该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。

Aug, 2023

通过机器学习技术，使用临床特征，声音特征和运动检查等数据，实现对帕金森病的早期检测，并取得了 100％针对 PD 和 RBD 患者的准确分类率，以及对 PD 和 HC 个体的 92％准确分类率。

Oct, 2023

本文提出了一种基于脑电图的方法来诊断帕金森病，通过使用插值方法将脑电图信号的频带能量映射到二维图像中，并使用胶囊网络（CapsNet）进行分类，短期 EEG 部分的正确率达到 89.34％。通过在不同 EEG 带上分类的比较，我们发现在伽马波段的分类准确性最高，暗示我们需要更加关注早期 PD 患者的伽马波段的变化。

Dec, 2021

本研究提出了一个计算效率高的机器学习模型，利用静息 - 状态脑电图（rs-EEG）在物联网环境下对帕金森病进行诊断和监测。研究结果显示，使用模糊熵能够最准确地诊断和监测帕金森病。同时，在信号频率范围和脑电图通道的不同组合下，能够准确诊断帕金森病。通过减少特征数量，作者最高达到了 99.9% 的分类准确率。研究结果还发现，脑电信号中的低频成分（0-4 Hz）对分类准确率起到关键作用。此外，作者还评估了不同长度的脑电图数据对帕金森病诊断的准确率，结果表明减少输入数据可以降低计算复杂度。因此，可以在物联网环境中使用性能较低的智能机器学习传感器，从而增强人类对帕金森病的抵抗力。

Aug, 2023

该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

Feb, 2024

通过研究帕金森症（PD）患者和健康对照者（HC）的情感脑电图（EEG）信号，本研究使用传统机器学习和深度学习方法，探讨维度和分类情感识别以及 PD 与 HC 分类的有效性，结果表明情感 EEG 响应几乎可以完美地识别出 PD 和 HC，而通过研究 “隐含” 反应可以发现 PD 患者的价值相关缺陷，并且情感 EEG 分析是一种生态有效、易于实现和可持续的 PD 诊断工具。

Feb, 2022

该研究探索了派金森病患者声音特征变化作为早期疾病预测手段的潜力，使用多种先进的机器学习算法进行综合分析，结果表明 LightGBM 模型在准确率、AUC，敏感度和特异度等指标上表现出色，强调了结合声音生物标志物和先进机器学习技术对于精确及时检测派金森病的重要性。

Nov, 2023

本研究旨在利用可穿戴系统，通过机器学习算法分析帕金森症早期症状，挖掘相关生物标志物进行症状监测和早期预测，结果表明通过该方法可获得 91.9% 的预测准确度。

Apr, 2023

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

该研究探讨了通过脑电图记录未受影响手臂的活动，以学习个体化机器学习模型来支持患者康复，结果表明预测运动的分类器在选定的受双边运动意图诱发的脑电图通道上训练时与全面训练脑电图数据的分类器在单边运动意图上的表现差异不显著。这一方法可在实际治疗中使用，与几个脑电图通道的数据训练有效，对于中风患者的进一步研究具有潜力。

Feb, 2024