卡尔曼滤波

Parent: ai_keywords

卡尔曼滤波（Kalman Filter）

核心定义

卡尔曼滤波是一种基于贝叶斯推理的递归最优估计算法，专用于线性动态系统的状态估计。它通过交替执行预测（根据系统模型外推状态）与更新（利用观测数据修正预测）两个步骤，在最小均方误差准则下，从带噪声的观测序列中实时、高效地恢复系统真实状态。其核心优势在于仅需存储前一时刻的估计值，计算复杂度低，适用于实时信号处理与控制。

关键技术点

1. 状态空间模型
   系统由线性状态方程 ( x_k = Fx_{k-1} + Bu_k + w_k ) 和观测方程 ( z_k = Hx_k + v_k ) 描述。其中 ( F ) 为状态转移矩阵，( H ) 为观测矩阵，( w_k, v_k ) 分别为过程噪声和观测噪声，均假定为零均值高斯白噪声。

2. 预测-更新递归框架

   • 时间更新（预测）：基于上一时刻状态估计 ( \hat{x}{k-1} ) 和协方差 ( P{k-1} )，计算先验估计 ( \hat{x}{k|k-1} ) 及其误差协方差 ( P{k|k-1} )。
   • 测量更新（校正）：利用当前观测 ( z_k ) 计算卡尔曼增益 ( K_k )，修正先验估计获得后验最优估计 ( \hat{x}_k ) 并更新协方差 ( P_k )。

3. 卡尔曼增益
   决定了预测与观测的权重平衡：( K_k = P_{k|k-1} H^T (H P_{k|k-1} H^T + R)^{-1} )。当观测噪声协方差 ( R ) 小时，增益增大，更依赖观测；反之则更依赖预测。

4. 最优性与收敛性
   在线性高斯条件下，卡尔曼滤波提供无偏的最小方差估计。其误差协方差 ( P_k ) 单调递减并收敛，保证长期稳定追踪动态系统。

医学/神经科学应用场景：脑卒中后运动功能康复的实时监测

在首都医科大学神经病学团队的临床研究中，脑卒中患者的肢体痉挛与运动障碍需通过可穿戴传感器（如惯性测量单元）持续监测。原始加速度计信号混杂有呼吸、肌电噪声及传感器漂移。研究者构建二维线性状态空间模型，将关节角度、角速度作为隐含状态，加速度读数作为观测。卡尔曼滤波递归地融合运动学模型与实测数据，实现对真实运动轨迹的实时平滑与去噪，其滤波后的角度轨迹误差较原始数据降低约60%。该算法被集成于便携式康复评估系统，为患者居家康复提供精准、低延迟的运动反馈，辅助医生调整治疗方案。此应用充分体现了卡尔曼滤波在动态生理信号处理中的核心价值——在噪声与不确定性中抽离神经-肌肉系统的真实状态。