我们提出了一种整合模拟计算和深度学习的方法，用于心电图（ECG）心律失常分类。该方法利用硬件高效且完全模拟的心律失常分类架构，实现了低功耗下的高准确性。实验评估表明，该方法在患者内心律失常分类和心肌梗死（MI）分类方面具有很高的准确性。这种创新的方法为开发低功耗心律失常分类系统提供了一个有前景的途径。

研究开发了基于生理学的语音识别体系结构，通过深度学习框架进行训练，揭示了神经振荡的出现，发现反馈机制对提高识别性能至关重要，对神经形态技术具有重要意义。

人工智能在核医学领域的应用增长，PET成像中的人工智能需求也增加。本文提供了人工智能核心原理的指南，重点关注PET成像中的应用。介绍了卷积神经网络、算法训练和U-Net组件。