Bridging Signal Intelligence and Clinical Insight: A Comprehensive Review of Feature Engineering, Model Interpretability, and Machine Learning in Biomedical Signal Analysis
Notice bibliographique
Résumé
Biomedical signal analysis underpins modern healthcare by enabling accurate diagnosis, continuous physiological monitoring, and informed patient management. While deep learning excels at automated feature extraction and end-to-end modeling, classical ML remains essential for tasks requiring interpretability, data efficiency, and clinical transparency. This review synthesizes advances in ML methods including Support Vector Machines, Random Forests, and Decision Trees focusing on physiologically informed feature engineering, robust feature selection, and meaningful model interpretation. We provide guidelines for signal preprocessing, domain-specific feature extraction, and selection strategies across standard biomedical signals such as electrocardiograms (ECGs), electromyograms (EMGs), electroencephalograms (EEGs), Electrovestibulography (EVestG), and tracheal breathing sounds (TBSs). Reviewing TBS studies illustrates an end-to-end workflow highlighting common features and classifiers alongside practical challenges and solutions. Reported ML application performance ranges from 85 to 94% accuracy for EEG, ECG, and EMG, to 82% specificity for TBSs, emphasizing the trade-off between interpretability and predictive performance. Marginal accuracy gains alone do not constitute meaningful progress unless they enhance clinical insight, actionable decision-making, or model transparency. Finally, we compare ML with DL, discuss strengths and limitations, and provide recommendations and future directions for developing robust, interpretable, and clinically relevant biomedical ML.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».