21、非概率分类器与支持向量机详解

非概率分类器与支持向量机详解

1. 非概率分类器概述

在分类问题中，非概率分类器有着广泛的应用。例如，有研究使用神经网络对帕金森病患者的病情严重程度进行预测，其使用了UCI的帕金森病远程监测语音数据集，该数据集包含42名患者的16项生物医学语音测量值，神经网络架构由3个隐藏层组成，分别有10、20和10个单元。还有研究利用多模态深度神经网络预测轻度认知障碍（MCI）向阿尔茨海默病（AD）的转化，该网络不仅结合了基线时的横断面神经影像学生物标志物，还纳入了从ADNI队列获得的纵向脑脊液和认知表现生物标志物。

在癫痫患者的手术切除中，成功的手术依赖于在去除病理问题的同时保留功能关键的大脑区域。皮质电刺激映射（ESM）是定位语言皮质功能的金标准方法，但它会增加诱发癫痫发作的风险。基于皮质脑电图的功能映射（ECoG - FM）是一种安全的替代方法，但在定位语言皮质方面成功率较低。有研究开发了一种新的深度学习算法用于ECoG - FM，其准确性与ESM相当。

2. 脉冲神经网络（SNNs）

2.1 SNNs特点

脉冲神经网络（SNNs）是对真实神经网络更接近的模仿。与多层感知器（MLPs）相比，SNNs有两个主要区别：一是引入了时间概念；二是并非在每个传播周期都产生脉冲，只有当膜电位（与神经元电荷相关的内在属性）超过一定阈值时才会产生脉冲。当SNN中的神经元被激活时，会产生一个信号传递给其他神经元，从而升高或降低它们的膜电位。

2.2 SNNs优势

SNNs能够处理时空数据。空间方面，神经元仅与附近的神经元相连，从而可以分别处理输入块；时间方面，脉冲训练是随时间进行的。SNNs还能够在具有离散变量的