• 因肱骨髁上骨折导致的肱动脉卡压——两例病例报告

  背景/目的：肱骨髁上骨折（supracondylar humerus fractures）是最常见的儿童骨折之一，可能伴有神经血管并发症。肱动脉卡压（brachial artery entrapment）是一种罕见但危及肢体的状况，需要紧急识别和处理。方法：研

  来源：Children

  时间：2026-07-18

• 人工神经网络（Artificial Neural Network，ANN）基于粘土砌体墙抗压强度的估算

  本研究探讨应用人工神经网络（Artificial Neural Network，ANN）基于组成材料的力学与几何特性估算粘土砌体墙抗压强度的问题。研究人员开发了一种多层感知机（Multilayer Perceptron，MLP）神经网络，使用源自欧规6（Eur

  来源：Eng

  时间：2026-07-18

• 基于EEG的运动想象解码优化用于神经康复：一种具有灾难性遗忘缓解的深度学习框架

  （1）背景：通过脑电图（EEG）进行的运动想象（MI）分析对于脑机接口（BMIs）和神经康复至关重要，尽管EEG固有的噪声给辅助患者康复的鲁棒解码算法开发带来了挑战。（2）方法：本研究引入了一个深度学习流水线，利用IFNet卷积神经网络，结合频率滤波和两种缩放

  来源：Applied Sciences

  时间：2026-07-18

• 视网膜神经纤维层缺损检测中的不精确位置感知扇形对比学习方法

  视网膜神经纤维层缺损（RNFLD）是青光眼的关键早期指标。现有的RNFLD检测方法未能充分利用临床解剖学先验知识，难以检测细微或弥漫性病变，且严重依赖高质量标注。为解决这些问题，本文提出了一种基于眼底图像的不精确位置感知扇形对比学习（IPSCL）方法用于RNF

  来源：Applied Sciences

  时间：2026-07-18

• 基于机器学习和振动方法的滚动轴承故障严重性估计

  滚动轴承是旋转机械中的基础部件。运行过程中出现的任何轴承故障如未得到适当维护，都可能导致灾难性损坏和失效。为降低维护成本并避免计划外停机，已开发出多种轴承故障检测方法。然而，一旦轴承故障被检测到，评估缺陷严重性对工业界可能更为关键，因为它决定了干预的紧迫性，如

  来源：Machines

  时间：2026-07-18

• 基于物理信息约束与状态预测控制的再入滑翔飞行器智能轨迹预测算法

  传统的基于参数估计的再入滑翔飞行器(Reentry Glide Vehicle, RGV)轨迹预测算法通常存在局限性，因其忽视状态变量的影响且严重依赖高维运动信息。针对这些问题，研究人员提出了一种通过物理信息约束与状态预测控制(State Predictive

  来源：Electronics

  时间：2026-07-18

• 面向自闭症照护者的医学教育中大语言模型（LLMs）的准确性、可读性、可操作性及神经多样性肯定性语言的比较评估

  背景：自闭症谱系障碍（ASD）儿童的家庭照护者日益利用大语言模型（LLMs）获取健康信息。本研究针对沙特阿拉伯情境，对三种广泛使用的大语言模型作为本地化ASD健康信息工具进行系统比较评估。方法：研究人员使用标准化提示向Google Gemini 1.5 Pro

  来源：Healthcare

  时间：2026-07-18

• 被动体位改变前口头提示的生理反应：一项关于循环和自主神经动力学的前瞻性随机交叉探索性研究

  背景/目标：从仰卧位到坐位的被动体位改变需要快速循环和自主神经调节。这项小规模探索性研究探讨了在健康中年和老年男性中，被动体位改变前给予口头提示是否与脑和外周血红蛋白动力学及心率变异性的变化相关。方法：10名健康男性以随机顺序完成两种实验条件：有口头提示的被动

  来源：Healthcare

  时间：2026-07-18

• 一种面向咸化湖相页岩小样本总有机碳（Total Organic Carbon, TOC）预测的混合深度学习（Deep Learning）方法

  总有机碳（Total Organic Carbon, TOC）是地质甜点优化与资源评价的关键参数。然而，在传统物理方法与机器学习方法常受限于标注数据不足的情况下，小样本条件下的精确TOC预测仍具挑战。针对此问题，研究人员提出一种集成卷积自编码器（Convolu

  来源：Energies

  时间：2026-07-18

• 混合图神经网络–Transformer架构用于核电站可靠剩余使用寿命预测的Hybrid GNN–Transformer Architectures for Reliable Remaining Useful Life (RUL) Prediction in Nuclear Power Plants

  准确预测核电站系统的剩余使用寿命（Remaining Useful Life, RUL）能够支持更明智的维护策略并有助于减少非计划停机，这推动了针对可靠且基于物理原理的预测模型的研究。本研究评估了基于机器学习的预测模型，重点关注其直接从运行数据中学习退化模式的

  来源：Energies

  时间：2026-07-18

知名企业招聘：