BACKGROUND: Through a partnership and collaborative design process involving technologists and healthcare professionals, a web platform featuring a digital rehabilitation plan was developed. This process tackles recognised challenges in information and communication technology for rehabilitation, such as fragmented data flows and low-quality user interfaces. The digital rehabilitation plan facilitates shared decision-making by allowing patients to customise their plan while providing healthcare professionals with the necessary access to support the patient's journey. This study assessed the ex
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
OBJECTIVE: Electroencephalography (EEG) data is derived by sampling continuous neurological time series signals. In order to prepare EEG signals for machine learning, the signal must be divided into manageable segments. The current naive approach uses arbitrary fixed time slices, which may have limited biological relevance because brain states are not confined to fixed intervals. We investigate whether adaptive segmentation methods are beneficial for machine learning EEG analysis.
APPROACH: We introduce a novel adaptive segmentation method, CTXSEG, that creates variable-length segments based
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Multimodal emotion recognition integrates information from multiple modalities to more comprehensively capture emotional features, enhancing recognition accuracy. Although existing methods have achieved significant results, irrelevant or conflicting emotional information across modalities often limits performance improvement. Inspired by Mamba's ability to effectively filter irrelevant information and model long-range dependencies with linear complexity, we propose a new paradigm for Mamba-based enhanced EEG-guided multimodal emotion recognition (MambaMER). This paradigm effectively addresses
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Non-contact anxiety recognition methods based on facial videos offer a convenient and efficient approach for large-scale mental health screening. Most existing studies on anxiety recognition based on facial videos have mainly used facial expressions or remote photoplethysmography (rPPG). However, anxiety states manifest through multiple behavioral and physiological dimensions, such as fine-grained eye movement trajectories, pupil diameter, eye-blink, and rPPG signals. Therefore, single-view approaches do not fully capture information related to anxiety. To address this limitation, we propose a
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: Thalassemia is the most prevalent single-gene disorder in Sri Lanka, imposing a significant socioeconomic and healthcare burden. Early carrier detection is essential for genetic counselling and the prevention of thalassemia major births. Current screening programs rely on red cell indices, manual examination of blood smears by expert haematologists, and expensive confirmatory tests such as High-Performance Liquid Chromatography (HPLC) or genetic analysis, which limit large-scale applicability in low-resource settings. This study aims to develop a machine learning–based automated sc
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate automatic surgical instrument segmentation plays a crucial role in robot-assisted surgery, but analyzing surgical videos remains challenging due to factors such as rapid instrument movements, high inter-category similarity, and frequent object occlusions. Current surgical instrument segmentation models struggle to capture both inter-frame variations and intra-frame details in complex surgical scenarios. The Segment Anything Model (SAM) has shown significant potential in various segmentation tasks. However, it has not fully addressed the unique challenges posed by surgical videos. To t
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Hand-related impairments from stroke and neuromuscular diseases are rising globally, increasing the demand for prosthetic hands using surface electromyography (sEMG) for hand movement and grasp activities. sEMG systems also support human-robot interaction (HRI), aiding assistive robots in manipulator tasks. However, sEMG sensors often struggle to capture comprehensive muscle activity and are vulnerable to external hazards. In such scenarios, classical dimensionality reduction techniques often underperform, particularly when the intrinsic spatial structure of the data is overlooked. Addressing
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
In liver ultrasound, the acquisition of standard scanning planes serves as a prerequisite for reliable lesion assessment. In clinical practice, physicians make diagnostic decisions by jointly interpreting the spatial configuration of key anatomical structures within standard planes and local lesion features. However, existing studies commonly treat standard plane recognition and lesion detection as two separate tasks, lacking a unified modeling approach that reflects their semantic continuity and clinical interdependence. Inspired by the diagnostic workflow of liver ultrasound, we propose LUS-
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate segmentation of fetal ultrasound (US) images is essential for measuring the Angle of Progression (AoP) and assessing fetal head descent during labor. However, conventional semi-supervised learning (SSL) for ultrasound segmentation is challenged by inaccurate pseudo-labeling at blurred or low-contrast boundaries and by limited enforcement of consistency. To address these challenges, we propose the Boundary-Enhanced Collaborative Multi-granularity Network (BECM-Net), which, from a multi-granularity modeling perspective, can be interpreted as a unified framework that jointly optimizes pi
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Upper-limb amputees often experience difficulty achieving efficient bimanual coordination due to the limited flexibility and adaptability of conventional prosthetic systems, which restricts their self-care capabilities and overall quality of life in daily activities. To address this issue, this study proposes a novel contralateral cooperative control system that utilizes surface electromyography signals from the intact limb to drive the prosthetic hand on the affected side, thereby enabling coordinated execution of both symmetric and auxiliary gestures. A hybrid multi-task learning model combi
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Ultrasound imaging, with its advantages of portability, real-time feedback, and non-invasiveness, has become an indispensable modality in computer-aided diagnosis. However, inherent challenges in ultrasound images, such as speckle noise, low contrast, and blurry boundaries, significantly hinder segmentation accuracy. Existing methods attempt to alleviate these issues by deepening network architectures, enlarging convolutional kernels, or introducing self-attention mechanisms to enhance feature representation. Nevertheless, these strategies often compromise computational efficiency, making it d
СтатьяПолный текст не найденПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Accurate prediction of drug-drug interactions (DDIs) is crucial for ensuring drug safety and supporting pharmaceutical development. Existing methods still face challenges in jointly modeling molecular structural information and biomedical semantic contexts. To address this issue, we propose DSAT-DDI, a Dual-channel Structure-Aware Transformer framework for DDI prediction. The core design of DSAT-DDI lies in incorporating structure-aware attention into both molecular and knowledge graph representation learning, enabling the model to capture local chemical environments and semantic neighborhoods
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
This review investigates recent advances in machine learning (ML) for drug repurposing, with applications spanning COVID-19, Parkinson's disease, and cancer. We provide a methodological taxonomy of ML techniques including supervised learning (e.g., random forests, SVMs), unsupervised clustering and dimensionality reduction, deep neural networks, reinforcement learning, and graph-based models such as MLGANN and DTD-GNN highlighting their roles in scalable drug-target interaction prediction and phenotype mapping. Case studies demonstrate how integrated models leveraging heterogeneous data (e.g.,
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
To facilitate the analysis of electrocardiogram (ECG) signals collected in challenging environments, denoising algorithms must be adaptable to diverse noise sources and varying intensities. This study aims to improve the generalizability of denoising models trained on specific datasets, allowing effective performance in previously unseen scenarios. We propose a two-stage autoregression-induced residual generative (AriReGen) approach. In the first stage, an autoregression model extracts the intrinsic temporal structures of the ECG signal. In the second stage, AriReGen operates on the input-outp
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Large-scale genome clustering supports genome database organization, pathogen surveillance, and downstream comparative analysis, yet rapidly growing genome databases demand methods that are efficient, scalable, and flexible across diverse analysis scenarios. This paper presents RabbitTClust2, a fast, scalable, and versatile genome clustering tool based on compact sketch representations. RabbitTClust2 supports both KSSD and MinHash sketches and introduces sketch-based inverted indexes with threshold-aware pruning to reduce unnecessary distance computations. It provides two complementary cluster
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Abdominal computed tomography angiography (CTA) aneurysm analysis requires simultaneous localization, measurement, and anatomical attribution of multiple candidate lesions across a continuous three-dimensional vascular network, followed by translation of these findings into clinically reviewable CTA report drafts. Existing automated approaches largely focus on segmentation, measurement, or candidate detection, whereas direct large language model (LLM) interpretation of CTA images remains vulnerable to factual errors, hallucinations, and safety concerns. We propose an evidence-constrained large
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Electroencephalography (EEG) is a critical tool for monitoring brain activity and diagnosing neurological disorders such as epilepsy. However, learning meaningful representations from raw EEG signals remains challenging due to limited annotations, substantial inter-subject variability, and complex temporal dynamics. Recent EEG foundation models (FMs) have demonstrated promising performance through transformer-based architectures and large-scale self-supervised pretraining, yet they often incur substantial computational costs and exhibit diminishing returns with increasing model and dataset sca
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
BACKGROUND: A decision coach (DC) is a trained healthcare professional who provides non-directive support to patients in health-related decision-making. The decision coach role can be integrated into shared decision-making (SDM) processes, but is not an inherent component of SDM, as both may be applied independently depending on the clinical context. Numerous trained DCs are nurses who have transitioned from their roles as patient educators to knowledgeable, skilled decision facilitators. Thus, developing core competencies has become increasingly crucial for DC training, especially patient-cen
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
In prostate 3D MRI image segmentation methods, it is usually necessary to annotate each slice, and these annotations are generally time-consuming and specialized. In this study, we generate pseudo-labels using an annotation method with one foreground seed point and six edge relaxation points. We design a weakly supervised semantic learning segmentation framework, ACEA-Net. This segmentation framework solves the under-expansion problem due to the lack of semantic affinity of the seed point pixels in the pseudo-labeling generation process. We design a Seed Cluster Geodesic Distance Transform (Se
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Multi-center breast ultrasound image segmentation aims to leverage limited labeled data from a single center to enhance model discriminability across unlabeled data from other centers. However, differences in equipment parameters, disease severity, and imaging conditions collectively contribute to significant cross-domain shifts in multi-center data. In a spirit of the golden mean, we argue that constructing an intermediate domain between the source and target domains can effectively improve model generalization. Therefore, we propose a Cross-domain Few-label Generalization (CFG) framework for
СтатьяПоиск полного текста в очередиПеревод в очереди
Обработка статьи · этапы, ошибки и управление
Загрузка состояния…
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
MedElevator
Войти в исследования