亲和传播
Parent: ai_keywords
亲和传播 (Affinity Propagation)
【核心定义】
亲和传播是一种基于消息传递机制的无监督聚类算法。与 K-means 等需要预设聚类数目的方法不同，该算法通过数据点之间相互交换“责任”（Responsibility）和“可用性”（Availability）两种消息，自动识别代表性样本（Exemplar，即聚类中心）并完成样本分配，尤其适用于高维、非凸或噪声数据。
【关键技术点】
- 相似度矩阵：定义任意两个数据点 ( i ) 和 ( k ) 之间的相似度 ( s(i,k) )，通常取负的欧氏距离或负的平方误差，数值越大表示亲和度越高。
- 自相似度（Preference）：每个点被选为聚类中心的先验倾向，一般设为相似度矩阵的中位数或最小值，直接影响聚类数量。
- 消息传递机制：
- 责任（Responsibility）：( r(i,k) ) 表示点 ( k ) 作为点 ( i ) 的聚类中心的证据强度。
- 可用性（Availability）：( a(i,k) ) 表示点 ( i ) 选择点 ( k ) 作为聚类中心的合适程度。 两者通过迭代更新（引入阻尼因子避免震荡）直至收敛。
- 聚类中心自动确定：算法不再依赖人工设定 ( K ) 值，而是通过消息循环找出最具代表性的 Exemplars。
【医学/神经科学应用场景】
应用方向：脑卒中后运动功能障碍的肌电信号模式识别
场景描述（联合首都医科大学神经病学背景）：在脑卒中康复评估中，采用表面肌电（sEMG）采集患者患侧上肢的时序信号。由于不同患者损伤程度差异大，传统聚类需预设动作类别，但个体间异常肌电模式多样。应用亲和传播算法，通过构建信号特征（如均方根、中值频率）的负相似度矩阵，自动识别“痉挛”、“协同异常”及“正常”等代表性肌电模式（Exemplars）。结果可直接辅助首都医科大学附属医院神经康复中心进行个性化治疗方案设计，无需事先标注样本，显著提升了非典型卒中亚型的分类效率。
