-
南非队列中中度至重度缺氧缺血性脑病疑似新生儿脑病的多组学整合分析:探索生物标志物与发病机制
为解决新生儿脑病(NE)特别是缺氧缺血性脑病(HIE/NESHIE)导致的严重神经发育障碍问题,研究人员开展了一项针对南非队列的多中心、多组学(包括基因组、表观基因组、转录组、蛋白组、代谢组和胎盘微生物组)比较研究。该研究旨在通过与健康足月对照组的全面对比,阐明NESHIE的临床和生物学机制,识别生物标志物,以期为早期诊断、风险分层和新型治疗策略的开发提供支持。
来源:PLOS One
时间:2026-04-09
-
深度神经网络中层间学习率的松弛优化:一种高效训练策略
本文聚焦深度学习训练中学习率选择的经典难题,传统线搜索方法因计算代价高昂而受限。研究人员提出两种松弛线搜索方案,分别基于全局和局部Lipschitz常数,避免昂贵的矩阵-向量乘法,并采用逐层更新策略,显著提升优化效率。数值实验表明,不同层的最佳学习率差异显著,验证了该方法的有效性与实用性。该工作为深层网络的训练过程提供了新的可解释性与控制思路,对发展可信任的机器学习系统具有积极意义。
-
纯血马母马早期母性护理风格的表型鉴定及其对幼驹应激反应的潜在影响
本研究针对家马缺乏可靠量化母性护理风格(MCS)体系的问题,结合行为学图谱(Ethogram)、定性行为评估(QBA)及生理指标(皮质醇、心率变异性HRV),首次建立并验证了纯血马二元MCS表型,揭示高MCS母马更具保护性与低恐惧性,为优化马匹早期环境管理、改善动物福利提供科学依据。
来源:Applied Animal Behaviour Science
时间:2026-04-09
-
一项关于任务难度对心理努力相关心血管指标影响的充分有力的研究
Kerstin Brinkmann | Katja Schlegel | Klaus R. Scherer | Guido H.E. Gendolla日内瓦大学动机实验室,瑞士日内瓦,40 Boulevard du Pont d'Arve,1205摘要动机强度理论认为,只要成功是
来源:International Journal of Psychophysiology
时间:2026-04-09
-
基于磁共振成像的阿尔茨海默病与帕金森病深度学习预测模型设计
摘要:阿尔茨海默病(Alzheimer's Disease,AD)与帕金森病(Parkinson's Disease,PD)属于神经退行性疾病,病程呈进行性加重。AD主要病理机制涉及异常蛋白沉积、免疫反应异常及神经元死亡;PD则由多巴胺能神经元变性导致,引发运
来源:Frontiers in Artificial Intelligence
时间:2026-04-09
-
α振荡与条件性疼痛调制与神经病理性疼痛脊髓刺激治疗抵抗的相关性研究
背景:神经病理性疼痛(neuropathic pain, NP)是一种严重影响生活质量的慢性疼痛类型,脊髓刺激(spinal cord stimulation, SCS)可为部分患者提供疼痛缓解,但并非所有患者均有效,因此亟需预测性生物标志物。既往研究显示,N
来源:European Journal of Pain
时间:2026-04-09
-
在长时间定期随访后发生的极晚期脑脊液分流系统故障:病例系列报告
晚发性脑脊液分流功能障碍临床特征及管理分析。采用回顾性研究方法,纳入7例术后21-52年出现分流管远端堵塞(5例)或断裂(2例)的病例。主要表现为复发性颅内压增高(5例),合并腹膜感染或腹腔假性囊肿等并发症。所有病例经外引流后行分流器修订或转换术,其中3例女性因腹膜炎症出现反复堵塞。研究显示约57%患者存在轻中度认知障碍但保持基本独立。
来源:Child's Nervous System
时间:2026-04-09
-
深度学习增强双模式多重光学传感器实现心血管疾病即时诊断
本研究针对现有心脏生物标志物检测流程碎片化、耗时长、灵敏度不足及多重检测受限等问题,开发了集成比色与化学发光双模式的垂直流检测平台(xVFA),结合便携式读卡器与神经网络分析,可在23分钟内同时定量三种关键标志物,为心血管疾病的快速精准诊疗提供了创新解决方案。
来源:Light-Science & Applications
时间:2026-04-09
-
妊娠期间体重增加与儿童3岁时的神经发育之间的关联
孕期体重增加(GWG)及其轨迹与3岁儿童神经发育关联的前瞻性队列研究。采用4177对母子数据,通过Bayley Scales评估神经发育,发现过度GWG增加认知风险50%,特定“Slow-Rapid”轨迹提升认知和沟通风险。母乳喂养时长≤12个月时,不足GWG显著增加认知风险。研究为孕期体重管理及早期干预提供依据。
-
节能型数字孪生驱动的智能监控与多源数据融合优化:面向下一代数据中心电力环境
数字孪生驱动的智能监控框架通过融合图Transformer-Kalman网络与强化学习优化数据中心能效与热管理。实验验证了其显著提升异常预测准确率、冷却能效和电力环境稳定性。
来源:Sustainable Computing: Informatics and Systems
时间:2026-04-09