چکیده
یادگیری عمیق (DL)، با سرعت، از سال 2006 به یک مسیر تحقیقاتی در حال رشد تبدیل شده و پیشرفته-ترین کارایی¬ها را در طیف وسیعی از زمینهها از جمله تشخیص اشیا، بخش¬بندی تصویر، تشخیص گفتار و ترجمه ماشینی، بازتعریف میکند. در سیستمهای تولیدی مدرن، پایش ماشینی سلامت های مبتنی بر داده به دلیل استقرار گسترده حسگرهای ارزانقیمت و اتصال آنها به اینترنت، محبوبیت زیادی دارد. در همین حال، یادگیری عمیق، ابزارهای مفیدی را برای پردازش و تحلیل این کلان داده¬های ماشینی، فراهم می¬کند. هدف اصلی این مقاله، بررسی و خلاصه کردن کار تحقیقاتی نوظهور یادگیری عمیق در پایش ماشینی سلامت است. پس از معرفی کوتاه تکنیکهای یادگیری عمیق، استفاده از یادگیری عمیق در سیستمهای پایش ماشینی سلامت، عمدتا از جنبههای زیر بررسی میشوند: خود رمزگذار (AE) و انواع آن، ماشین های بولتزمن محدود شده و انواع آن از جمله شبکه باور عمیق (DBN) و ماشینهای بولتزمن عمیق (DBM)، شبکههای عصبی کانولوشن (CNN) و شبکههای عصبی بازگشتی (RNN). علاوه بر این، یک مطالعه تجربی بر روی کارایی این رویکردها انجام شده که در آن دادهها و کد، به صورت آنلاین بوده است. در نهایت، برخی از روندهای جدید روش¬های پایش ماشینی سلامت مبتنی بر DL مورد بحث قرار می گیرند.