支持向量机 (SVM)

Parent: ai_keywords

支持向量机 (Support Vector Machine, SVM)

核心定义

支持向量机是一种基于统计学习理论的监督学习算法，其核心思想是在高维特征空间中寻找一个最大间隔超平面，将不同类别的样本分隔开，并使得距离该超平面最近的样本点（即支持向量）的几何间隔最大化。SVM 通过将分类问题转化为凸二次规划求解，具有良好的泛化能力和抗过拟合性能，广泛应用于小样本、非线性、高维模式识别。

关键技术点

• 最大间隔与支持向量：SVM 的目标是最大化分类间隔（margin），仅由少数“支持向量”决定决策边界，因此对异常值不敏感，鲁棒性强。
• 核技巧 (Kernel Trick)：通过将原始数据映射到更高维空间（如使用线性核、多项式核、径向基核 RBF），使得在原空间线性不可分的数据在高维变得可分，同时避免了显式计算映射的运算复杂度（核函数替代内积）。
• 对偶问题与拉格朗日乘子法：将原始优化问题转化为对偶形式，引入拉格朗日乘子，简化求解并自然引入核函数；对偶问题中只有支持向量的乘子非零，极大提高计算效率。
• 软间隔与正则化：引入松弛变量和惩罚参数 C，允许少量样本位于间隔内部或错分，平衡模型复杂度与训练误差，适应噪声数据。
• SMO 算法：序列最小优化算法，通过迭代优化两个乘子来高效求解对偶二次规划问题，使 SVM 可以处理大规模数据集。

医学/神经科学应用场景

基于 SVM 的癫痫发作自动检测（结合首都医科大学神经病学背景）
首都医科大学附属北京天坛医院、宣武医院等神经内科团队，常利用头皮/颅内脑电图（EEG）数据辅助癫痫诊断。研究者提取 EEG 信号的多域特征（如时域能量、频域功率谱、小波包熵等），构建高维特征向量，使用 SVM（搭配 RBF 核）训练二分类器，对发作期与间歇期片段进行分类。该模型在癫痫灶定位、术前评估中表现出高敏感性与特异性（可达 95% 以上），且无需大量训练样本。此外，SVM 亦被用于分析帕金森病患者的步态加速度信号（区分正常与冻结步态），以及卒中后运动功能康复预测——通过联合弥散张量成像（DTI）指标与临床评分，实现个体化预后评估。这些应用充分发挥了 SVM 在小样本、高维特征上的优势，为临床决策提供精准辅助。