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
7021	2025-02-21	Deep Learning-Based Approach for Emotion Recognition Using Electroencephalography (EEG) Signals Using Bi-Directional Long Short-Term Memory (Bi-LSTM) 2022-Apr-13, Sensors (Basel, Switzerland) DOI:10.3390/s22082976 PMID:35458962	研究论文	本文提出了一种基于深度学习的情绪识别方法，使用脑电图（EEG）信号和双向长短期记忆（Bi-LSTM）模型	提出了一种新的情绪识别方法，结合了数据选择、特征提取、特征选择和分类阶段，并使用Bi-LSTM模型提高了识别准确率	未提及具体的研究局限性	提高情绪识别模型的性能，以帮助诊断心理和行为障碍	脑电图（EEG）信号	机器学习	心理和行为障碍	脑电图（EEG）信号处理	双向长短期记忆（Bi-LSTM）	脑电图（EEG）信号	使用了标准预处理的情感分析生理信号数据库（DEAP）
7022	2025-02-21	Lightweight Long Short-Term Memory Variational Auto-Encoder for Multivariate Time Series Anomaly Detection in Industrial Control Systems 2022-Apr-09, Sensors (Basel, Switzerland) DOI:10.3390/s22082886 PMID:35458871	研究论文	本文提出了一种用于工业控制系统（ICS）中多变量时间序列异常检测的轻量级长短期记忆变分自编码器（LW-LSTM-VAE）架构	提出了一种轻量级的LW-LSTM-VAE架构，用于ICS中的异常检测，并在水净化和水分配厂两个应用中成功验证了其有效性	工业数据集稀缺，限制了异常检测技术的开发	开发一种无监督的深度学习方法，用于检测工业控制系统中的异常行为	工业控制系统中的多变量时间序列数据	机器学习	NA	深度学习	LW-LSTM-VAE	时间序列数据	使用了Secure Water Treatment (SWaT)基准测试中的数据进行验证
7023	2025-02-21	Model-assisted deep learning of rare extreme events from partial observations 2022-Apr, Chaos (Woodbury, N.Y.) DOI:10.1063/5.0077646 PMID:35489849	研究论文	本文探讨了一种模型辅助的深度学习框架，用于从部分观测数据中预测罕见的极端事件	提出了一种模型辅助的深度学习框架，通过数值模拟生成训练数据，解决了极端事件样本不足的问题	训练数据仅使用可观测量的子集，可能限制了模型的全面性	研究如何利用深度学习预测罕见的极端事件	三种不同的动力系统（Rössler吸引子、FitzHugh-Nagumo模型和湍流流体）	机器学习	NA	数值模拟	前馈神经网络、长短期记忆网络（LSTM）、储备计算	数值模拟数据	NA
7024	2025-02-21	A Trust Management Model for IoT Devices and Services Based on the Multi-Criteria Decision-Making Approach and Deep Long Short-Term Memory Technique 2022-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s22020634 PMID:35062594	研究论文	本文提出了一种基于多准则决策方法和深度长短期记忆技术的物联网设备和服务信任管理模型	结合SMART和LSTM算法，提出了一种新的物联网信任管理模型，有效处理大量数据和不断变化的行为	模型在处理大规模数据时的有效性仍需进一步验证	解决物联网设备和服务中的信任管理问题，提高安全性和可靠性	物联网设备和服务	物联网	NA	SMART, LSTM	LSTM	行为数据	不同大小的数据样本
7025	2025-02-21	Large-Scale Textual Datasets and Deep Learning for the Prediction of Depressed Symptoms 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5731532 PMID:35463265	研究论文	本研究提出了一种利用基于LSTM的循环神经网络（RNN）从大规模文本数据中识别自我感知抑郁症状的有效方法	使用LSTM-based RNN模型从文本中提取抑郁症状特征，超越了传统的基于词频的方法	方法的有效性依赖于正确的注释和基于症状的特征提取，可能在不同数据集上的泛化能力有限	通过深度学习技术预测抑郁症状，以辅助早期检测和治疗	文本数据，特别是描述自我感知抑郁症状的文本	自然语言处理	抑郁症	深度学习	LSTM-based RNN	文本	233337个数据集，来自Kaggle的自杀和抑郁检测数据集
7026	2025-02-21	Music Emotion Classification Method Based on Deep Learning and Improved Attention Mechanism 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5181899 PMID:35769273	研究论文	本文提出了一种基于深度学习和改进注意力机制的音乐情感分类方法，通过融合音频和歌词的多模态信息，提高了分类准确性和效率	创新点在于结合了CNN和LSTM网络，并引入了改进的注意力机制，以解决现有研究中单模态分析导致的信息丢失问题	未提及具体的数据集规模或多样性，可能影响模型的泛化能力	研究目标是提高音乐情感分类的准确性和效率	研究对象是音乐音频和歌词	自然语言处理	NA	TF-IDF, Word2vec, CNN, LSTM, 注意力机制	CNN-LSTM	音频, 文本	未提及具体样本数量
7027	2025-02-21	Multimode Gesture Recognition Algorithm Based on Convolutional Long Short-Term Memory Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4068414 PMID:35281195	研究论文	本文提出了一种基于卷积长短期记忆网络的多模态手势识别算法，通过CNN自动提取多模态手势数据的深层特征，并利用LSTM网络构建时间序列模型，最终通过SoftMax分类器实现手势分类	结合卷积神经网络（CNN）和长短期记忆网络（LSTM）来自动提取和学习多模态手势数据的深层特征及其时间序列依赖关系，提高了手势识别的准确性和收敛性能	实验仅在VIVA和NVGesture两个动态手势数据集上进行，未涉及更多数据集或实际应用场景的验证	提高多模态手势识别的准确性和模型泛化能力	多模态手势数据	计算机视觉	NA	深度学习	CNN, LSTM	多模态数据（可能包括图像、视频等）	两个动态手势数据集（VIVA和NVGesture）
7028	2025-02-21	STA-TSN: Spatial-Temporal Attention Temporal Segment Network for action recognition in video 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0265115 PMID:35298497	研究论文	本文提出了一种名为STA-TSN的空间-时间注意力时间片段网络，用于视频中的动作识别	引入了软注意力机制，使网络能够自适应地关注空间和时间中的关键特征，并提出了多尺度空间聚焦特征增强策略和基于LSTM的关键帧探索模块	未提及具体局限性	解决现有动作识别模型在长时动作识别中的误判问题	视频中的动作识别	计算机视觉	NA	深度学习	STA-TSN, LSTM	视频	四个公共数据集（UCF101, HMDB51, JHMDB, THUMOS14）
7029	2025-02-21	A survival analysis based volatility and sparsity modeling network for student dropout prediction 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0267138 PMID:35512010	研究论文	本文提出了一种基于生存分析的波动性和稀疏性建模网络（SAVSNet），用于学生辍学预测	SAVSNet在端到端的深度学习框架中解决了数据波动性和稀疏性问题，通过卷积网络平滑波动时间序列，并使用LSTM保留原始数据信息，同时提出了时间缺失感知LSTM单元以减轻数据稀疏性的影响	NA	提高大规模开放在线课程（MOOC）中学生辍学预测的准确性和一致性	MOOC学生	机器学习	NA	生存分析	LSTM, 卷积网络	时间序列数据	两个真实世界的MOOC数据集
7030	2025-02-21	Research on Impulse Power Load Forecasting Based on Improved Recurrent Neural Networks 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2784563 PMID:35502351	研究论文	本文提出了一种基于改进循环神经网络的脉冲功率负荷预测模型	使用改进的长短期记忆（LSTM）网络来预测脉冲功率负荷，有效处理了数据中的噪声和随机性	未提及具体的数据集大小和实验环境，可能影响结果的普适性	提高脉冲功率负荷预测的准确性和可靠性	脉冲功率负荷数据	机器学习	NA	深度学习	LSTM	时间序列数据	未提及具体样本数量
7031	2025-02-21	Emotion Analysis Model of Microblog Comment Text Based on CNN-BiLSTM 2022, Computational intelligence and neuroscience DOI:10.1155/2022/1669569 PMID:35535200	研究论文	本文提出了一种基于CNN-BiLSTM的深度学习模型，用于微博评论文本的情感分析	结合了双向长短期记忆网络（BiLSTM）和卷积神经网络（CNN）的优势，提高了情感分析的准确性	未提及模型在处理多语言或跨文化情感分析时的表现	提高微博评论文本情感分析的准确性和泛化能力	微博评论文本	自然语言处理	NA	深度学习	CNN-BiLSTM	文本	大规模未标记语料库
7032	2025-02-21	Design of Financial Risk Control Model Based on Deep Learning Neural Network 2022, Computational intelligence and neuroscience DOI:10.1155/2022/5842039 PMID:35720891	研究论文	本文设计了一种基于深度学习神经网络的金融风控模型，旨在通过预处理金融数据和设计循环神经网络结构来降低金融风险	本文的创新点在于结合Borderline-SMOTE算法进行数据预处理，并引入LSTM神经网络处理具有时间序列特征的样本数据，提高了模型的准确性和欺诈客户识别能力	未提及具体的数据集规模或模型在实际金融环境中的泛化能力	设计一种基于深度学习神经网络的金融风控模型，以降低金融风险	金融数据及其风险控制	机器学习	NA	Borderline-SMOTE算法，LSTM神经网络	LSTM	金融数据	未提及具体样本数量
7033	2025-02-21	Knowledge Graph-Enabled Text-Based Automatic Personality Prediction 2022, Computational intelligence and neuroscience DOI:10.1155/2022/3732351 PMID:35769270	研究论文	本文提出了一种基于知识图谱的文本自动人格预测方法，利用Big Five人格特质进行预测	本文的创新点在于结合知识图谱和深度学习模型进行文本自动人格预测，通过DBpedia知识库、NRC情感强度词典和MRC心理语言学数据库丰富知识图谱，提高了预测准确性	未明确提及具体局限性	研究目标是实现基于文本的自动人格预测，以改善人际关系	研究对象是基于文本内容的人格特征	自然语言处理	NA	知识图谱构建、深度学习	CNN, RNN, LSTM, BiLSTM	文本	未明确提及样本数量
7034	2025-02-21	Vowel speech recognition from rat electroencephalography using long short-term memory neural network 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0270405 PMID:35737731	研究论文	本研究旨在通过双向长短期记忆（BiLSTM）网络和经典机器学习方法，识别大鼠大脑中可能与音素表示相关的特定成分，并在单次试验基础上区分每个元音刺激的大脑活动	使用BiLSTM网络直接从EEG信号中提取特征，无需额外的手工特征提取方法，实现了对元音刺激的高效分类	研究仅针对大鼠模型，未涉及人类或其他动物模型，且样本量较小	探索大鼠大脑中与音素表示相关的神经活动，并开发有效的语音识别分类方法	19只雄性Sprague-Dawley大鼠的双侧前听觉场EEG信号	自然语言处理	NA	EEG信号记录	BiLSTM	EEG信号	19只雄性Sprague-Dawley大鼠
7035	2025-02-21	A Malicious Domain Detection Model Based on Improved Deep Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/9241670 PMID:35795747	研究论文	本文提出了一种基于改进深度学习的恶意域名检测模型，结合了卷积神经网络（CNN）、时间卷积网络（TCN）和长短期记忆网络（LSTM）的优势，以提高检测效果	本文的创新点在于结合了三种不同的网络模型（CNN、TCN和LSTM）的优势，提出了一种改进的深度学习模型，用于恶意域名检测，效果优于单一或两种模型的组合	本文未提及模型的局限性	研究目的是提高恶意域名检测的准确性和回归率	恶意域名	机器学习	NA	深度学习	CNN, TCN, LSTM	文本	NA
7036	2025-02-21	Application of Deep Learning Model in the Avoidance of Investment Risk of Multinational Enterprises 2022, Computational intelligence and neuroscience DOI:10.1155/2022/6578274 PMID:35800687	研究论文	本文旨在通过结合LSTM和CNN的优势，提出LSTM-CNN模型来提高汇率预测的准确性，从而有效避免跨国企业在投资过程中可能遇到的风险	结合LSTM和CNN的优势，提出LSTM-CNN模型用于预测股票波动趋势，提高了预测准确性	实验仅针对10只股票进行验证，样本量较小，可能影响模型的泛化能力	提高汇率预测的准确性，帮助跨国企业避免投资风险	跨国企业的投资风险	机器学习	NA	NA	LSTM-CNN	股票数据	10只股票
7037	2025-02-21	Classification of Electrocardiography Hybrid Convolutional Neural Network-Long Short Term Memory with Fully Connected Layer 2022, Computational intelligence and neuroscience DOI:10.1155/2022/6348424 PMID:35860642	研究论文	本文提出了一种结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和全连接层（FCL）的混合模型，用于心电图（ECG）信号的分类	创新点在于将CNN、LSTM和DNN结合在一个统一的架构中，用于ECG信号的分类和异常检测，并在不平衡数据集上表现出色	未提及具体的研究局限性	研究目的是通过深度学习技术自动化ECG信号的分类和异常检测	研究对象是心电图（ECG）信号	机器学习	心血管疾病	深度学习	CNN, LSTM, FCL	时间序列数据	使用MIT-BIH心律失常数据库中的ECG数据
7038	2025-02-21	Prediction of hand, foot, and mouth disease epidemics in Japan using a long short-term memory approach 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0271820 PMID:35900968	研究论文	本研究使用长短期记忆（LSTM）方法预测日本手足口病的流行模式	首次使用LSTM模型对日本手足口病的流行进行提前四周的预测	模型仅基于日本的数据，可能不适用于其他地区	预测日本手足口病的流行模式	日本各都道府县的手足口病病例数据	机器学习	手足口病	长短期记忆（LSTM）	LSTM	时间序列数据	日本各都道府县每周报告的手足口病病例数
7039	2025-02-21	A Comparison on LSTM Deep Learning Method and Random Walk Model Used on Financial and Medical Applications: An Example in COVID-19 Development Prediction 2022, Computational intelligence and neuroscience DOI:10.1155/2022/4383245 PMID:36052038	研究论文	本研究旨在通过LSTM网络模型和随机游走模型，基于金融理论建立加密货币价格趋势模型，并应用于COVID-19发展预测	结合LSTM网络模型和随机游走模型，探索加密货币价格趋势预测，并应用于COVID-19发展预测，展示了不同参数设置下模型的特性	LSTM和随机游走模型在价格预测方面存在局限性，需要在模型准确性和实用性之间找到平衡	建立加密货币价格趋势模型，并应用于COVID-19发展预测	加密货币（比特币和以太坊）和COVID-19	机器学习	COVID-19	LSTM网络模型和随机游走模型	LSTM, 随机游走模型	金融数据, 医疗数据	NA
7040	2025-02-21	Inversion of Rayleigh Wave Dispersion Curves via Long Short-Term Memory Combined with Particle Swarm Optimization 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2640929 PMID:36590837	研究论文	本文提出了一种结合长短期记忆网络（LSTM）和粒子群优化（PSO）的方法（PSO-LSTM），用于提高瑞利波频散曲线反演的效果	创新点在于将LSTM网络与PSO结合，优化网络结构和参数，以提高频散曲线反演的精度和鲁棒性	本文的局限性在于仅使用了两个理论地质模型进行测试，实际应用中的数据复杂性和多样性可能影响模型的表现	研究目的是提高瑞利波频散曲线反演的精度和效率	研究对象为瑞利波频散曲线及其反演方法	地球物理勘探	NA	粒子群优化（PSO）、长短期记忆网络（LSTM）	PSO-LSTM	频散曲线数据	两个理论地质模型（Model 和 Model ）及美国怀俄明州的实际数据