工业传感器信号是一维时间序列数据，具有周期性或突发性模式。1D-CNN能够自动提取关键特征，并结合频域分析来提升异常检测效果。建议采用级联策略，先进行快速阈值过滤，以增强模型的解释性。输入数据为时域信号与频域幅值谱的拼接，形成多通道输入。

该研究提出了一种高效、轻量且快速的心律失常诊断方法，结合心电图信号处理与深度学习，基于GRU的1D CNN模型准确率达到93.4%，可提升资源受限医疗环境中的诊断能力。

本研究提出了CRaWl，一种基于1D CNN的神经网络架构，旨在进行图学习，特别是在小子图计数和随机游走方面表现出色。通过分析不同阶数单形复合物上的随机游走，建立了位置编码与结构编码的关系，并提出了Hodge1Lap边界位置编码。此外，研究还探讨了基于单纯复形数据的神经网络架构，提出了单纯神经网络（SNNs），并在合成和真实数据上验证了其有效性。

本文介绍了一种新型人工神经网络模型，能够高效检测光曲线中的短时过境信号。研究表明，1D CNN在处理非相位折叠光曲线时表现优异，显著减少了分析时间。通过模拟光度曲线，模型成功识别恒星行星特性，并发现36个行星候选者。GPFC方法在Kepler数据中实现了快速、准确的过境搜索，显示出在未来探测任务中的潜力。

该文提出了MCDC结构，利用多通道连续数据的内在特征和1DCNN-attention机制评估变压器状态。实验证明MCDC具有更好的泛化能力和稳定性。

本文介绍了TransNet，一种用于人体动作识别的端到端深度学习架构。TransNet将3D-CNN解构为2D和1D-CNN，并结合其他领域的预训练2D-CNN模型，以提高效率和准确性。大量实验表明，TransNet表现优异。