机器学习可用于分析几种目的的生理数据。脑缺血的检测是对患者护理产生高影响的成就。我们试图研究来自非侵入性监测器的连续生理数据，以及使用机器学习的分析可以检测不同环境中的脑缺血，在颈动脉胚胎切除术后和急性中风中的血管内血栓切除术期间。我们将两个不同组和一名患者的结果进行详细地比较。虽然CEA患者的结果是一致的，但从血栓切除术患者的结果不是并且经常含有极值，例如1.0的精确值。我们突出了这一点，这是程序的持续时间和具有质量不好的数据，导致小数据集。因此，这些结果不能值得信任。

机器学习用于医学，以支持医生在检查，诊断和预测结果中。其中一个最具动态的区域是从密集护理单位使用患者产生的健康数据。本文的目的是展示我们如何通过病人的人口统计数据与他们的生理数据相结合推进交叉患者ML模型开发。我们使用患有颈动脉内切除术（CEA）的患者患者，在那里我们在一次患者和一名患者培训时研究了模型性能和解释性的差异。结果表明，患者的人口统计学对性能和解释性具有很大影响，从而可靠。我们的结论是，我们可以增加信任ML车型在交叉患者背景下，基于其人口模型和患者仔细选择和手术过程。

由于数据保护法和机构内的官方程序，在实践中很难在机构之间共享医疗数据。因此，大多数现有的算法经过相对较小的脑电图（EEG）数据集的培训，这可能会损害预测准确性。在这项工作中，我们通过将公开可用的数据集分配到代表各个机构中数据的不相交集中来共享数据时模拟了一个情况。我们建议在每个机构中培训一个（本地）检测器，并将其个人预测汇总为最终预测。比较了四个集合计划，即多数投票，平均值，加权平均值和Dawid-Skene方法。该方法仅使用EEG通道的一个子集在独立的数据集上进行了验证。当每个机构提供足够数量的数据时，合奏的精度与对所有数据进行训练的单个检测器相当。加权平均聚合方案表现出最佳性能，当局部检测器接近对所有可用数据训练的单个检测器的性能时，它只能用DAWID-SKENE方法略有优于。

本报告描述了一组新生儿脑电图（EEG）记录，根据背景模式中异常的严重程度分级。该数据集由来自新生儿重症监护病房记录的53个新生儿的169小时多通道脑电图组成。所有新生儿均诊断出低氧缺血性脑病（HIE），这是全年前婴儿脑损伤的最常见原因。对于每种新生儿，选择了多个1小时的高质量脑电图，然后对背景异常进行评分。分级系统评估eeg属性，例如振幅和频率，连续性，睡眠循环，对称性和同步以及异常波形。然后将背景严重程度分为4年级：正常或轻度异常，中度异常，严重异常和不活跃的脑电图。数据可用作用于HIE，用于脑电图训练目的的新生儿的多通道脑电图的参考集，或用于开发和评估自动化等级算法。

本文介绍了机器学习推动的各种脑电图应用程序和当前的脑电图市场生态系统。使用脑电图越来越多的开放医疗和健康数据集鼓励数据驱动的研究，并有望通过知识发现和机器学习数据科学算法开发来改善患者护理的神经病学。这项工作导致各种脑电图发展，目前构成了新的脑电图市场。本文试图对脑电图市场进行全面的调查，并涵盖脑电图的六个重要应用，包括诊断/筛查，药物开发，神经营销，日常健康，元元和年龄/残疾援助。这项调查的重点是研究领域与商业市场之间的比较和对比。我们的调查指出了脑电图的当前局限性，并指示了上面列出的每个脑电图应用程序的研究和商机的未来方向。根据我们的调查，对基于机器学习的脑电图应用程序的更多研究将导致与脑电图相关的更强大的市场。越来越多的公司将使用研究技术并将其应用于现实生活中。随着与EEG相关的市场的增长，与EEG相关的设备将收集更多的脑电图数据，并且将有更多的EEG数据供研究人员在他们的研究中使用，以作为一个良性周期。我们的市场分析表明，在上面列出的六个应用程序中使用脑电图数据和机器学习有关的研究指向脑电图生态系统和机器学习世界的增长和发展的明确趋势。

影响重症患者护理的许多基本问题会带来类似的分析挑战：医生无法轻易估计处于危险的医疗状况或治疗的影响，因为医疗状况和药物的因果影响是纠缠的。他们也无法轻易进行研究：没有足够的高质量数据来进行高维观察性因果推断，并且通常无法在道德上进行RCT。但是，机械知识可获得，包括如何吸收人体药物，并且这些知识与有限数据的结合可能就足够了 - 如果我们知道如何结合它们。在这项工作中，我们提出了一个框架，用于在这些复杂条件下对重症患者的因果影响估算：随着时间的流逝，药物与观察之间的相互作用，不大的患者数据集以及可以代替缺乏数据的机械知识。我们将此框架应用于影响重症患者的极其重要的问题，即癫痫发作和大脑中其他潜在有害的电气事件的影响（称为癫痫样活动 - EA）对结局。鉴于涉及的高赌注和数据中的高噪声，可解释性对于解决此类复杂问题的故障排除至关重要。我们匹配的小组的解释性使神经科医生可以执行图表审查，以验证我们的因果分析的质量。例如，我们的工作表明，患者经历了高水平的癫痫发作般的活动（75％的EA负担），并且未经治疗的六个小时的窗口未受治疗，平均而言，这种不良后果的机会增加了16.7％。作为严重的大脑损伤，终生残疾或死亡。我们发现患有轻度但长期EA的患者（平均EA负担> = 50％）患有不良结果的风险增加了11.2％。

为了推动满足所有人需求并使医疗保健民主化的健康创新，有必要评估各种分配转变的深度学习（DL）算法的概括性能，以确保这些算法具有强大的态度。据我们所知，这项回顾性研究是第一个开发和评估从跨种族，年龄和性别的长期跳动间隔的AF事件检测的深度学习模型（DL）模型的概括性能（DL）模型的概括。新的复发DL模型（表示为ARNET2）是在2,147名患者的大型回顾性数据集中开发的，总计51,386小时连续心电图（ECG）。对来自四个中心（美国，以色列，日本和中国）的手动注释测试集评估了模型的概括，总计402名患者。该模型在以色列海法的Rambam医院Holter Clinic的1,730个Consecutives Holter记录中进一步验证了该模型。该模型的表现优于最先进的模型，并且在种族，年龄和性别之间进行了广泛的良好。女性的表现高于男性和年轻人（不到60岁），并且在种族之间显示出一些差异。解释这些变化的主要发现是心房颤动患病率更高（AFL）的群体的性能受损。我们关于跨组的ARNET2相对性能的发现可能对选择相对于感兴趣群的首选AF检查方法具有临床意义。

心脏听诊是用于检测和识别许多心脏病的最具成本效益的技术之一。基于Auscultation的计算机辅助决策系统可以支持他们的决定中的医生。遗憾的是，在临床试验中的应用仍然很小，因为它们中的大多数仅旨在检测音盲局部信号中的额外或异常波的存在，即，仅提供二进制地面真理变量（普通VS异常）。这主要是由于缺乏大型公共数据集，其中存在对这种异常波（例如，心脏杂音）的更详细描述。为基于听诊的医疗建议系统铺平了更有效的研究，我们的团队准备了目前最大的儿科心声数据集。从1568名患者的四个主要听诊位置收集了5282个录音，在此过程中，手动注释了215780人的心声。此外，并且首次通过专家注释器根据其定时，形状，俯仰，分级和质量来手动注释每个心脏杂音。此外，鉴定了杂音的听诊位置以及杂音更集中检测到杂音的位置位置。对于相对大量的心脏声音的这种详细描述可以为新机器学习算法铺平道路，该算法具有真实世界的应用，用于检测和分析诊断目的的杂波。

本文提出了一种基于离散小波变换（DWT）和机器学习分类器的癫痫检测方法。这里DWT已被用于特征提取，因为它提供了更好地分解了不同频带中的信号。首先，DWT已被应用于EEG信号以提取细节和近似系数或不同的子带。在提取系数之后，主成分分析（PCA）已经应用于不同的子带，然后使用特征级融合技术来提取低维特征空间中的重要特征。三个分类器即：支持向量机（SVM）分类器，K-Cirelte-邻（KNN）分类器和NAIVE Bayes（NB）分类器已用于分类EEG信号的工作中。该方法在Bonn数据库上进行了测试，并为KNN，SVM，NB分类器提供最多100％的识别精度。

Seizure type identification is essential for the treatment and management of epileptic patients. However, it is a difficult process known to be time consuming and labor intensive. Automated diagnosis systems, with the advancement of machine learning algorithms, have the potential to accelerate the classification process, alert patients, and support physicians in making quick and accurate decisions. In this paper, we present a novel multi-path seizure-type classification deep learning network (MP-SeizNet), consisting of a convolutional neural network (CNN) and a bidirectional long short-term memory neural network (Bi-LSTM) with an attention mechanism. The objective of this study was to classify specific types of seizures, including complex partial, simple partial, absence, tonic, and tonic-clonic seizures, using only electroencephalogram (EEG) data. The EEG data is fed to our proposed model in two different representations. The CNN was fed with wavelet-based features extracted from the EEG signals, while the Bi-LSTM was fed with raw EEG signals to let our MP-SeizNet jointly learns from different representations of seizure data for more accurate information learning. The proposed MP-SeizNet was evaluated using the largest available EEG epilepsy database, the Temple University Hospital EEG Seizure Corpus, TUSZ v1.5.2. We evaluated our proposed model across different patient data using three-fold cross-validation and across seizure data using five-fold cross-validation, achieving F1 scores of 87.6% and 98.1%, respectively.

癫痫是在4000年全球出现回来的最常见的神经系统疾病之一。这几天它会影响大约5000万人的人。这种疾病的特征是复发癫痫发作。在过去的几十年里，可用于癫痫发作控制的治疗方法已经提高了很多关于医学技术领域的进步。脑电图（EEG）是一种广泛使用的技术，用于监测大脑活动，广泛流行的癫痫发作区域检测。它在手术前进行，并且还在在神经刺激装置中可用的时间操作预测癫痫发作。但在大多数情况下，视觉检查是通过神经病学家进行的，以检测和分类疾病的模式，但这需要大量的域名知识和经验。这一切依次对神经外部产生压力，并导致时间浪费，并降低了他们的准确性和效率。需要一些在信息技术领域的自动化系统，例如在深度学习中使用神经网络，可以帮助神经根学家。在本文中，提出了一种模型，可提供98.33％的准确性，可用于开发自动化系统。发达的系统将显着帮助神经科学家的表现。

与脑电图（TMS-EEG）共同注册的经颅磁刺激先前已证明是对阿尔茨海默氏病（AD）研究的有用工具。在这项工作中，我们研究了使用TMS诱发的脑电图反应的使用，以对健康对照（HC）分类AD患者。通过使用包含17AD和17HC的数据集，我们从单个TMS响应中提取各种时域特征，并在低，中和高密度EEG电极集中平均它们。在保留一项受试者的验证方案中，使用带有随机森林分类器的高密度电极获得了AD与HC的最佳分类性能。准确性，灵敏度和特异性分别为92.7％，96.58％和88.2％。

Stress has a great effect on people's lives that can not be understated. While it can be good, since it helps humans to adapt to new and different situations, it can also be harmful when not dealt with properly, leading to chronic stress. The objective of this paper is developing a stress monitoring solution, that can be used in real life, while being able to tackle this challenge in a positive way. The SMILE data set was provided to team Anxolotl, and all it was needed was to develop a robust model. We developed a supervised learning model for classification in Python, presenting the final result of 64.1% in accuracy and a f1-score of 54.96%. The resulting solution stood the robustness test, presenting low variation between runs, which was a major point for it's possible integration in the Anxolotl app in the future.

简介：在房颤（AF）导管消融过程（CAP）期间记录了12条铅心电图（ECG）。如果没有长时间的随访评估AF复发（AFR），确定CAP是否成功并不容易。因此，AFR风险预测算法可以使CAP患者更好地管理。在这项研究中，我们从CAP前后记录的12铅ECG中提取功能，并训练AFR风险预测机学习模型。方法：从112例患者中提取前和后段段。该分析包括信号质量标准，心率变异性和由12铅ECG设计的形态生物标志物（总体804个功能）。在112名患者中，有43例AFR临床终点可用。这些用于使用前或后CAP特征来评估AFR风险预测的可行性。在嵌套的交叉验证框架内训练了一个随机的森林分类器。结果：发现36个特征在区分手术前和手术后具有统计学意义（n = 112）。对于分类，报告了接收器操作特性（AUROC）曲线下的区域，AUROC_PRE = 0.64，AUROC_POST = 0.74（n = 43）。讨论和结论：此初步分析表明AFR风险预测的可行性。这样的模型可用于改善盖帽管理。

苏黎世认知语言处理语料库（Zuco）提供了来自两种读取范例，正常读取和特定任务读数的眼跟踪和脑电图信号。我们分析了机器学习方法是否能够使用眼睛跟踪和EEG功能对这两个任务进行分类。我们使用聚合的句子级别功能以及细粒度的单词级别来实现模型。我们在主题内和交叉对象评估方案中测试模型。所有模型都在Zuco 1.0和Zuco 2.0数据子集上进行测试，其特征在于不同的记录程序，因此允许不同的概括水平。最后，我们提供了一系列的控制实验，以更详细地分析结果。

考虑了远程脑电图采样的弹性方面。使用运动传感器数据和用于检测失败采样通道的工业电网干扰的可能性。显示了失败通道和运动传感器数据的信号之间没有显着相关性。来自失败通道的50 Hz光谱分量的水平显着不同于正常操作通道的50 Hz分量的水平。制作了关于这些结果的应用，用于增加脑电图采样的抵抗力。

心血管疾病是世界各地最常见的死亡原因。为了检测和治疗心脏相关的疾病，需要连续血压（BP）监测以及许多其他参数。为此目的开发了几种侵入性和非侵入性方法。用于持续监测BP的医院中使用的大多数现有方法是侵入性的。相反，基于袖带的BP监测方法，可以预测收缩压（SBP）和舒张压（DBP），不能用于连续监测。几项研究试图从非侵​​入性可收集信号（例如光学肌谱（PPG）和心电图（ECG））预测BP，其可用于连续监测。在这项研究中，我们探讨了自动化器在PPG和ECG信号中预测BP的适用性。在12,000岁的MIMIC-II数据集中进行了调查，发现了一个非常浅的一维AutoEncoder可以提取相关功能，以预测与最先进的SBP和DBP在非常大的数据集上的性能。从模拟-II数据集的一部分的独立测试分别为SBP和DBP提供了2.333和0.713的MAE。在40个主题的外部数据集上，模型在MIMIC-II数据集上培训，分别为SBP和DBP提供2.728和1.166的MAE。对于这种情况来说，结果达到了英国高血压协会（BHS）A级并超越了目前文学的研究。

阻塞性睡眠呼吸暂停（OSA）是今天最普遍的呼吸道疾病之一。由于睡眠期间的上气道沉降而完成或相对呼吸停止是OSA。它已经证实对Covid-19住院和死亡率的潜在影响，并且与严重Covid-19感染的主要合并性密切相关。未诊断为OSA也可能导致各种严重的身心副作用。为了评分OSA严重程度，根据“名为PolySomNography（PSG）的定义协议和标准来执行夜间睡眠监视。这种方法是耗时，昂贵，需要专业的睡眠技师。欢迎自动家庭的OSA检测OSA。它是一种快速有效的方法，用于将OSA嫌疑人申请睡眠诊所进行进一步监测。在线OSA检测也可以是OSA治疗/辅助装置的闭环自动控制的一部分。在本文中，在三个不同数据库的155个科目上引入并测试了几种用于在线OSA检测的解决方案。最好的组合解决方案使用相互信息（MI）分析来选择退出ECG和基于SPO2的特征。采用了几种监督和无监督机器学习方法来检测不良发作。为了实现最佳性能，使用四种不同三元组合方法中最成功的分类器。所提出的配置利用有限使用生物信号，具有在线工作方案，并在所有采用的数据库中表现出均匀和可接受的性能（超过85％）。在以前的已发布的方法中，尚未聚集在一起。

癫痫是最常见的神经疾病之一。这种疾病的主要特征是频繁的癫痫发作，这是大脑中的电气不平衡。它通常伴随着身体部位摇动甚至导致（晕倒）。在过去的几年里，许多治疗已经出现了。这些主要涉及使用用于控制癫痫发作的抗癫痫药物。但在70％的病例中，这些药物无效，手术是唯一的解决方案时的状态恶化。所以患者需要在癫痫发作并安全的同时照顾自己。可穿戴的脑电图（EEG）设备已经提出了医学和技术的发展。这些设备有助于分析脑电活动。 EEG有助于定位受影响的皮质区域。最重要的是它可以预测现场的任何癫痫发作。这导致了对有效和高效的癫痫发作预测和诊断系统的需求突然增加。本文提出了一种新的癫痫发作预测和诊断系统EPILnet方法。它是一维（1D）卷积神经网络。 epilnet为五个课程提供79.13％的测试准确性，与相关工程相比，大幅增加约6-7％。开发的Web API有助于将Epilnet带入实际使用。因此，它是患者和医生的综合系统。该系统将有助于患者防止伤害或事故，并通过医院医生提高治疗过程的效率。

目的：确定逼真，但是电磁图的计算上有效模型可用于预先列车，具有广泛的形态和特定于给定条件的形态和异常 - T波段（TWA）由于创伤后应激障碍，或重点 - 在稀有人的小型数据库上显着提高了性能。方法：使用先前经过验证的人工ECG模型，我们生成了180,000人的人工ECG，有或没有重要的TWA，具有不同的心率，呼吸率，TWA幅度和ECG形态。在70,000名患者中培训的DNN进行分类为25种不同的节奏，将输出层修改为二进制类（TWA或NO-TWA，或等效，PTSD或NO-PTSD），并对人工ECG进行转移学习。在最终转移学习步骤中，DNN在ECG的培训和交叉验证，从12个PTE和24个控件，用于使用三个数据库的所有组合。主要结果：通过进行转移学习步骤，使用预先培训的心律失常DNN，人工数据和真实的PTSD相关的心电图数据，发现了最佳性能的方法（AUROC = 0.77，精度= 0.72，F1-SCATE = 0.64） 。从训练中删除人工数据导致性能的最大下降。从培训中取出心律失常数据提供了适度但重要的，表现下降。最终模型在人工数据上显示出在性能下没有显着下降，表明没有过度拟合。意义：在医疗保健中，通常只有一小部分高质量数据和标签，或更大的数据库，质量较低（和较差的相关）标签。这里呈现的范式，涉及基于模型的性能提升，通过在大型现实人工数据库和部分相关的真实数据库上传输学习来提供解决方案。