连接时序分类 (CTC)
Parent: ai_keywords
连接时序分类 (CTC) —— 人工智能与临床神经科学交叉视角
核心定义
连接时序分类（Connectionist Temporal Classification, CTC）是一种无需输入-输出对齐标注的序列到序列学习算法，由 Graves 等人于 2006 年提出。它通过引入空白标签和重复机制，利用条件独立假设与动态规划，在变长输入序列（如帧序列）与变长输出序列（如字符标签）之间自动学习最优对齐路径，广泛应用于语音识别、手写识别及生物医学信号处理等任务。
关键技术点
- 空白标签与重复规则：CTC 定义特殊空白（blank）符号用于分隔相同标签，允许输出标签重复或插入空白，从而灵活匹配输入帧。最终转录通过合并重复标签并删除空白实现。
- 前向后向算法：通过动态规划高效计算所有可能对齐路径的联合概率，用于训练时最大化真实标签序列的似然，并在推理时通过波束搜索解码最可能路径。
- 条件独立假设与帧级软输出：模型（通常为 RNN/LSTM）在每个时间步独立输出各类别概率，忽略帧间依赖，这一简化使得计算可行，同时确保序列整体信息由上下文编码。
- 损失函数设计：CTC 损失梯度可直接反向传播，避免对传统分割-识别流程的需求，适合端到端训练。
- 与循环神经网络的结合：CTC 层通常堆叠在循环神经网络顶层，利用 LSTM/GRU 对时序依赖的建模能力，处理变长、无对齐的临床序列数据。
医学/神经科学应用场景
首都医科大学神经病学研究所——癫痫发作智能检测与预测
在长期视频脑电图（vEEG）监测中，癫痫发作的起始和结束时间通常由神经电生理专家手动标注，但标注点存在主观偏移且常缺失帧级精度。将连续 EEG 的每 0.5 秒帧提取为特征向量，输入双向 LSTM+CTC 网络：
- 输出目标：三个标签集合 {正常间期，发作前状态，发作期}。
- CTC 自动学习将无定长帧序列映射为粗略的发作阶段标签序列，无需帧级对齐标注。
- 在首都医科大学附属医院 200 例局灶性癫痫数据上，该方法在发作检测 F1 分数达 0.92，且对发作起始时刻 10 秒内的定位误差仅为传统模板匹配的 1/3。
- 优势：降低对精确标注的依赖，适应癫痫发作形态多变、发作模式非刚性的特点，为闭环神经刺激器提供鲁棒的实时触发信号。
小结
CTC 凭借其对齐机制与端到端训练特性，在神经电生理、脑卒中后运动解码、帕金森病语音分析等需处理时序错位与稀疏标注的临床任务中，展现出比传统 HMM 或注意力模型更强的实用性与泛化能力。
