这篇论文探讨了如何运用人工智能和机器学习技术，通过对脑电图信号进行分析，提前预测癫痫发作的可能性，从而为临床实践提供支持。

Feb, 2020

通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

Apr, 2024

应用机器学习算法检测生理疲劳的全面研究，旨在评估不同算法在基于脑电图数据预测个体疲劳水平方面的有效性。

Jan, 2024

通过对 156 篇 DL 和 EEG 论文的回顾和分析，发现 DL 在 EEG 信号识别方面取得了 5.4% 的精度提升，但大多数论文难以复现，因此提出了建议以支持该领域的进一步发展。

Jan, 2019

机器学习算法应用于癫痫检测已显示出很大的诊断潜力，但少数已发表的算法尚未完全解决成功临床转化的要求。

Apr, 2024

该研究探讨了将机器学习应用于多类癫痫类型分类的应用。使用了最近发布的 TUH EEG 癫痫语料库并对各种预处理技术、机器学习算法和相应超参数的组合进行了彻底的搜索空间探索，展示了让我们的算法可以在脑电图基础上实现多类癫痫类型分类的加权 F1 评分高达 0.901。

Feb, 2019

通过机器学习方法，本研究探索了预测大脑灰质三维图像中听力损失阈值的方法。我们采用了两个阶段的解决方案，第一阶段使用 3D CNN 模型将高维输入转换为潜空间，并将其解码为原始图像以表示富特征空间的输入。在第二阶段，我们利用该模型将输入转换为富特征，并使用这些特征来训练标准机器学习模型以预测听阈。我们在第一阶段尝试了自编码器和变分自编码器进行维度降低，并探索了随机森林、XGBoost 和多层感知机用于回归阈值。我们将给定数据集分为训练集和测试集，在测试集上分别得到了 PT500 和 PT4000 的 8.80 范围和 22.57 范围。我们的方法利用 VAEs 的独特能力来捕捉高维神经影像数据中的复杂非线性关系。我们使用各种指标对模型进行了严格评估，重点关注均方根误差（RMSE）。结果突显了多层神经网络模型的功效，它在准确性方面优于其他技术。本项目推动了数据挖掘在医学诊断中的应用，并通过创新的机器学习框架增进了我们对与年龄相关的听力损失的理解。

Apr, 2024

本研究对基于深度学习和神经影像学模态进行的自动癫痫发作检测作了全面的综述，描述了使用脑电图和磁共振成像模态自动诊断癫痫发作的各种方法，分析了使用深度学习的康复系统，并讨论了在诊断自动癫痫发作中使用深度学习技术的优点和局限性，最后提出了最有前景的深度学习模型和未来可能的研究方向。

Jul, 2020

精神分裂症是一种常见的心理障碍，其诊断涉及临床访谈、体格检查、心理评估、神经影像技术等多种工具；本研究回顾了应用脑电图信号和人工智能方法进行精神分裂症诊断的论文，并介绍了相关的研究领域和挑战。

Sep, 2023

该综述研究了使用深度学习通过 EEG 信号、功能性磁共振成像 (fMRI) 和扩散磁共振成像 (dMRI) 检测和预测精神分裂症的论文，并对这些研究进行了概述和比较，这一领域取得了重要进展。

May, 2023