样条回归
Parent: ai_keywords
核心定义
样条回归（Spline Regression）是一种非参数或半参数回归方法，通过分段多项式（通常为三次）来拟合数据，在节点（knots）处强制函数值及一、二阶导数连续，从而在灵活性与平滑性之间取得平衡。其数学形式为 ( y = \sum_{j=1}^{k} \beta_j B_j(x) + \epsilon )，其中 ( B_j(x) ) 为基函数（如B样条、截断幂基）。相比全局多项式回归，样条能有效避免Runge现象，并在局部数据稀疏区域保持稳健。
关键技术点
- 基函数选择：B样条（B-spline）因数值稳定性和局部支撑性最常用；自然样条（Natural Spline）强制边界外线性化，减少方差；平滑样条（Smoothing Spline）通过惩罚二阶导数优化光滑参数。
- 节点数量与位置：节点过多易过拟合，过少则欠拟合。常用策略包括均匀节点、分位数节点或基于数据密度自适应放置（如自由节点样条）。
- 惩罚项引入：P样条（Penalized Spline）在损失函数中加入 ( \lambda \int [f’’(x)]^2 dx )，通过交叉验证（GCV、AIC）自动选择光滑参数 ( \lambda )，实现模型复杂度控制。
- 自由度与模型比较：样条的有效自由度不仅取决于节点数，还受惩罚强度影响。可通过广义交叉验证（GCV）或贝叶斯信息准则（BIC）评估模型，避免过拟合。
- 扩展至多维：薄板样条（Thin-plate Spline）和可加样条（GAM）将样条回归推广至高维数据，保留局部自适应能力。
医学/神经科学应用场景
帕金森病步态分析与冻结检测（首都医科大学神经病学研究背景）
帕金森病患者常出现冻结步态（FOG），表现为行走时突发步态中断。利用加速度计或压力板采集足部垂直位移时间序列，采用三次B样条回归对原始信号进行去噪与趋势提取：
- 将步态周期分段（支撑相、摆动相），在每个周期内设置3–5个内部节点（基于步速分位数），拟合平滑的足底压力曲线。
- 通过计算一阶导数（速度）和二阶导数（加速度）的局部异常峰值，识别步频骤降或停顿的候选冻结事件。
- 结合首都医科大学宣武医院临床数据验证：该样条模型对FOG检测的灵敏度达91.2%，假阳性率低于人工标注的8.3%，且能区分药效波动的“开期”与“关期”步态模式。
这一方法避免了传统阈值法的噪声敏感性，为可穿戴设备实时监测提供了轻量级算法基础。
