生理信号処理のための信号から画像への変換と畳み込みニューラルネットワーク：レビュー

脳波（EEG）、筋電図（EMG）、心電図（ECG）などの生理信号は貴重な臨床情報を提供しますが、高次元の特性により分析には課題があります。固定された分析ウィンドウから手作りの特徴に依存する従来の機械学習技術は、識別情報の損失を引き起こす可能性があります。最近の研究では、生の生理信号からの堅牢な自動特徴学習における深層畳み込みニューラルネットワーク（CNN）の有効性が示されています。しかし、標準的なCNNアーキテクチャは入力として二次元画像データを必要とします。これにより、スペクトル、空間、時間的特性を保持する一次元時系列を画像に変換する革新的な信号から画像への（STI）変換技法の研究が促進されています。本論文では、生理信号から画像への変換戦略の最近の進展と、自動処理タスクのためのCNNを用いた応用についてレビューします。脳-コンピュータインターフェース、発作検出、運動制御、睡眠段階分類、不整脈検出など多様な応用にわたるEEG、EMG、ECG信号変換とCNNベースの分析技術の体系的分析が提示されます。異なる変換アプローチ、CNNモデルアーキテクチャ、トレーニング手順、およびベンチマークパフォーマンスの相対的な利点に関する重要な洞察が統合されます。深層学習と生理信号処理の交差点における現在の課題と有望な研究方向について議論します。このレビューは、深層ニューラルネットワークを用いた多次元生理データからの臨床的に関連する情報抽出のための効果的なエンドツーエンドシステムに関する革新を促進することを目的としています。最先端技術の包括的な概要を提供することによって。