PMID:37595460	研究论文	本文提出了一种基于乘法长短期记忆（mLSTM）深度学习模型和多准则决策（MCDM）集成模型的新方法，用于绘制伊朗南部Minab-Shamil平原的洪水风险图	创新点在于首次将mLSTM深度学习模型与MCDM集成模型结合，用于生成高分辨率的洪水风险图	研究仅限于Minab-Shamil平原，未在其他地区验证模型的普适性	研究目的是开发一种集成方法，用于精确绘制洪水风险图，以支持洪水管理和减灾	研究对象是Minab-Shamil平原的洪水风险	机器学习	NA	深度学习，多准则决策	mLSTM, CODAS, EDAS, MOOSRA	地理空间数据	70%训练数据，30%测试数据
6958	2025-02-21	AMGCN-L: an adaptive multi-time-window graph convolutional network with long-short-term memory for depression detection 2023-10-27, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad038b PMID:37844566	研究论文	本文提出了一种名为AMGCN-L的深度学习网络，用于通过脑电图（EEG）信号中的脑功能连接和时空特征自动分类抑郁和非抑郁人群	提出了一种结合自适应多时间窗口图卷积网络（GCN）和长短期记忆（LSTM）的新型网络AMGCN-L，用于抑郁检测	依赖于公开数据集，可能在实际临床应用中需要进一步验证	开发一种更客观的抑郁诊断方法	抑郁和非抑郁人群	机器学习	抑郁症	深度学习	GCN, LSTM	EEG信号	两个公开数据集：EEG数据患者库和计算工具，以及多模态开放数据集用于精神障碍分析
6959	2025-02-21	Depressive Disorder Recognition Based on Frontal EEG Signals and Deep Learning 2023-Oct-23, Sensors (Basel, Switzerland) DOI:10.3390/s23208639 PMID:37896732	研究论文	本研究基于前额六通道脑电图（EEG）信号和深度学习模型，旨在实现准确且实用的抑郁症（DD）诊断	提出了一种结合多分辨率卷积神经网络（MRCNN）与长短期记忆（LSTM）或残差压缩激励（RSE）的深度学习模型，用于抑郁症的识别，并展示了在8-30 Hz EEG信号下的高分类准确率	研究样本量相对较小，仅包括41名抑郁症患者和34名健康对照者，可能影响模型的泛化能力	开发一种客观、准确、实用且自动化的抑郁症诊断技术	抑郁症患者和健康对照者的前额六通道EEG信号	机器学习	抑郁症	脑电图（EEG）信号分析	MRCNN-LSTM, MRCNN-RSE	EEG信号	41名抑郁症患者和34名健康对照者
6960	2025-02-21	A novel bidirectional LSTM deep learning approach for COVID-19 forecasting 2023-10-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-44924-8 PMID:37863921	研究论文	本文开发了一种基于双向长短期记忆网络（Bi-LSTM）的深度学习模型，用于预测COVID-19疫情早期的每日新增病例数	使用双向LSTM架构进行COVID-19预测，并验证了在减少变量数量情况下仍能保持预测准确性	模型仅在疫情早期阶段进行了验证，未涵盖疫情后期或其他变种病毒的影响	预测COVID-19疫情早期的每日新增病例数	190个国家的COVID-19数据	机器学习	COVID-19	深度学习	Bi-LSTM	时间序列数据	190个国家的数据，时间跨度为2020年1月22日至2021年1月31日