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
9361	2025-01-01	A Review of Motor Brain-Computer Interfaces Using Intracranial Electroencephalography Based on Surface Electrodes and Depth Electrodes 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.2024.3421551 PMID:38949928	综述	本文综述了基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用	本文从解码目标或任务的角度出发，分析了五种任务，包括运动学解码、动力学解码、身体部位识别、灵巧手解码和运动意图解码，并比较了表面电极和深度电极的优劣	尽管开环脑机接口取得了显著成就，但带有感觉反馈的闭环脑机接口仍处于早期阶段，且ECoG表面电极和深度电极的长期植入尚未得到充分评估	探讨基于表面电极和深度电极的颅内脑电图在运动脑机接口中的应用	人类受试者	脑机接口	神经系统疾病	ECoG, SEEG, DBS	深度学习, 传统机器学习算法	脑电图信号	NA
9362	2025-01-01	Neurophysiologically Meaningful Motor Imagery EEG Simulation With Applications to Data Augmentation 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.2024.3417311 PMID:38900612	研究论文	本文介绍了一个名为PySimMIBCI的框架，用于生成具有神经生理学意义的运动想象脑电图信号，以解决数据相关限制并提高深度学习模型的训练效果	首次在数据增强背景下模拟神经生理学上合理的脑电图信号，并整合了用户特定的神经生理学信息	未提及具体的数据集规模或实验对象的多样性	解决运动想象脑机接口中数据相关限制，提高深度学习模型的训练效果	运动想象脑电图信号	脑机接口	NA	深度学习	深度学习模型	脑电图信号	NA
9363	2025-01-01	Multi-Modal Sleep Stage Classification With Two-Stream Encoder-Decoder 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.2024.3394738 PMID:38848223	研究论文	本文提出了一种名为TSEDSleepNet的双流编码-解码网络，用于多模态睡眠阶段分类，以解决现有方法在利用多模态信息互补性、提取睡眠信息的长短期时间特征以及处理睡眠数据类别不平衡问题上的挑战	提出了TSEDSleepNet网络，结合深度敏感注意力和自动多模态融合框架，通过双流编码器提取多尺度特征，并利用自注意力机制融合多模态显著特征，进一步通过Transformer模块捕获长短期时间特征，并使用Lovász损失函数缓解类别不平衡问题	未提及具体局限性	提高自动睡眠阶段分类的准确性，解决多模态信息融合、时间特征提取和类别不平衡问题	多模态睡眠信号（EOG和EEG信号）	机器学习	睡眠障碍	深度敏感注意力和自动多模态融合框架	双流编码-解码网络（TSEDSleepNet），Transformer	多模态信号（EOG和EEG信号）	Sleep-EDF-39和Sleep-EDF-153数据集
9364	2025-01-01	Deep Learning for Electromyographic Lower-Limb Motion Signal Classification Using Residual Learning 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.2024.3403723 PMID:38771681	研究论文	本文提出了一种基于残差学习的深度学习方法，用于下肢肌电信号的运动分类	首次公开了包含亚洲人种特征的下肢肌电信号数据集，并调整了ResNet-18模型用于分类	数据集主要针对亚洲人种，可能在其他种族中的适用性有限	探索和比较下肢肌电信号分类中的多个关键问题，包括滑动时间窗口方法、时域和频域信号处理效果的比较等	下肢肌电信号	机器学习	NA	深度学习	ResNet-18	肌电信号	15人，约13,350个干净的肌电信号段
9365	2025-01-01	Classifying Routine Clinical Electroencephalograms With Multivariate Iterative Filtering and Convolutional Neural Networks 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.2024.3403198 PMID:38768007	研究论文	本研究探讨了在脑年龄预测框架下，使用深度学习模型对EEG时间序列进行分类的问题	采用多元本征模态函数（MIMFs）和卷积神经网络（CNN）模型，显著提高了脑年龄预测的准确性	未对CNN模型进行微调，可能影响模型性能的进一步提升	探索EEG分类的最佳预测模型和特征提取方法	常规临床EEG扫描数据	机器学习	NA	多元迭代滤波（MIF）	卷积神经网络（CNN）	时间序列数据	6540例患者，年龄从1岁到103岁
9366	2025-01-01	BiLSTM-Based Joint Torque Prediction From Mechanomyogram During Isometric Contractions: A Proof of Concept Study 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.2024.3399121 PMID:38722723	研究论文	本研究提出了一种基于深度学习的模型，用于从等长收缩期间记录的时序机械肌电图（MMG）信号预测踝关节跖屈扭矩，并评估其性能	首次使用双向长短期记忆网络（BiLSTM）结合密集层的深度学习模型来预测踝关节跖屈扭矩，并验证了其可行性	斜率估计对个体数据集敏感，且样本量较小（10名受试者）	开发一种用于临床常规评估肌肉强度的实用工具	踝关节跖屈扭矩	机器学习	NA	机械肌电图（MMG）	BiLSTM	时序信号	10名受试者
9367	2025-01-01	Association Between Sleep Quality and Deep Learning-Based Sleep Onset Latency Distribution Using an Electroencephalogram 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.2024.3396169 PMID:38696294	研究论文	本研究开发了一种基于深度学习的模型，利用睡眠周期早期的30秒脑电图（EEG）预测睡眠潜伏期（SOL）分布，并探讨其与睡眠质量（SQ）的关联	提出了一种新的深度学习模型，能够通过早期EEG信号预测SOL分布，并将其分为四个簇，展示了个体参与者入睡过程的概率图	研究依赖于公开数据集，可能无法完全代表所有人群的睡眠特征	探索早期EEG信号在预测SOL分布及其与SQ关联中的应用	睡眠潜伏期（SOL）分布与睡眠质量（SQ）	机器学习	NA	脑电图（EEG）	深度学习模型	脑电图（EEG）信号	使用Sleep Heart Health Study公开数据集中的大量研究对象
9368	2025-01-01	A Novel CNN-BiLSTM Ensemble Model With Attention Mechanism for Sit-to-Stand Phase Identification Using Wearable Inertial Sensors 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.2024.3366907 PMID:38373135	研究论文	本文提出了一种结合CNN、BiLSTM和注意力机制的集成模型，用于通过可穿戴惯性传感器识别坐立转换阶段	提出了一种新颖的CNN-BiLSTM-Attention算法，用于识别坐立转换的三个过渡阶段，并验证了其在模型性能提升方面的有效性	研究样本量较小，仅涉及15名受试者	开发一种方法，用于分割和识别坐立转换阶段，以辅助可穿戴外骨骼机器人控制	坐立转换阶段的识别	机器学习	NA	NA	CNN-BiLSTM-Attention	加速度和角速度数据	15名受试者
9369	2025-01-01	Deep Learning for Enhanced Prosthetic Control: Real-Time Motor Intent Decoding for Simultaneous Control of Artificial Limbs 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.2024.3371896 PMID:38421839	研究论文	本研究比较了深度学习架构与浅层网络在利用肌电图（EMG）信号解码运动意图以控制假肢方面的性能	使用深度学习架构而非浅层网络，能够更可靠和精确地控制假肢，显著提升假肢功能并改善截肢者的生活质量	研究仅涉及健康参与者和一名截肢者，样本量较小	比较不同神经网络架构在解码运动意图以控制假肢方面的性能	健康参与者和一名截肢者	机器学习	NA	肌电图（EMG）	前馈神经网络、时间卷积网络、卷积神经网络	EMG信号	健康参与者和一名截肢者
9370	2025-01-01	Physics-Informed Deep Learning for Muscle Force Prediction With Unlabeled sEMG Signals 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.2024.3375320 PMID:38466606	研究论文	本文提出了一种基于物理信息的深度学习方法，用于在无标签sEMG信号的情况下预测肌肉力量	该方法无需在模型训练中使用标签信息，并能识别个性化的肌肉-肌腱参数	实验仅在六名健康受试者的腕关节上进行，样本量较小	解决传统物理建模方法计算延迟高和数据驱动方法需要标签信息的问题	肌肉力量的预测	机器学习	NA	深度神经网络	FNN（全连接神经网络）	sEMG信号	六名健康受试者的腕关节数据
9371	2025-01-01	Semantics-Guided Hierarchical Feature Encoding Generative Adversarial Network for Visual Image Reconstruction From Brain Activity 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.2024.3377698 PMID:38498745	研究论文	本文提出了一种新的神经解码模型HS-GAN，用于从fMRI数据中重建视觉感知图像	HS-GAN模型结合了视觉皮层的层次编码和卷积神经网络的同源理论，能够利用层次和语义表示从fMRI数据中重建感知图像	fMRI数据的高维度和低信噪比特性使得提取有意义的视觉信息具有挑战性	提高从fMRI数据中重建视觉感知图像的质量和可靠性	fMRI数据	计算机视觉	NA	fMRI	GAN	图像	Horikawa2017数据集
9372	2025-01-01	Deep Learning Model to Evaluate Sensorimotor System Ability in Patients With Dizziness for Postural Control 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.2024.3378112 PMID:38498740	研究论文	本研究提出了一种基于深度学习的协议，利用COP信号频率评估眩晕患者的平衡控制能力	首次使用COP信号频率通过深度学习模型定量评估眩晕患者的感官系统贡献	样本量相对较小，且仅针对特定类型的眩晕患者	评估眩晕患者的平衡控制能力	正常对照组（n=125）、梅尼埃病患者（n=72）和前庭神经炎患者（n=105）	数字病理学	眩晕	短时傅里叶变换	CNN（包括GoogleNet、ResNet-18、SqueezeNet和VGG16）	信号数据	302人（125名正常对照，72名梅尼埃病患者，105名前庭神经炎患者）
9373	2025-01-01	Explainable Deep-Learning Prediction for Brain-Computer Interfaces Supported Lower Extremity Motor Gains Based on Multistate Fusion 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.2024.3384498 PMID:38578854	研究论文	本文设计了一种多状态融合神经网络，用于预测中风患者在接受脑机接口康复训练后的运动功能恢复，并采用可解释的深度学习方法识别对预测最重要的脑电图功率谱密度和功能连接特征	结合闭眼和睁眼两种状态的多状态融合神经网络显著提高了预测准确性，并通过可解释的深度学习方法揭示了与运动恢复相关的脑区和频率振荡带	未提及样本量的具体信息，可能限制了结果的普适性	预测中风患者在特定康复治疗后的运动功能恢复潜力	中风患者	脑机接口	中风	脑电图（EEG）	多状态融合神经网络	脑电图信号	NA
9374	2025-01-01	A Deep Quantum Convolutional Neural Network Based Facial Expression Recognition For Mental Health Analysis 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.2024.3385336 PMID:38607744	研究论文	本文提出了一种基于深度量子卷积神经网络的面部表情识别系统，用于心理健康分析	结合经典深度特征表示和量子卷积层，提出了一种更快的训练方法，并融合了经典和量子深度学习模型的分数以提高性能	未提及具体的精神疾病类型及其识别效果	分析新技术如何增强临床实践，并研究面部表情在多种精神疾病中的情感表达特征	面部表情图像	计算机视觉	精神疾病	量子卷积神经网络	CNN, 量子卷积神经网络	图像, 视频	KDEF, SFEW 2.0, FER-2013 基准数据库
9375	2025-01-01	Automatic Detection of Scalp High-Frequency Oscillations Based on Deep Learning 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.2024.3389010 PMID:38625771	研究论文	本文提出了一种基于深度学习算法的高性能头皮高频振荡（sHFOs）检测器，用于癫痫的非侵入性生物标志物检测	提出了一种结合一维和二维深度学习模型的加权投票方法，提高了sHFOs检测的准确性和鲁棒性	尽管在多中心数据集上表现稳定，但未提及在实际临床环境中的验证情况	开发一种高精度且可靠的sHFOs自动检测方法，以满足临床需求	头皮高频振荡（sHFOs）	机器学习	癫痫	深度学习算法	1D和2D深度学习模型	信号数据	多中心数据集
9376	2025-01-01	BlazePose-Seq2Seq: Leveraging Regular RGB Cameras for Robust Gait Assessment 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.2024.3391908 PMID:38648155	研究论文	本文提出了一种结合BlazePose算法和Seq2seq自编码器深度学习模型的新方法，用于通过普通RGB摄像头进行步态评估	首次将Seq2seq架构引入BlazePose算法，显著提高了步态评估的准确性	尽管准确性有所提高，但仍需进一步验证其在不同临床环境中的适用性	提高通过普通RGB摄像头进行步态评估的准确性和可重复性	人类步态	计算机视觉	NA	Seq2seq自编码器深度学习模型	1D-LSTM, GRU, LSTM	视频	NA
9377	2024-12-31	Investigation on the reliability calculation method of gravity dam based on CNN-LSTM and Monte Carlo method 2024-Dec-29, Network (Bristol, England) DOI:10.1080/0954898X.2024.2447281 PMID:39733444	研究论文	本文提出了一种基于CNN-LSTM和蒙特卡罗方法的重力坝可靠性计算方法	结合CNN和LSTM深度学习网络，提出了DS-FEM-CNN-LSTM-MC方法，提高了计算精度并减少了计算时间	未提及具体的数据集或实验规模，可能限制了方法的普适性验证	提高重力坝可靠性计算的精度和效率	重力坝的应力非线性动态系统	机器学习	NA	蒙特卡罗方法、DOE测试方法	CNN、LSTM	非线性数据	未提及具体样本数量
9378	2024-12-31	Descriptive overview of AI applications in x-ray imaging and radiotherapy 2024-Dec-27, Journal of radiological protection : official journal of the Society for Radiological Protection IF:1.4Q3 DOI:10.1088/1361-6498/ad9f71 PMID:39681008	综述	本文探讨了人工智能在X射线成像和放射治疗中的应用，包括优化辐射剂量、提高放射治疗效果以及面临的挑战和限制	深入分析了人工智能在放射治疗中的自动化与精确性提升，特别是深度学习模型在器官和肿瘤分割中的应用	部分AI技术尚未准备好用于常规临床使用，主要由于验证挑战，特别是在不同患者群体和临床环境中的可靠性问题	研究人工智能在医学放射应用中的优化与改进	X射线成像和放射治疗	数字病理学	NA	深度学习	DL	图像	NA
9379	2024-12-31	Multiclass arrhythmia classification using multimodal smartwatch photoplethysmography signals collected in real-life settings 2024-Dec-13, Research square DOI:10.21203/rs.3.rs-5463126/v1 PMID:39711547	研究论文	本文提出了一种使用智能手表光电容积描记（PPG）信号进行多类心律失常分类的方法，并在真实生活环境中进行了测试	使用多模态数据（包括1D PPG、加速度计和心率数据）和计算高效的1D双向门控循环单元（1D-Bi-GRU）深度学习模型，实现了对正常窦性心律、房颤（AF）和房性/室性早搏（PAC/PVC）的高效分类，并在独立数据集上展示了更好的泛化能力	尽管在独立数据集上展示了良好的泛化能力，但模型的性能仍需在更大规模和多样化的数据集上进行进一步验证	解决现有房颤检测算法在真实生活环境中因运动伪影和频繁早搏而受限的问题，提高多类心律失常分类的准确性和泛化能力	106名受试者在两周内通过智能手表收集的PPG数据	数字病理学	心血管疾病	深度学习	1D双向门控循环单元（1D-Bi-GRU）	PPG信号、加速度计数据、心率数据	106名受试者
9380	2024-12-31	Automated Segmentation of MRI White Matter Hyperintensities in 8421 Patients with Acute Ischemic Stroke 2024-Dec-09, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8418 PMID:39013565	研究论文	本文开发并验证了深度学习算法，用于在急性缺血性中风患者中准确分割白质高信号病变	使用迄今为止最大的MRI数据集，开发了SE-UNet模型，并引入了不确定性指数以识别自动分割不准确的情况	UNet和SE-UNet的性能略低于人类之间的可靠性	开发并验证深度学习算法，用于在急性缺血性中风患者中准确分割白质高信号病变	8421名急性缺血性中风患者	数字病理学	中风	深度学习	UNet, SE-UNet	MRI图像	8421名患者