深度学习在帕金森病眼动数据的时间序列分类中的应用
通过使用眼动追踪数据，分析巴金森病诊断和分类的深度学习算法，研究发现通过用于准备阶段的短时间序列数据作为输入可实现疾病分类任务，结果表明这些数据具有较低的主体间变异性并携带关于大脑认知和运动状况的有用信息，有效用于机器学习发现与疾病相关的生物标志物。
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。该模型在三个公开数据集上评估，结果表明其能准确诊断帕金森病，即使输入信息部分缺失也能表现良好。该研究对患者治疗和帕金森病早期检测具有重要意义，该模型有望成为一种非侵入性且可靠的帕金森病早期检测技术。
