线性判别分析

Parent: ai_keywords

线性判别分析（Linear Discriminant Analysis, LDA）

核心定义

线性判别分析是一种监督学习的降维与分类方法，旨在寻找一个线性投影方向，使得类间散度与类内散度的比值（Fisher准则）最大化，从而实现数据在低维空间中的最优可分性。LDA假设各类数据服从高斯分布且协方差矩阵相同，其解可通过广义特征值分解获得。

关键技术点

  1. 散度矩阵构建

    • 类内散度矩阵 (S_w)：衡量同一类样本的离散程度。
    • 类间散度矩阵 (S_b)：衡量不同类样本中心的分散程度。
      LDA的目标是最大化 (J(w) = \frac{w^T S_b w}{w^T S_w w})。

  2. 广义瑞利商与特征分解
    最优投影方向 (w) 对应于 (S_w^{-1} S_b) 的最大特征值对应的特征向量。多类情况下，最多可得到 (c-1) 个投影方向（(c) 为类别数）。

  3. 与主成分分析（PCA）的本质区别
    PCA是无监督方法，最大化方差；LDA是监督方法，最大化类间分离度。当类别差异明确且协方差结构相似时，LDA分类性能显著优于PCA。

  4. 假设与局限性

    • 需满足高斯分布和同协方差假设，否则性能下降。
    • 对奇异矩阵敏感（如高维小样本问题），常用正则化或伪逆处理。

  5. 多类扩展（Fisher判别）
    将高维空间投影至 (c-1) 维，通过距离度量（如马氏距离）或贝叶斯分类器完成多分类。

医学/神经科学应用场景：帕金森病步态特征分类（首都医科大学神经病学研究背景）

在首都医科大学附属宣武医院神经内科的临床研究中，LDA被用于基于足底压力传感器的帕金森病（PD）步态分析。研究采集80例PD患者与60例健康对照的步行时序信号（包括步长、步速、双支撑相比例等10维特征），构建LDA模型：

  • 输入特征：步态周期内的时域与频域参数（如摇摆幅度、足底压力中心轨迹）。
  • 投影过程：计算类内/类间散度矩阵，提取一维Fisher判别方向，使PD组与对照组的投影均值分离最大化。
  • 临床结果：LDA分类准确率达87.5%（敏感性86.2%，特异性89.1%），明显优于未降维的原始特征分类（78.3%）。

此方法可进一步用于区分PD不同亚型（如姿势不稳步态障碍型 vs. 震颤为主型），辅助早期诊断与康复疗效评估。若结合定量脑电图（qEEG）功率谱特征，LDA同样能高效识别局灶性癫痫放电的起源侧别，体现了其在神经电生理信号分类中的实用价值。