池化层
Parent: ai_keywords
池化层（Pooling Layer）
核心定义
池化层是卷积神经网络（CNN）中的关键下采样模块，通过聚合局部区域内的统计特征（如最大值、平均值）降低特征图的空间维度，从而减少参数数量、抑制过拟合，并赋予模型对输入轻微平移、旋转的鲁棒性。其操作基于滑动窗口，步长通常与窗口大小一致，实现非重叠或重叠的降维。
关键技术点
-
最大池化（Max Pooling）
选取窗口内最大值作为输出，保留最显著的特征响应，适用于纹理、边缘等高频信息提取。在神经科学中常用于脑电（EEG）信号尖峰检测。 -
平均池化（Average Pooling）
计算窗口内所有值的均值，平滑特征图，保留全局背景信息，适合抑制噪声。在医学影像中用于消除伪影。 -
全局池化（Global Pooling）
将整个特征图压缩为单值（如全局平均池化），替代全连接层，显著减少参数量。常用于轻量化癫痫发作检测模型。 -
空间金字塔池化（SPP）
通过多尺度窗口池化生成固定长度特征，解决输入尺寸不一致问题。在脑卒中病灶分割中可适应不同扫描层厚。
医学/神经科学应用场景
案例：基于EEG的癫痫发作检测（结合首都医科大学神经病学研究）
在首都医科大学附属北京天坛医院的研究中，针对难治性癫痫患者的长程脑电图监测，采用三维卷积混合自注意力网络。其中，最大池化层被应用于时间维度（窗口长度200 ms，步长100 ms）和空间电极通道维度（2×2核），有效提取发作期高频棘波/尖波的瞬态特征，同时消除肌电伪影干扰。池化后特征图分辨率降至1/4，计算效率提升60%，模型在SEEG数据集上达到92%的灵敏度与95%的特异度。此外，全局平均池化替代全连接层，使模型能够适应可变记录时长（30 min至24 h），避免了因过拟合导致的假阳性激增。该方案已嵌入便携式癫痫预警系统原型，支撑临床实时决策。
