自组织映射
Parent: ai_keywords
自组织映射（Self-Organizing Map, SOM）
核心定义
自组织映射（SOM）是一种无监督人工神经网络算法，由芬兰学者 Teuvo Kohonen 于 1982 年提出。它通过竞争学习将高维输入数据映射到低维（通常是二维）拓扑结构网格中，同时保留原数据的空间邻域关系，实现数据的聚类、降维与可视化。其核心机制是拓扑保持：输入空间中邻近的点在输出层中仍保持邻近。
关键技术点
- 竞争学习：每个输入样本与输出层所有神经元进行相似度（通常为欧氏距离）比较，仅激活最匹配的“获胜神经元”及其邻域内的节点，其余神经元被抑制。
- 邻域函数与自适应调整：获胜神经元周围设定邻域半径（如高斯邻域函数），随着迭代次数增加，邻域半径和学习率同步衰减，实现从粗到细的排序过程。
- 权重向量更新：获胜神经元及其邻域内节点的权重向量沿输入样本方向调整，公式为 ( w(t+1) = w(t) + \alpha(t) \cdot h_{ij}(t) \cdot (x - w(t)) )，其中 (\alpha) 为学习率，(h_{ij}) 为邻域函数。
- 批处理与在线训练模式：SOM 可逐样本在线更新，也可采用批处理模式（所有样本先确定获胜神经元，再统一更新），后者收敛更稳定。
- 映射质量评估：常用量化误差（QE）和拓扑误差（TE）衡量映射保真度与拓扑保持度，用于选择网络规模与参数。
医学/神经科学应用场景：卒中后脑电信号的异常模式识别
在首都医科大学神经病学研究中，自组织映射被用于解析急性脑卒中患者的脑电图（EEG）信号。具体流程：采集卒中患者静息态 64 导联 EEG，提取功率谱密度、相干性等特征构建高维向量（导联 × 频段）。SOM 将脑功能状态映射至二维网格，自动识别出异常放电簇（如病灶侧 delta/theta 频段功率升高区域）与健侧代偿模式。通过与正常对照组的 SOM 图谱对比，可量化卒中后脑网络拓扑扭曲程度，辅助判断损伤范围及康复预后。该方法无需预先标注病灶标签，特别适用于个体间异质性较大的神经重症监测场景。此外，结合 SOM 的时间窗滑动分析，可动态追踪溶栓后神经电生理演变，为临床决策提供可视化依据。
