-
晚发型与早发型视神经炎:基于血清学分型的临床特征与视力预后比较研究
为阐明年龄对不同类型的视神经炎临床预后的影响,中山大学中山眼科中心神经眼科团队开展了一项单中心回顾性研究,对比了晚发型与早发型视神经炎(LO-ON vs EO-ON)在NMOSD-ON、MOG-ON和IDON三种病因学亚型中的临床特征与视力结局。研究发现,总体上LO-ON的最终最佳矫正视力与视野平均偏差显著更差。在亚型分析中,LO-MOG-ON和LO-IDON分别有更差的初始或最终视力,而LO-与EO-NMOSD-ON无显著差异。这是首次系统揭示年龄对ON预后的影响高度依赖于血清学亚型的研究,为老年ON的精准管理与预后评估提供了重要证据。
来源:Visual Neuroscience
时间:2026-04-12
-
澳大利亚中学生福祉的支持困境:学校教职工与社区青年组织人员的认知与经验
本研究聚焦澳大利亚中学生日益严峻的福祉危机,针对政策与实践脱节、多系统协作不足等问题,通过半结构化焦点小组访谈,探究学校教职工与社区组织人员对学生福祉影响因素及工作挑战的认知,揭示四大核心因素(心理健康、社会决定因素、校园安全、社交联结)与三大系统性障碍(碎片化体系、资源短缺、制度压力),为跨部门合作与可持续政策提供实证依据,推动青少年福祉支持体系的优化。
来源:International Journal of Adolescence and Youth
时间:2026-04-12
-
综述:运动诱导的循环运动因子变化与脑健康关联:健康人群的系统评价与荟萃分析
本综述聚焦运动诱导的运动因子(exerkines)在健康人群中对脑健康的调控作用。通过系统分析3321名受试者数据,证实急性和慢性运动可显著提升老年人群脑源性神经营养因子(BDNF)及胰岛素样生长因子1(IGF-1)水平,揭示运动通过调节循环信号分子介导脑形态与功能改善的潜在机制,为“运动即药物”理念提供循证依据。
-
多通道遥测数据异常检测的渐进式时空图推理框架:融合多尺度分片与统计决策
为解决航天器多通道遥测数据复杂依赖难以捕捉、固定尺度特征提取局限等问题,本研究提出基于渐进式时空图推理(PSTG)的多尺度预测—异常检测框架,通过𝒫(多尺度分片)、𝒢(自适应图注意力)与Φ(鲁棒决策)协同建模跨通道/时间关联,在保持细粒度波动与任务级趋势的同时显著提升异常识别稳定性与可解释性。
-
针对多形性胶质母细胞瘤患者开展质性研究的核心考量:从伦理实践到包容性研究设计
为解决高级别脑瘤患者常因认知、预后及复杂症状被排除在质性研究之外的问题,研究人员针对如何将GBM患者纳入质性研究开展了综述。本文系统探讨了涉及该人群时在知情同意、时机选择、沟通及研究者敏感性等方面的伦理与实践关键考量,总结了适应访谈方法、支持参与者福祉及保持伦理严谨性的策略。研究表明,通过周到的设计与明确的伦理保障,将GBM患者纳入质性研究既是可行的,也至关重要,此举可提升姑息与支持性照护研究的质量、包容性与人文关怀。
来源:Progress in Palliative Care
时间:2026-04-12
-
面向航空推进的高比功率兆瓦级永磁同步电机电磁设计及基于神经网络的混合优化
本文聚焦航空电动化对高功率密度电机的迫切需求,针对传统有限元仿真驱动多目标优化计算成本高昂的难题,提出一种融合人工神经网络(ANN)代理模型与遗传算法(GA)的混合优化框架,成功设计了满足NASA 2030年目标的1 MW高速径向磁通永磁同步电机(PMSM),实现效率>98%、功率密度24.87 kW kg−1的突破性性能,为高功率密度航空推进电机研发提供了高效可靠的设计范式。
来源:Machines
时间:2026-04-12
-
软门控融合高效双流网络在基于声发射信号的轴承故障诊断中的应用
本文聚焦工业轴承故障诊断,针对传统时频二维表征计算成本高、单域(时域或频域)方法信息不完整导致精度受限的问题,提出了一种高效的软门控融合双流网络(DSGF-Net)。该研究利用一维卷积神经网络,并行处理声发射(AE)信号的时域和频域特征,并通过自适应门控机制融合,在显著降低计算复杂度的同时,提升了多种工况下的诊断精度与鲁棒性。
来源:Machines
时间:2026-04-12
-
面向混合源电动汽车的高增益集成式直流变换器设计与人工智能协同控制策略
本研究针对传统多输入直流变换器电压增益有限、元件应力高及动态响应慢等问题,设计了一种基于SEPIC-Cuk融合拓扑的高增益非隔离型集成变换器。通过引入人工神经网络(ANN)控制策略,实现了光伏-风电-储能混合能源系统的最大功率点跟踪与母线电压稳定调控。仿真验证表明,该架构在连续导通模式(CCM)下具备低纹波特性,开关电压应力显著降低,为新能源汽车动力系统提供了高效可靠的电力转换解决方案。
来源:World Electric Vehicle Journal
时间:2026-04-12
-
面向糖尿病视网膜病变诊断的定制化深度学习框架:图像增强与分类性能优化研究
本研究针对糖尿病视网膜病变(DR)自动化诊断中面临的图像质量不均、病变特征细微且多样、类别不平衡等挑战,开展了一项定制化深度学习网络研究。研究人员提出了一种结合自适应伽马校正与对比度受限自适应直方图均衡化(CLAHE)的图像预处理新方法,并设计了一个相对浅层的多尺度融合网络。该模型在RFMiD数据集上实现了87.66%的准确率,为开发高效、可靠的计算机辅助诊断(CAD)系统,作为眼科医生的“第二判读者”提供了可行方案。
-
基于深度学习的多元时间序列预测方法综述:从RNN到注意力机制的演进与应用
为解决复杂时序数据建模难题,本文系统综述了基于RNN、CNN与Encoder-Decoder的多元时间序列预测方法,引入Attention机制提升特征捕捉能力,为电力负荷、气象预报等领域提供高效DL解决方案,推动智能预测技术进步。
来源:Electronics
时间:2026-04-12