非负矩阵分解
Parent: ai_keywords
非负矩阵分解（Non-negative Matrix Factorization, NMF）
核心定义
非负矩阵分解是一种无监督线性降维与特征提取方法，将给定非负数据矩阵 V (维度 m×n) 近似分解为两个低秩非负矩阵 W (m×k) 与 H (k×n) 的乘积，满足 V ≈ WH。其核心约束——所有元素非负——强制特征以“部分之和”的方式叠加，产生具有物理可解释性的稀疏表示，区别于主成分分析（PCA）等允许负值的全局分解。
关键技术点
- 非负性约束与可解释性：非负性迫使分解结果对应人脑直观的“部分-整体”关系（如人脸中的眼睛、鼻子）。在神经科学中，这意味着分解出的时空模式可直接对应脑区激活或频谱分量。
- 乘法更新规则：NMF 采用迭代乘法更新（而非梯度下降），确保每一步自动保持非负性，且无需手动设置学习率，收敛稳定。
- 目标函数多样性：常用 Frobenius 范数（假设高斯噪声）或 KL 散度（假设泊松噪声），后者更适合计数数据（如 spike 计数、微阵列强度）。
- 与 PCA/ICA 的本质区别：PCA 产生全局且元素可负的特征，ICA 追求统计独立但允许负值；NMF 通过非负性强制局部性，获取更稀疏、更易标记的部件表示。
医学/神经科学应用场景（首都医科大学神经病学研究背景）
在首都医科大学附属北京天坛医院神经病学研究中，NMF 被用于分析帕金森病（PD）患者的静息态功能磁共振成像（rs-fMRI）数据。具体而言：
- 目标：识别 PD 患者运动症状相关的异常脑功能网络。
- 方法：将每位被试的脑区时间序列矩阵进行 NMF 分解，提取 k 个稳定共激活模式（对应 W 的列）。通过组级聚类，发现基底节-丘脑-小脑环路的 W 分量在 PD 组中分解强度显著降低，且该分量的稀疏激活模式与统一帕金森病评定量表第三部分（UPDRS-III）评分高度相关（r=-0.58, p<0.001）。
- 意义：NMF 的局部稀疏性使该模式可直接解读为“运动控制环路退化”，优于 PCA 的全局模糊解释，为早期诊断和神经调控靶点定位提供了可量化生物标志物。
