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
7041	2025-02-21	Deep Learning vs Traditional Models for Predicting Hospital Readmission among Patients with Diabetes 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128461	研究论文	本文比较了深度学习模型与传统模型在预测糖尿病患者30天内非计划性全因再入院风险中的表现	使用LSTM深度学习模型预测糖尿病患者的再入院风险，并发现其性能显著优于传统模型	研究仅基于电子健康记录（EHR）数据，未考虑其他可能影响再入院风险的因素	开发并比较不同模型在预测糖尿病患者再入院风险中的表现	36,641名糖尿病患者的2,836,569次就诊记录	机器学习	糖尿病	深度学习	LSTM	电子健康记录（EHR）数据	36,641名糖尿病患者的2,836,569次就诊记录
7042	2025-02-21	Human Motion Tracking Using 3D Image Features with a Long Short-Term Memory Mechanism Model-An Example of Forward Reaching 2021-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s22010292 PMID:35009834	研究论文	本文提出了一种使用3D图像特征和深度双向长短期记忆（DBLSTM）机制模型进行人体运动跟踪的深度学习技术	相比传统的2D图像系统，提出的系统在人体运动跟踪能力上有所提升，特别是在加速度的RMSE上表现优异	虽然3D图像特征提供了更准确的人体运动信息，但系统的实际应用可能受到3D图像采集和处理复杂性的限制	开发一种更有效的人体运动跟踪技术，以改善康复任务中的运动记录	人体运动	计算机视觉	NA	深度学习	DBLSTM	3D图像	NA
7043	2025-02-21	BiLSTM-5mC: A Bidirectional Long Short-Term Memory-Based Approach for Predicting 5-Methylcytosine Sites in Genome-Wide DNA Promoters 2021-Dec-07, Molecules (Basel, Switzerland) DOI:10.3390/molecules26247414 PMID:34946497	研究论文	本研究提出了一种基于双向长短期记忆网络（BiLSTM）的深度学习方法BiLSTM-5mC，用于准确识别全基因组DNA启动子中的5-甲基胞嘧啶（5mC）位点	提出了一种新的深度学习方法BiLSTM-5mC，通过整合22个子模型的输出并使用多数投票策略来预测5mC位点，优于现有方法	未提及具体的数据集大小或样本来源，可能限制了结果的普适性	研究目的是开发一种高效的方法来识别DNA启动子中的5mC位点，以进一步理解DNA甲基化在癌症和衰老等遗传疾病中的功能	全基因组DNA启动子中的5mC位点	机器学习	癌症	深度学习	BiLSTM	DNA序列数据	未明确提及具体样本数量
7044	2025-02-21	Power efficient refined seizure prediction algorithm based on an enhanced benchmarking 2021-12-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-02798-8 PMID:34873202	研究论文	本文提出了一种基于增强基准的节能型癫痫发作预测算法，通过改进数据处理和模型架构，提高了预测性能	提出了一种结合一维卷积神经网络和双向长短期记忆网络的深度学习架构，并采用留一法交叉验证以避免过拟合，同时优化了硬件实现	未提及具体数据集的多样性和规模限制，可能影响模型的泛化能力	改进癫痫发作预测算法的性能和硬件友好性	癫痫发作预测	机器学习	癫痫	深度学习	1D CNN + Bi-LSTM	时间序列数据	未明确提及具体样本数量
7045	2025-02-21	Prediction and detection of freezing of gait in Parkinson's disease from plantar pressure data using long short-term memory neural-networks 2021-11-27, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-021-00958-5 PMID:34838066	研究论文	本研究探讨了使用长短期记忆神经网络（LSTM）从足底压力数据中检测和预测帕金森病（PD）患者的步态冻结（FOG）	首次使用足底压力数据结合LSTM模型进行FOG的检测和预测，相较于传统的惯性测量单元（IMU）和加速度计数据，足底压力数据能捕捉到FOG发作时独特的细微重量变化	研究样本量较小（11名参与者），且数据在实验室环境中收集，需进一步研究以提高FOG预测性能，并扩大样本量	开发一种基于足底压力数据的实时可穿戴系统，用于检测和预测帕金森病患者的步态冻结	帕金森病患者的步态冻结（FOG）	机器学习	帕金森病	长短期记忆神经网络（LSTM）	LSTM	足底压力数据	11名帕金森病患者
7046	2025-02-21	Tourist Experiences Recommender System Based on Emotion Recognition with Wearable Data 2021-Nov-25, Sensors (Basel, Switzerland) DOI:10.3390/s21237854 PMID:34883853	研究论文	本文提出了一种基于穿戴设备数据的情感识别旅游体验推荐系统（TERS）架构	与大多数在控制实验中使用高精度传感器诱发情感的研究不同，本研究挑战在于基于用户日常生活中收集的心率数据进行情感识别，并生成考虑穿戴者情感状态的旅游推荐	穿戴设备收集的生理数据精度较低，可能影响情感识别的准确性	开发一种基于穿戴设备数据的情感识别旅游体验推荐系统	穿戴设备的用户	机器学习	NA	深度学习算法	CNN, LSTM, 混合模型	心率数据	NA
7047	2025-02-21	Spatio-temporal prediction of the COVID-19 pandemic in US counties: modeling with a deep LSTM neural network 2021-11-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-01119-3 PMID:34741093	研究论文	本文提出了一种深度学习方法，用于预测美国各县未来1至4周的COVID-19感染病例和死亡人数	使用多变量LSTM递归神经网络，结合移动性数据，提高了预测性能	在疫情初期，由于训练数据量较小，机器学习方法的预测能力有限	预测COVID-19疫情在美国各县的时空演变	美国各县的COVID-19感染病例和死亡人数	机器学习	COVID-19	LSTM	LSTM	时间序列数据	多个时间序列样本
7048	2025-02-21	Classification of thermoluminescence features of CaCO3 with long short-term memory model 2021-Nov, Luminescence : the journal of biological and chemical luminescence IF:3.2Q2 DOI:10.1002/bio.4109 PMID:34156748	研究论文	本文提出了一种基于长短期记忆（LSTM）深度学习模型的新方法，用于分类碳酸钙（CaCO3）的热释光特性	首次将LSTM模型应用于碳酸钙热释光特性的分类，实现了高准确率、精确度和灵敏度	研究仅针对碳酸钙的热释光特性，未涉及其他矿物的分类	研究碳酸钙的热释光特性分类方法	碳酸钙（CaCO3）的热释光特性	机器学习	NA	深度学习	LSTM	热释光数据	包含四个类别的数据集
7049	2025-02-21	Cardinality and Short-Term Memory Concepts based Novel Feature Extraction for Myoelectric Pattern Recognition 2021-11, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC46164.2021.9629963 PMID:34891390	研究论文	本文提出了一种结合传统特征提取方法和LSTM模型记忆概念的新方法，用于高效提取EMG信号的空间-时间动态特性	创新点包括：a) 利用深度学习结构的记忆概念捕捉EMG信号的短期时间依赖性，b) 使用基数生成空间上不同的EMG信号的逻辑组合作为特征提取方法，c) 低计算成本和增强的分类性能	尽管提出的方法在实验室和可穿戴设备上表现出色，但其在临床环境中的实际应用仍需进一步验证	研究目的是改进肌电模式识别，以促进从实验室到临床环境的转化	研究对象包括9名经桡骨截肢者和17名完整肢体者，以及22名使用两种可穿戴消费臂带的完整肢体者	机器学习	NA	EMG信号处理	LSTM	EMG信号	48名参与者（9名经桡骨截肢者和39名完整肢体者）
7050	2025-02-21	A CSI-Based Human Activity Recognition Using Deep Learning 2021-Oct-30, Sensors (Basel, Switzerland) DOI:10.3390/s21217225 PMID:34770532	研究论文	本文提出了一种基于WiFi信道状态信息（CSI）和深度学习的人类活动识别方法	利用CSI数据并将其转换为图像，使用2D卷积神经网络（CNN）进行分类，相比1D-CNN、LSTM和双向LSTM等方法表现更优	仅针对七种日常活动进行测试，样本多样性可能不足	开发一种基于WiFi CSI的人类活动识别方法，用于智能日常活动监测	老年人的日常活动	机器学习	老年疾病	WiFi CSI数据采集与图像转换	2D CNN	图像	七种不同的人类日常活动数据
7051	2025-02-21	Estimation of municipal solid waste amount based on one-dimension convolutional neural network and long short-term memory with attention mechanism model: A case study of Shanghai 2021-Oct-15, The Science of the total environment DOI:10.1016/j.scitotenv.2021.148088 PMID:34118670	研究论文	本研究评估了使用监督学习方法，包括注意力机制、一维卷积神经网络（1D-CNN）和长短期记忆（LSTM）来预测上海市生活垃圾量的可行性和实用性	设计了集成1D-CNN、LSTM和注意力机制的新结构模型（1D-CNN-LSTM-Attention, 1D-CLA），用于预测生活垃圾量，并讨论了社会经济因素对生活垃圾量的影响	研究仅针对上海市，未涉及其他城市或地区的验证	评估使用深度学习方法预测生活垃圾量的可行性和实用性	上海市的生活垃圾量	机器学习	NA	监督学习	1D-CNN, LSTM, 注意力机制, 1D-CLA	时间序列数据	NA
7052	2025-02-21	A Novel Hybrid Deep Learning Method for Fault Diagnosis of Rotating Machinery Based on Extended WDCNN and Long Short-Term Memory 2021-Oct-04, Sensors (Basel, Switzerland) DOI:10.3390/s21196614 PMID:34640934	研究论文	本文提出了一种基于扩展WDCNN和长短期记忆（LSTM）的新型混合深度学习方法，用于复杂环境下的旋转机械故障诊断	提出了一种新型混合深度学习方法（NHDLM），结合了扩展的WDCNN和LSTM，以提高旋转机械故障诊断的自学习能力和智能诊断准确性	未提及具体局限性	提高旋转机械故障诊断的准确性和自学习能力	旋转机械	机器学习	NA	深度学习	EWDCNN, LSTM	NA	NA
7053	2025-02-21	AFCNNet: Automated detection of AF using chirplet transform and deep convolutional bidirectional long short term memory network with ECG signals 2021-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104783 PMID:34481184	研究论文	本文提出了一种基于时频域深度学习的自动化方法，用于检测心房颤动（AF）并分类终止和非终止AF发作，使用心电图（ECG）信号	提出了一种新颖的时频域深度学习方法，结合了chirplet变换和二维深度卷积双向长短期记忆（BLSTM）神经网络模型，用于AF的自动检测和分类	NA	开发一种自动化方法，用于检测和分类心房颤动（AF）发作，以减少中风、冠状动脉疾病和其他心血管并发症的风险	心电图（ECG）信号	机器学习	心血管疾病	chirplet变换，深度卷积双向长短期记忆（BLSTM）神经网络	二维深度卷积双向长短期记忆（BLSTM）神经网络	心电图（ECG）信号	来自三个公共数据库的ECG信号
7054	2025-02-21	EEG-based emotion classification using LSTM under new paradigm 2021-09-27, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ac27c4 PMID:34534973	研究论文	本文探讨了使用LSTM模型基于EEG信号进行情绪分类的新方法	将情绪分类问题建模为序列分类问题，并利用EEG信号的时间域特征进行训练	未提及具体的数据集来源和样本多样性问题	提高基于EEG信号的情绪分类准确率	EEG信号	机器学习	NA	EEG信号分析	LSTM	EEG信号	32通道EEG数据
7055	2025-02-21	Human activity recognition using wearable sensors, discriminant analysis, and long short-term memory-based neural structured learning 2021-08-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-95947-y PMID:34385552	研究论文	本文提出了一种基于身体传感器的活动建模和识别系统，利用时间序列信息的深度神经结构学习（NSL）算法	结合了核判别分析（KDA）和基于长短期记忆（LSTM）的神经结构学习（NSL）进行活动建模，达到了约99%的召回率	未提及具体的数据集规模或实验环境的多样性	开发一种高效的基于可穿戴传感器的行为识别系统，以改善老年人的生活方式并预警健康风险	老年人的日常活动	机器学习	老年疾病	神经结构学习（NSL），核判别分析（KDA）	LSTM, DBN, CNN, RNN	传感器数据	未提及具体样本数量
7056	2025-02-21	Deep-Learning-Based Approach to Anomaly Detection Techniques for Large Acoustic Data in Machine Operation 2021-Aug-12, Sensors (Basel, Switzerland) DOI:10.3390/s21165446 PMID:34450888	研究论文	本文提出了一种基于深度学习的方法，用于在机器操作中快速且高精度地检测异常，通过收集大量麦克风测量的声学数据	与大多数基于LSTM或自动编码器的现有方法不同，本文提出了一种异常检测算法，能够克服噪声测量和检测系统异常的限制	NA	开发一种自动化的异常检测技术，以减少劳动力需求并提高机器维护效率	车辆等先进设备中的声学数据	机器学习	NA	深度学习	异常检测算法	声学数据	使用大量麦克风测量的声学数据
7057	2025-02-21	Mechanisms for handling nested dependencies in neural-network language models and humans 2021-08, Cognition IF:2.8Q1 DOI:10.1016/j.cognition.2021.104699 PMID:33941375	研究论文	本文研究了现代人工神经网络是否模仿了人类句子处理的核心方面，即在工作记忆中存储语法数和性别信息及其在长距离一致性中的使用	研究发现，尽管神经网络仅被训练用于预测大语料库中的下一个单词，但分析显示出现了一组非常稀疏的专用单元，成功处理了局部和长距离的语法数一致性	该机制不支持完全递归，并且在某些长距离嵌套依赖关系上失败	探索现代人工神经网络处理句子的方式，以得出关于人类语言表现的可测试假设	人类句子处理机制和人工神经网络	自然语言处理	NA	深度学习	LSTM	文本	NA
7058	2025-02-21	Single-Channel Blind Source Separation of Spatial Aliasing Signal Based on Stacked-LSTM 2021-Jul-16, Sensors (Basel, Switzerland) DOI:10.3390/s21144844 PMID:34300584	研究论文	本文提出了一种基于深度学习的堆叠长短期记忆网络（Stacked-LSTM）方法，用于解决空间互联网卫星-地面通信场景中混叠信号分离精度不足的问题	该方法结合了SE模块的注意力机制和1-D卷积解码，显著提高了单通道盲源分离的性能	未提及具体的数据集或实验环境限制	提高空间互联网卫星-地面通信场景中混叠信号的分离精度	空间互联网卫星-地面通信中的混叠信号	自然语言处理	NA	深度学习	Stacked-LSTM	信号	未提及具体样本数量
7059	2025-02-21	Concrete compressive strength prediction modeling utilizing deep learning long short-term memory algorithm for a sustainable environment 2021-Jun, Environmental science and pollution research international DOI:10.1007/s11356-021-12877-y PMID:33590396	研究论文	本研究开发了一种利用深度学习长短期记忆算法（LSTM）预测混凝土抗压强度的模型，旨在为可持续环境提供支持	采用LSTM算法预测混凝土抗压强度，并与传统的支持向量机（SVM）算法进行对比，展示了LSTM在预测性能上的优越性	研究依赖于已发表的数据集，可能无法完全覆盖所有实际环境条件下的混凝土抗压强度变化	开发一种高效预测混凝土抗压强度的模型，以减少时间和成本	混凝土抗压强度	机器学习	NA	深度学习，支持向量机	LSTM, SVM	结构化数据	基于已发表研究的数据集
7060	2025-02-21	Device-Free Human Activity Recognition with Low-Resolution Infrared Array Sensor Using Long Short-Term Memory Neural Network 2021-May-20, Sensors (Basel, Switzerland) DOI:10.3390/s21103551 PMID:34065183	研究论文	本文提出了一种基于低分辨率红外阵列传感器和长短期记忆神经网络的无设备人体活动识别方法	利用8×8像素的红外阵列传感器收集红外信号，结合J滤波降噪方法和巴特沃斯滤波器预处理信号，使用LSTM神经网络自动提取特征并构建识别模型	未提及具体样本量及实验环境的具体限制	开发一种低成本且保护隐私的人体活动识别方法	人体日常活动	机器学习	NA	红外阵列传感器，J滤波降噪，巴特沃斯滤波	LSTM	红外信号	NA