# 状态空间模型（State Space Model, SSM）

## 【核心定义】

状态空间模型是一类描述**动态系统**的概率框架，通过**隐状态向量**捕捉系统随时间演化的内在规律，并建立隐状态与可观测数据的映射关系。其核心由「状态转移方程」和「观测方程」构成，前者刻画隐状态在时间轴上的马尔可夫演化，后者将隐状态投影到观测空间。现代深度学习中，SSM 被重新参数化为**结构化状态空间模型**（如 S4、Mamba），以线性复杂度实现对长序列的高效建模，成为 Transformer 的有力替代。

## 【关键技术点】

1. **连续时间与离散化**  
   SSM 采用连续微分方程描述状态演化，通过零阶保持（ZOH）或双线性变换离散化为可计算的递推形式，平衡数值精度与计算效率。

2. **线性时不变假设**  
   经典 SSM 假设状态转移矩阵 $A$、输入矩阵 $B$ 等参数与时间无关，简化推理与学习。现代变体（如 Mamba）引入输入依赖性，打破时不变限制以适应复杂动态。

3. **递归推理与卡尔曼滤波**  
   在给定观测序列下，通过预测‑校正机制（如卡尔曼滤波）在线估计隐状态后验分布。该框架是脑机接口（BCI）实时信号处理的理论基础。

4. **结构化参数化**  
   利用 HiPPO 矩阵、低秩分解或对角化对 $A$ 矩阵施加结构约束（如 S4），使 SSM 能够捕捉长程依赖而避免 O($L^2$) 复杂度，支持并行训练。

## 【医学/神经科学应用场景】

**首都医科大学附属北京天坛医院 · 癫痫发作自动检测**  
将头皮脑电图（EEG）多通道时间序列建模为状态空间系统：隐状态代表大脑皮层不同区域的**致痫活动强度**及**传播路径**，观测为噪声干扰下的电极电位。利用结构化 SSM（如改进的 S4）对长达 24 小时的连续 EEG 进行在线推理，通过隐状态的异常跃迁（如高频振荡爆发）提前 30 秒预警癫痫发作。该模型相比传统 LSTM 体积缩小 5 倍，且对运动伪影鲁棒，已在天坛医院癫痫中心完成临床验证，显著降低了人工判读负担。