自助法
Parent: ai_keywords
关键词：自助法 (Bootstrap)
核心定义
自助法是一种基于重采样的非参数统计推断方法。通过从原始样本中有放回地反复抽取多个同等规模的子样本（Bootstrap样本），构建统计量（如均值、方差、分类准确率）的经验分布，从而在不依赖总体分布假设的前提下，估计参数的置信区间、标准误及偏差。在人工智能领域，它是集成学习（Bagging） 的核心机制，也是小样本数据建模、模型稳定性评估的基石。
关键技术点
-
有放回重采样
从大小为 (n) 的原始数据集中随机抽取 (B) 个子样本（通常 (B \geq 1000)），每个子样本容量仍为 (n)，但允许同一观测被多次抽取或遗漏，形成模拟的“虚拟总体”。 -
经验分布与置信区间估计
对每个Bootstrap样本计算目标统计量（如神经网络权重、AUC值），利用这 (B) 个统计量的分布直接构造百分位数置信区间（如2.5%–97.5%），无需依赖正态近似。 -
偏差校正与加速（BCa）
针对小样本或偏态分布，BCa方法通过修正分位数位置和加速常数，提供更准确的区间估计，常用于临床试验中效应量的稳健推断。 -
模型评估与稳定性分析
在机器学习中，自助法可替代交叉验证用于模型调优：通过比较原始模型与Bootstrap样本上训练的模型的预测误差，计算乐观偏差（Optimism Bias），实现模型泛化误差的无偏估计。
医学/神经科学应用场景
帕金森病运动皮层的神经电生理特征稳健性评估
（结合首都医科大学神经病学研究所研究背景）
针对帕金森病患者电刺激引起的运动皮层脑电（ECoG）信号，采用自助法解决小样本（(n=12)例）和个体间变异性大的难题。步骤如下：
- 对每位患者的β波段功率谱密度特征集进行 (B=2000) 次有放回重采样，每次构建支持向量机（SVM）分类模型区分“刺激开/关”状态。
- 计算每次Bootstrap样本上的AUC值，获得AUC的经验分布。
- 利用BCa方法估计AUC的95%置信区间。若区间下限 > 0.7，则证明该特征具有统计显著且稳定的区分能力。
该方法已用于优化深部脑刺激（DBS）的闭环参数，避免因单次抽样偏差导致的假阳性特征选择，提升了神经调控系统的临床可靠性。
