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 ]
主要从四个方面分析：
Electromyogram(EMG), 肌电
Electroencephalogram(EEG),脑电
Electrocardiogram(ECG), 心电
and Electrooculogram(EOG)眼电
现存方法的缺点：
１．不知道用来测试数据需要哪些提取器，提取的哪些特征有用
２．用于决策的输入很少，输入多了以后决策器表现下降。但是限制了用于决策的数据量以后对决策也不利，尤其是在复杂系统如BCI中
３.从根本上来说，我们不清除生物信号原理，过去是专家来简化模型，但是机器学习的特点就是黑盒，并不简化模型，可以说是一拍即合。可以说深度学习的应用是生物信号分析领域的一大进步。
深度学习应用的合理性
人工设计的不行，需要大量案例学习，然后总结出“直觉”，这是机器学习擅长的。
文献review
１．肌电信号广泛用于医疗保健领域，例如语音，假肢和康复机器人，这个领域多用CNN
２．脑电多用于BCI，这个领域信号噪声是一个大问题
３ 心电与心血管疾病（CVD），心律不齐和自动体外除颤器（AED）相关
４．眼电
肌电和脑电的噪声比较大