核方法
Parent: ai_keywords
核方法
【核心定义】
核方法（Kernel Methods）是一类通过核函数（Kernel Function）隐式将低维输入数据映射到高维再生核希尔伯特空间（RKHS）的机器学习技术。其核心在于回避显式计算高维坐标，直接利用核技巧（Kernel Trick）在原始空间中完成内积运算，从而高效处理非线性模式识别与回归问题。代表性算法包括核支持向量机（SVM）、核主成分分析（KPCA）及核岭回归。
【关键技术点】
- 核技巧：将特征空间的内积运算替换为核函数计算，无需显式映射。例如，径向基核（RBF）( K(x_i, x_j) = \exp(-\gamma |x_i - x_j|^2) ) 可处理无穷维特征。
- 再生核希尔伯特空间：核函数唯一对应一个RKHS，该空间内任意点评估均为连续线性泛函，保证了学习理论的数学严谨性与泛化界。
- 核函数选择：常见核包括线性核（线性可分）、多项式核（有限阶非线性）、RBF核（局部响应）及Sigmoid核（对应神经网络）。选择依赖数据特性与先验知识。
- 核对齐与多核学习：通过最大化核矩阵与目标标签的相似性优化核参数；多核学习则组合不同核函数以捕获异质特征。
- 稀疏化与逼近：针对大规模数据，采用Nyström近似、随机傅里叶特征等方法降低计算复杂度，保留核方法的非线性能力。
【医学/神经科学应用场景】
在首都医科大学神经病学研究中，核方法被用于脑卒中后运动康复的EEG解码。采用多类核SVM对卒中患者患侧感觉运动节律（mu/beta）的脑电特征进行分类，以预测患者治疗阶段的前臂肌群激活意图。具体流程：
- 从EEG中提取公共空间模式（CSP）特征，利用RBF核映射至RKHS，分离异常节律与噪声。
- 通过核对齐自动调整RBF带宽参数，适配不同病程（急性期 vs. 恢复期）的个体差异。
- 输出为四类动作（腕伸/屈、握拳、放松），准确率较线性SVM提升12%，为闭环脑-机接口康复系统提供实时决策支持。该架构同样适用于帕金森病冻结步态的前驱期预警及癫痫灶定位的颅内脑电分析。
