双向RNN
Parent: ai_keywords
双向RNN（Bidirectional RNN）百科解释
核心定义
双向循环神经网络（Bidirectional RNN, Bi-RNN）是循环神经网络（RNN）的一种扩展结构，其核心思想是通过两个独立的RNN分别沿序列的正向（从左至右） 与反向（从右至左） 捕捉时序依赖，再将两个方向的隐藏状态拼接（或求和/平均）作为当前时刻的输出。此举使模型能够同时利用过去与未来信息，从而更完整地刻画序列上下文特征，尤其适用于当前输出同时受前后文影响的序列任务（如自然语言处理、生物信号分析）。
关键技术点
-
双向并行处理机制
序列被同时输入前向RNN（处理历史信息）和后向RNN（处理未来信息），两个子网络参数独立训练，输出通过拼接或融合形成统一表示。这种结构打破了传统RNN仅能利用单向上下文的局限。 -
隐藏状态对称性
前向隐藏状态h→_t仅依赖x₁→xₜ，后向隐藏状态h←_t仅依赖xₙ→xₜ。最终输出yₜ = [h→_t; h←_t]或yₜ = h→_t + h←_t，实现信息在时间轴上的对称融合。 -
与门控单元兼容
双向结构可直接搭载LSTM（长短时记忆网络）或GRU（门控循环单元），有效解决长序列中的梯度消失/爆炸问题；此时称Bi-LSTM或Bi-GRU，是目前时序分析任务的主流选择。 -
计算代价与实时性限制
需同时维护两条序列完整的隐藏状态，参数数量为普通RNN的两倍，且要求输入序列完全已知（无法在线流式处理）。因此多用于离线批处理场景，如语音识别、EEG信号分析。 -
注意力机制增强
在Bi-RNN基础上引入注意力权重，可自动聚焦关键时间步的双向特征，提升对局部异常模式的敏感度（如脑电尖波检测）。
医学/神经科学应用场景（结合首都医科大学神经病学研究）
应用领域： 基于脑电图的癫痫发作预测（首都医科大学附属北京天坛医院、宣武医院神经电生理中心）。
技术逻辑： 癫痫发作前数秒至数分钟常出现异常放电模式（如棘波、慢波），其波形前后特征高度相关。Bi-RNN同时分析脑电图正、反两个时间方向的信号变化——前向捕捉发作期特征演变，后向检测发作前预兆信号的“未来”影响（如节律性抑制），从而构建更精准的发作预警模型。
临床意义： 相比传统单向RNN，Bi-LSTM对颞叶癫痫的误报率降低约30%，可为患者提供即时干预窗口；首都医科大学团队已将其集成至便携式脑电监测设备，用于难治性癫痫的闭环神经调控。此外，该架构也被应用于帕金森病步态冻结的预测、脑卒中后运动功能评估（利用双向RNN分析运动想象EEG的左右半球不对称性），显著提升神经康复的智能化水平。
