综述：利用人工智能技术对尖峰信号数据进行功能分类：系统综述

《Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery》：Functional Classification of Spiking Signal Data Using Artificial Intelligence Techniques: A Systematic Review

人工神经网络与深度学习（如卷积神经网络、注意力机制）在神经元放电分类中的应用及预处理方法综述，分析支持向量机、聚类算法等机器学习技术的性能，探讨其在医学信号处理中的实际价值。

　　

摘要

如今，人类大脑神经元的活动具有重要意义。通过分析信号数据（如细胞外记录）来评估神经元行为，这些数据可以为科学家提供关于疾病和神经元活动的宝贵信息。研究人员在评估这些信号时面临的一个难点是存在大量的尖峰数据。尖峰是信号数据的重要组成部分，它们可能是由重要的生物标志物或物理问题（如电极移动）引起的。因此，区分不同类型的尖峰至关重要。这就是尖峰分类概念的起源。以前，研究人员是手动对尖峰进行分类的。但由于手动分类需要大量分析，因此不够精确。为此，人工智能（AI）被引入神经科学领域，以帮助临床医生正确分类尖峰。从尖峰中识别噪声使得尖峰分类任务变得非常具有挑战性。准确快速地分类尖峰凸显了AI在尖峰分类中的作用。本文深入讨论了AI在尖峰分类中的重要性和应用。本文整理了尖峰分类领域的资料，为未来的研究提供了参考，并详细描述了尖峰的识别方法。首先介绍了现有的数据集，然后将尖峰分类的主题分为三个主要部分：预处理、分类和评估。每个部分都介绍了现有的方法并确定了它们的重要性。在总结和比较后，重点介绍了更高效的算法。本文的主要目的是为未来的研究提供关于尖峰分类的视角，并全面了解相关的方法和问题。本文从各种数据库中提取了大量研究，并使用PRISMA相关的研究指南来筛选论文，最终选择了基于机器学习和深度学习方法进行尖峰分类的研究。尽管有关于使用“spike”关键词进行尖峰分类的研究论文，但本研究的主要焦点是尖峰分类。最终选出了47篇论文进行深入分析。首先提供了这些论文所使用数据集的有用信息，然后研究了每项研究中的预处理方法、分类方法和最终性能。文章还对材料进行了总结，并在整个回顾过程中详细探讨了本文开头提到的尖峰分类相关的基本问题。我们的回顾结果表明，支持向量机和基于聚类的算法在提高准确性和多种应用方面对机器学习方法有显著影响。此外，在深度学习方法中，卷积神经网络、尖峰神经网络和基于注意力机制的技术在尖峰分类方面也表现出色。实际应用中已经使用了多种预处理和分类技术来对医疗机构中提取的信号数据进行分类。我们的回顾强调了在神经科学应用中使用机器学习和深度学习模型对尖峰进行分类的重要性，这可以为利用AI对现实世界的医疗数据进行处理提供宝贵的见解和实用解决方案。

本文属于以下类别：

• 技术 > 人工智能
• 技术 > 机器学习
• 算法开发 > 生物数据挖掘

图形摘要

图形摘要展示了本综述中基于人工智能的尖峰分类技术的整体工作流程。

利益冲突

作者声明没有利益冲突。

数据可用性声明

由于本研究没有创建或分析新的数据，因此不适用数据共享。