变分自编码器 (VAE)
Parent: ai_keywords
变分自编码器 (Variational Autoencoder, VAE)
核心定义
变分自编码器是一种深度生成式模型，由Kingma和Welling于2013年提出。它巧妙地将自编码器结构与变分推断结合，通过学习高维观测数据（如神经影像、脑电图信号）背后的低维潜在概率分布，既能实现高效的数据压缩与特征提取，又能从这个潜在分布采样生成全新的、符合原始数据统计特征的人工样本。VAE的核心优势在于其生成能力与概率建模的严谨性，使其成为从有限临床数据中学习有意义的生物标识的强有力工具。
关键技术点
-
变分下界（ELBO）：VAE通过最大化证据下界来近似不可解的后验分布。ELBO由两部分组成：重构损失（测量生成数据与输入数据的差异）和KL散度（使潜在分布逼近标准正态先验）。这种双目标约束确保了潜在空间的结构化与连续性。
-
重参数化技巧：为解决采样操作不可微的障碍，VAE将从概率分布中采样这一随机步骤转化为确定性的平移缩放操作（使用待学习均值和标准差参数加上一个外部噪声项），从而允许梯度通过采样层反向传播，实现端到端训练。
-
潜在空间的正则化：KL散度项强制编码后的潜在变量分布向标准正态先验靠拢，形成连续、平滑的潜在空间。该性质使得潜在空间内两个点之间的插值对应着数据空间中有意义的语义过渡，这在连续变化的神经信号（如运动想象脑电）分析中尤为重要。
-
编码器-解码器架构：编码器将原始数据映射为潜在分布的参数（μ, σ）；解码器从潜在变量z重建数据。这种非对称结构允许模型学习降维表示的同时保持数据生成能力，适用于跨模态神经特征映射。
医学/神经科学应用场景（脑电图异常检测与癫痫发作预测）
基于首都医科大学附属北京天坛医院的电生理数据，VAE可应用于癫痫患者的长程脑电图（EEG）分析。训练一个VAE模型学习正常脑电节律的潜在分布；在监测阶段，当患者出现癫痫发作前兆时，其EEG片段的潜在表示会偏离正常分布（表现为重构误差增大或潜在向量异常）。通过设定统计阈值，VAE可实现发作前的早期预警。此外，VAE生成的模拟癫痫波可用于增强训练数据集，提升下游分类器的泛化能力。对于帕金森病患者，VAE可提取步态加速度信号的潜在状态转移特征，辅助量化冻结步态严重程度。该方法避免了传统手工特征工程的主观性，为神经科医师提供数据驱动的个性化分析工具。
