多维缩放

Parent: ai_keywords

多维缩放（Multidimensional Scaling, MDS）

核心定义

多维缩放是一种非监督式降维与可视化算法，旨在将高维空间中样本间的相异度（距离或相似性）映射到低维（通常为2D/3D）坐标系中，并最大程度保留原始距离关系。它不依赖特征标签，仅凭对象间的差异矩阵即可探索数据的内在几何结构。

关键技术点

1. 距离矩阵与相似性度量
   MDS的输入是 ( n \times n ) 的相异度矩阵 ( D )，元素 ( d_{ij} ) 表示对象 ( i ) 与 ( j ) 间的距离（如欧氏距离、相关系数转换的相异性）。输出的低维点坐标使得新距离 ( \hat{d}{ij} ) 尽可能逼近 ( d{ij} )。

2. 应力函数（Stress）与优化
   通过最小化应力函数（如 Kruskal’s Stress-1）来评价映射保真度：
   [ \text{Stress} = \sqrt{\frac{\sum_{i<j}(d_{ij} - \hat{d}{ij})^2}{\sum{i<j} d_{ij}^2}} ]
   采用迭代梯度下降或 SMACOF 算法优化坐标。

3. 度量 MDS 与非度量 MDS

   • 度量 MDS：假设距离是定量数值（如欧氏距离），直接保留比值关系。
   • 非度量 MDS：仅保留距离的序次关系（如更大/更小），适合仅知排序的数据（如李克特量表）。

4. 经典 MDS（CMDS）与特征值分解
   CMDS 将距离矩阵双中心化后，对点积矩阵做特征值分解，得到低维坐标。它是PCA在欧氏距离下的特例。

医学/神经科学应用场景：脑卒中后脑网络重构评估

背景：首都医科大学神经病学团队在脑卒中康复研究中，需量化患者不同康复阶段大脑功能连接模式的动态变化。

方法：采集静息态fMRI数据，计算各脑区（如运动区、默认模式网络节点）间的功能连接矩阵（皮尔逊相关系数 → 相异度）。对该 ( k \times k ) 矩阵执行 非度量 MDS，将脑区映射至二维空间。

结果：

• 健康对照的MDS图显示各脑区按功能模块聚集，形成清晰网络拓扑。
• 急性期卒中患者中，损伤侧运动区（如M1区）偏离原有集群，与对侧辅助运动区距离增大，提示跨半球连接断裂。
• 康复3个月后，MDS图上受损脑区逐步向健康参考点“漂移”，且应力值下降，表明功能连接恢复的几何一致性增强。

价值：MDS将复杂的多脑区连接矩阵转化为直观的“脑区地图”，为卒中后神经可塑性提供量化视觉证据，辅助个体化康复策略制定。