# 感知机（Perceptron）

## 核心定义
感知机是神经网络发展史上的奠基性模型，由Frank Rosenblatt于1958年提出。它是一个二元线性分类器，核心结构包括输入层、加权求和与阈值激活函数（阶跃函数），旨在通过监督学习对数据进行类别判定。感知机学习算法基于错误驱动的权重更新规则，形式上可表示为：  
\[
y = \begin{cases}  
1 & \text{if } \sum_{i} w_i x_i + b > 0 \\  
0 & \text{otherwise}  
\end{cases}
\]  
该模型因仅能处理线性可分问题（1969年Minsky与Papert指出其局限性）而被批评，但为后续多层感知机及深度学习开辟了道路。

## 关键技术点
1. **线性可分性与收敛定理**  
   感知机学习算法保证在训练数据线性可分时收敛至正确分类边界；若数据线性不可分，则算法不收敛——这一数学约束直接推动了非线性激活函数与多层结构的发展。

2. **权重更新规则**  
   每次迭代中，仅对误分类样本更新权重：\(w \leftarrow w + \eta (y_{true} - y_{pred}) x\)，其中\(\eta\)为学习率。该规则体现了生物神经元“赫布可塑性”（Hebbian Plasticity）的简化模拟。

3. **激活函数与阈值**  
   阶跃函数将线性组合映射为离散输出（0/1），本质是对生物神经元“全或无”动作电位的抽象，但也因其不连续性导致无法使用梯度下降进行优化。

4. **与多层感知机的演进关系**  
   单层感知机的局限（如无法解决XOR问题）促使了添加隐藏层并引入Sigmoid等可微激活函数，形成多层感知机（MLP），结合反向传播算法实现了复杂非线性分类。

## 医学/神经科学应用场景
**脑卒中后上肢运动功能障碍的肌电（EMG）模式识别**  
在首都医科大学神经病学研究中，可将感知机应用于实时肌电信号分类：采集患者患侧肱二头肌与三角肌的时域特征（如均方根、过零点数），构建线性可分的特征空间（如不同屈伸模式）。感知机学习算法快速更新权重参数，使设备在单次康复训练中自适应识别“意图屈肘/伸展”信号，实时触发功能性电刺激（FES）辅助运动。该方案因算法计算量极低，适合嵌入便携式康复设备，为脑卒中偏瘫患者提供即时反馈，加速神经可塑性重塑。

> **注**：对于非线性可分场景（如复杂手势识别），临床中常将感知机作为基础组件，堆叠为多层网络（MLP）或纳入卷积层，但单层感知机仍以其简洁性成为嵌入式康复系统的首选基底模型。