Deep learning for healthcare applications based on physiological signals: A review
作者:Faust, O (Faust, Oliver)[ 1 ] ; Hagiwara, Y (Hagiwara, Yuki)[ 2 ] ; Hong, TJ (Hong, Tan Jen)[ 2 ] ; Lih, OS (Lih, Oh Shu)[ 2 ] ; Acharya, UR (Acharya, U. Rajendra)[ 2,3,4 ]
主要從四個方面分析：
Electromyogram(EMG), 肌電
Electroencephalogram(EEG),腦電
Electrocardiogram(ECG), 心電
and Electrooculogram(EOG)眼電
現存方法的缺點：
１．不知道用來測試數據需要哪些提取器，提取的哪些特徵有用
２．用於決策的輸入很少，輸入多了以後決策器表現下降。但是限制了用於決策的數據量以後對決策也不利，尤其是在複雜系統如BCI中
３.從根本上來說，我們不清除生物信號原理，過去是專家來簡化模型，但是機器學習的特點就是黑盒，並不簡化模型，可以說是一拍即合。可以說深度學習的應用是生物信號分析領域的一大進步。
深度學習應用的合理性
人工設計的不行，需要大量案例學習，然後總結出“直覺”，這是機器學習擅長的。
文獻review
１．肌電信號廣泛用於醫療保健領域，例如語音，假肢和康復機器人，這個領域多用CNN
２．腦電多用於BCI，這個領域信號噪聲是一個大問題
３ 心電與心血管疾病（CVD），心律不齊和自動體外除顫器（AED）相關
４．眼電
肌電和腦電的噪聲比較大