本研究使用卷积神经网络来区分病态EEG记录和正常的EEG记录，进一步建立自动EEG诊断的基础，研究中使用多种模型和可视化技术，最终获得较高的准确度和谱特征的变化对于疾病诊断有一定的指导意义，并且整个研究为未来的相关工作提供了一定的参考。

Aug, 2017

使用EEG-GCNN模型对神经疾病的诊断进行改进，重点是区分由专家分类为“正常”的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明，EEG-GCNN模型的AUC值达到0.90，表现显著优于人工基准和传统机器学习基准。

Nov, 2020

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

提出了一种基于深度学习的新型混合ConvNet-Transformer架构来检测和分期帕金森病(Parkinson's disease)。该混合架构利用了卷积神经网络(ConvNets)和Transformers的优势来准确地检测帕金森病并确定其严重程度阶段，相比其他最先进的方法，具有97％的帕金森病检测准确率和87％的严重程度分期准确率。

Oct, 2023

设计了一个紧凑高效的网络架构，利用动态手写信号的独特特征，为帕金森病的诊断提供客观鉴定；通过深度学习方法（LSTM和CNN）实现对时间变化特征的提取，并在实验证明其有效性和效率。

Nov, 2023

该研究使用“帕金森病进展标志倡议”数据集，开发了一个3DCNN + LSTM模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的91.90％的分类准确率。

Dec, 2023

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

本研究针对早期帕金森病分类中存在的数据不足问题，提出了一种结合脑连接性度量和信号统计的新方法。研究发现，结合相位滞后指数和区域信号统计，分类准确率最高可达91%，表明此方法在帕金森病早期诊断中的潜在应用价值。

Aug, 2024

本研究解决了使用静息态脑电图（EEG）检测帕金森病（PD）中的空间信息建模、动态脑连接性和特征学习挑战。采用了一种新的图神经网络技术，通过多头图结构学习和梯度加权图注意力解释有效捕捉EEG数据的复杂特征。研究结果显示，在UC圣地亚哥帕金森病EEG数据集上实现了69.40%的检测准确率，并提供了模型学习图拓扑的直观解释。

Aug, 2024