综述：机器学习不确定性量化在生物信号处理中的应用现状与挑战
一篇系统综述梳理了不确定性量化（UQ）在EEG、ECG等生物信号机器学习任务中的应用，覆盖53篇论文，指出UQ方法虽具潜力，但在临床环境中人机交互研究仍不足。
一篇系统综述调查了不确定性量化（Uncertainty Quantification, UQ）在机器学习生物信号任务中的应用现状。作者为Ivo Pascal de Jong、Andreea Ioana Sburlea和Matias Valdenegro-Toro，论文按作者所述计划发表在《Journal of Healthcare Informatics Research》（2026年）。
作者通过Web of Science、Scopus、IEEE Xplore和PsycINFO检索并纳入讨论机器学习中不确定性的相关论文，最终基于53篇论文及相关文献综述了UQ方法、不足、不确定性度量方法和理论框架，并指出诊断实现、假肢或脑机接口控制等方向上的文献空白。
研究覆盖与主要发现
作者认为，EEG、ECG、EOG和EMG等（医学）生物信号因信噪比低，且良好的可解释性对医疗应用至关重要，因此可能受益于UQ。
在结论中，作者写道，总体上已有有前景的UQ方法可用，但仍需研究人和系统如何在（临床）环境中与不确定性模型互动。
该论文版本为arXiv:2312.09454v3，2023年11月首次提交，2026年9月更新；正文含33页、14张图和3张表。