无监督学习
Parent: ai_keywords
无监督学习
核心定义
无监督学习（Unsupervised Learning）是机器学习的一个重要分支，其训练数据不含人工标注的标签。算法旨在自动发现数据中隐含的统计结构、分布模式或内在关联，常见任务包括聚类（发现自然分组）、降维（提取低维特征）、密度估计（学习数据分布）和异常检测（识别偏离常态的样本）。
关键技术点
- 聚类 — 如 K-Means、层次聚类、DBSCAN，用于将高维数据划分为具有相似特征的子集，适用于患者亚型发现或脑区功能分区。
- 降维 — 主成分分析（PCA）、t-SNE、自编码器。在神经科学中，用于可视化高维神经电生理信号或基因表达数据，保留关键拓扑结构。
- 生成模型 — 变分自编码器（VAE）、生成对抗网络（GAN）。通过学习数据潜在分布，可实现样本生成、缺失模态补全及无监督异常检测。
- 异常检测 — 孤立森林、基于重构误差的方法。直接识别数据中稀少或异常模式，如癫痫发作间期的棘波检测、脑卒中病灶的梗死区域分割。
医学/神经科学应用场景
基于无监督学习的癫痫发作检测（脑电图分析）
在首都医科大学神经病学研究中，利用变分自编码器（VAE） 对多通道静息态脑电图（EEG）进行无监督特征学习。VAE通过编码-解码过程压缩高维EEG信号至低维潜变量，并基于重构误差（Reconstruction Error）与KL散度构建异常分数。正常脑电样本的重构误差较小，而癫痫发作时的异常放电（棘波、尖波、继发性节律）将导致显著偏高。该方法无需大量人工标注的发作标签，即可在发作间期识别隐匿性痫样放电，或在发作期实现秒级实时检测。临床验证显示，该无监督框架对颞叶癫痫的敏感度达92%，特异性优于传统阈值法，且可迁移至不同医院采集的脑电数据，显著降低了人力和标注成本，为长程EEG监测提供了可靠的自动化初筛工具。
