物理信息的神经网络用于生理信号处理和建模:一个叙事审查
Anni Zhao1, Davood Fattahi1, Xiao Hu1
1Center for Data Science, Nell Hodgson Woodruff School of Nursing, Emory University, Atlanta, GA, United States of America.
Physiological measurement
|July 18, 2025
概括
基于物理学的神经网络 (PINNs) 将物理定律集成到AI模型中,用于分析生理信号. 本综述强调了它们在数据效率和可解释性方面的好处,同时讨论了挑战和未来方向.
科学领域:
- 生物医学工程 生物医学工程
- 计算科学 计算科学
- 人工智能的人工智能
背景情况:
- 生理信号分析传统上依赖于经验模型.
- 像物理信息神经网络 (PINNs) 等新兴技术提供了一种新的方法.
- PINNs将物理定律整合到神经网络训练中,以提高性能.
研究的目的:
- 在生理信号分析中提供PINNs的全面概述.
- 根据关键的理论和实践方面对现有研究进行分类.
- 确定这个领域的挑战和未来的研究方向.
主要方法:
- 系统的文献审查和相关研究的选.
- 40多项选定的研究的分类.
- 对输入数据类型,应用程序,基于物理的模型和神经网络架构的分析.
主要成果:
- 对于生理信号来说,PINN在概括性,数据效率和解释性方面具有显著的优势.
- 在这个领域中,成功地解决前向和反向问题的应用.
- 确定了包括噪音输入,计算成本和模型配置在内的关键挑战.
结论:
- PINNs为推进生理信号分析提供了一个强大的框架.
- 解决已确定的挑战对于更广泛的临床采用至关重要.
- 本综述作为研究人员的指南,促进精确和数据高效的解决方案.


