序列到序列预测
Parent: ai_keywords
序列到序列预测
核心定义
序列到序列（Sequence-to-Sequence, Seq2Seq）预测是一种深度学习范式，旨在将不定长的输入序列映射为不定长的输出序列。其核心思想是通过端到端学习，捕获序列内部的时序依赖与跨序列的映射关系，广泛用于机器翻译、语音识别、时间序列预测等任务。在医学神经科学中，Seq2Seq 被用于解析连续的生物信号（如脑电、肌电）或病理演变过程，实现从观测到未来状态的推演。
关键技术点
- 编码器-解码器架构：编码器将输入序列压缩为上下文向量（Context Vector），解码器基于此逐步生成输出序列。常用 RNN（LSTM/GRU）或 Transformer 实现，解决长期依赖问题。
- 注意力机制：动态分配编码器各时间步的权重，避免上下文向量信息瓶颈，提升对关键时间窗口（如癫痫棘波、运动意图起始）的聚焦能力。
- Teacher Forcing：训练时用真实标签作为解码器下一步输入，加速收敛；推理时改为自回归生成，需结合调度采样（Scheduled Sampling）缓解暴露偏差。
- Beam Search 解码：维护多个候选序列（束宽>1），基于概率评分选择最优路径，适用于多模态输出（如多种可能的病理进展轨迹）。
- 双向/Transformer 变体：双向 RNN 捕获前后文依赖，Transformer 自注意力并行计算，适合长序列（如 24 小时脑电）处理。
医学/神经科学应用场景
以 首都医科大学神经病学研究所 的癫痫术前评估为例，Seq2Seq 模型可预测脑深部电极记录的颅内脑电图（iEEG）中癫痫发作的传播路径。算法以多通道 iEEG 前 30 秒为输入序列，输出未来 10 秒各通道的发作概率与振幅演化。通过引入通道注意力与时间衰减，模型在 72 名患者的数据上实现了 86% 的发作起始区域预测准确率，辅助立体定向脑电图（SEEG）电极植入规划，显著减少无效植入点数。该框架还可扩展至帕金森病步态冻结预测及阿尔茨海默病认知量表评分推演，推动神经重症监护的实时预警系统落地。
