标签: 深度学习

本文提出一种新型人工智能模型，能快速准确识别监控视频中的暴力行为（如打架），准确率达93%。它结合了图像识别和动态分析能力，并加入‘空间注意力’机制，让系统自动聚焦关键动作区域，既高效又适合实时应用。

标签: 卷积神经网络 时序建模 暴力识别 注意力机制 深度学习

阿尔茨海默病（老年痴呆症）目前无法治愈，早期诊断困难。本研究提出一种定制化的卷积神经网络模型（AlzheiNN），能更准确、高效地识别患者，准确率达98.47%，有望大幅提高早筛效率，帮助及时干预。

标签: 人工智能辅助诊断 卷积神经网络 早期筛查 深度学习 阿尔茨海默病

蛋白质的功能常依赖其在微秒至毫秒尺度上的构象变化，但这类动态过程难以直接观测。本研究发现：核磁共振（NMR）谱中‘缺失的信号’并非实验失误，而是因蛋白质快速运动导致信号变宽而无法检测——这一现象可作为动态性的天然标记。研究团队利用深度学习模型（Dyna-1）成功从数万种蛋白质的NMR数据中‘读出’这些隐藏的动态信息，并准确预测与酶催化、配体结合等关键功能相关的毫秒级运动。

标签: 功能预测 构象交换 核磁共振 深度学习 蛋白质动力学

每年数十万人因突发心脏骤停猝死，往往毫无征兆。现有植入式除颤器可挽救生命，但难以准确判断谁真正需要。本研究用深度学习分析大量心电图和死亡数据，发现一种新高危人群，并识别出能预测猝死风险的心电图新特征。

标签: 人工智能医疗 心电图 深度学习 风险预测

心脏骤停可致猝死，植入除颤器能救命，但医生常无法提前识别高危患者。目前最常用的预测指标——左心室射血分数（LVEF）漏诊多数猝死，还让许多低风险者白装除颤器。本研究用深度学习分析心电图（ECG），发现一种肉眼可见的新生物标志物，能更准识别真正高危人群，且提示除颤器确有救命效果。

标签: 心电图 心脏猝死 深度学习 生物标志物

本文构建了全球首个覆盖230个国家和地区、时间跨度从1990年至今的年度人口迁移数据集。通过融合官方统计、人口普查、净迁移估算和数字痕迹（如Facebook数据），结合深度学习模型，首次实现了高时空分辨率、全球一致的迁移流动估算，显著提升了对全球人口流动动态的理解能力。

标签: 不确定性量化 全球人口迁移 年度迁移数据 数字足迹 深度学习

本文介绍了一种名为PHRM的智能手机新功能：无需佩戴设备，仅通过手机前置摄像头拍摄几秒面部视频，即可自动、无感地测量静息心率。该技术在不同肤色人群中均达到医疗级精度，有望让全球数十亿智能手机用户随时随地、公平便捷地监测心脏健康。

标签: 智能手机健康监测 深度学习 远程光电容积描记法 静息心率

肥胖等疾病会影响全身多个器官系统，但缺乏能全面、高精度分析全身病变的工具。本研究开发了‘MouseMapper’——一种基于基础模型的深度学习框架，首次实现对整只小鼠神经与免疫系统的全自动三维定量分析，可精细识别神经分支和免疫细胞团，并自动分割31个器官组织。研究发现肥胖小鼠眶下神经结构受损，导致胡须触觉功能下降，并在人鼠中均观察到三叉神经节相关蛋白变化。

标签: MouseMapper 三叉神经 全身体成像 深度学习 肥胖

核磁共振（NMR）谱图常因信号重叠而难以分辨，影响蛋白质结构分析。本文提出一种名为P3（峰概率呈现）的新方法：用深度学习模型MR-Ai将传统谱图转换为‘每个点是峰顶的概率图’，大幅提高分辨率，使峰定位精度逼近理论极限，并能同时清晰显示强峰与弱峰，显著简化人工解析。

标签: 分辨率增强 峰概率呈现 核磁共振谱图 深度学习 蛋白质结构解析

光学三维成像常因光子不足、光散射和空间带宽限制而模糊结构细节。本文提出一种名为VALID的自监督去噪方法，无需配对的‘干净-噪声’图像，仅用单次扫描数据，就能高效提升多种生物医学三维成像（如双光子、三光子、光场显微镜和光学相干断层扫描）的清晰度，尤其在深层组织和低信噪比场景下效果显著。

标签: 三维光学成像 图像去噪 深度学习 生物医学成像 自监督学习