生物通官微陪你抓住生命科技跳动的脉搏
因果图神经网络:提升野火预测地理泛化性与稳健性的新方法
为了解决传统野火预测模型因捕捉伪相关而泛化性不足的问题,研究人员提出了一种因果启发的图神经网络(GNN)框架。该研究整合了因果发现与时序图学习,通过后门调整图池化层估计驱动因素的因果效应。结果表明,该模型在面对地理分布偏移和输入噪声时表现更为稳健,揭示了海洋气候指数对当地火灾的滞后效应,并指出地中海火灾主要由干旱驱动。这项研究为灾害管理提供了更可靠、可解释的预测工具。
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING
时间:2026-04-23
基于神经网络逆模型与强化粒子群算法的陆上风电场电池储能系统智能优化研究
为解决陆上风电场与电池储能系统(BESS)协同优化中兼顾发电效率与电网稳定性的难题,研究人员提出了一种融合NN逆模型、贝叶斯优化GPR及RPSO的智能优化模型。该模型在南非某风电场案例中实现效率提升15–20%,SOH估计RMSE<1%,为可再生能源管理提供了可扩展的高精度解决方案。
来源:Intelligent Systems with Applications
基于深度学习的糖尿病视网膜病变自动检测与分期:AlexNet、SqueezeNet及CNN模型的系统性能评估
为解决糖尿病视网膜病变(DR)早期筛查效率低、依赖专家资源的问题,研究人员系统评估了CNN、AlexNet和SqueezeNet三种深度学习模型。结果表明,轻量级模型SqueezeNet在分类准确率和F1分数上表现优异,为临床部署提供了高效解决方案。
来源:Franklin Open
可共享资源:“糖尿病足”
糖尿病周围神经病变(DPN)不仅影响血糖,还会导致足部感觉丧失,引发溃疡、平衡问题及跌倒风险。通过针对性运动训练(如平衡练习、步态训练、太极)及日常护理(足部检查、安全环境、专业指导),可有效改善功能并降低并发症风险。
来源:ACSM's Health & Fitness Journal
ALIF术后根性神经病与后外侧椎间孔骨赘及上关节突钩之间的关联
单水平ALIF术后PLR发生率及预测因素分析:回顾性研究纳入204例患者,18.1%出现PLR,78.4%在6个月内缓解,术前PFO(OR3.25)和SAH(OR2.82)为独立预测因子,UPROR率8.8%。
来源:Spine
精英单板U型场地运动员空间表象加工中左侧背外侧前额叶激活降低:fNIRS证据
本研究针对精英单板U型场地运动员在空间表象及抑制控制任务中的神经机制展开研究。利用fNIRS技术,发现专家组在行为表现相当的情况下,左侧DLPFC激活显著低于新手组,为运动训练诱导的神经效率假说提供了实证支持。该成果发表于Frontiers in Psychology,对理解极限运动大脑可塑性及认知训练优化具有重要价值。
来源:Frontiers in Psychology
综述:脑电图神经反馈与训练干预对高尔夫推球表现的影响:系统综述与元分析
摘要 背景:脑电图神经反馈(EEG-NFT)被用于调节大脑功能,以提高高尔夫推球的成绩。然而,EEG-NFT的有效性及其与非EEG训练干预在提高推球成绩方面的关系仍不明确。 方法:遵循系统评价和元分析的 Preferred Reporting Items (PRISMA) 指
综述:在神经调控中实现闭环控制:基于机器学习的脑电图引导经颅磁刺激方法综述 Elena Mongiardini 和 Paolo Belardinelli
摘要:经颅磁刺激(TMS)与脑电图(EEG)结合使用,为探测和调节人类大脑皮层及皮质脊髓的兴奋性提供了一个强大的工具。近年来,基于大脑状态依赖性的EEG-TMS范式因将刺激与正在进行的神经活动同步而越来越受到关注。然而,传统的依赖于单一振荡特征或固定阈值的方法往往会产生异质性且不
来源:Algorithms
基于视觉的无人机自主着陆融合定位算法研究 朱宏渊(Hongyuan Zhu) 倪静(Jing Ni) 杨楠(Nan Yang) 高博洋(Boyang Gao) 刘晓雄(Xiaoxiong Liu)
摘要:为了解决在无人机视觉自主着陆应用场景中,跑道宽度对先验信息依赖的问题,我们设计了一个基于深度学习的多任务网络,用于识别跑道线和跑道标记。通过检测飞行过程中在不同位置拍摄的跑道图像,可以获得跑道起始线、左右边界线以及跑道标记的参数。在此基础上,我们设计了一个基于线特征的跑道宽
来源:Machines
EST-GNN:一种可解释的时空图框架,结合Lévy-Optuna优化算法,用于电气化交通中的二氧化碳排放预测 Rabab Hamed M. Aly, Shimaa A. Hussien, Marwa M. Ahmed, Aziza I. Hussein
**摘要** 准确且可解释的碳排放预测对于混合动力和电动交通系统的有效运行及其与能源网络的整合至关重要。本文提出了一种基于可解释时空图神经网络(EST-GNN)的模型,该模型利用Lévy飞行引导的Optuna优化方法实现高精度的二氧化碳(CO2)排放预测。通过将车辆及其运行特
知名企业招聘: