Кластерный анализ топографических карт источников ЭЭГ, полученных различными методами анализа независимых компонент

Март 7, 2021

Главная
Медицина
Кластерный анализ топографических карт источников ЭЭГ, полученных различными методами анализа независимых компонент

Содержание

2. Постановка проблемы Большое количество экспериментов Обработка различными методами Огромное количество материала Что делать?
3. Источники ЭЭГ ЭЭГ – смесь сигналов различных областей мозга Методы выделения источников: Решение обратной задачи ЭЭГ
4. Independent Component Analysis «Вращение» смеси ЭЭГ , где - квадратная матрица. Принцип разделения – независимость источников
5. Проблема кластеризации Кластеризация – поиск однородных структур в данных Задача: определить критерии однородности количество таких структур
6. Вероятностный подход K-means Разбивает кластеризуемое пространство векторов на К областей, минимизируя расстояние до центра области ForEl
7. Геометрический подход От пространства – к графу Определение подграфов = определение областей однородности в пространстве «Spectral
8. Визуализация кластеризации Исходное пространство – N-мерное Задача- спроецировать его на «плоскость» Методы визуализации: PCA MDS CCA
9. Результаты Пр-во ССА Кластеры ForEl Кластеры ANNIA
11. Скачать презентацию

Слайд 2

Постановка проблемы
Большое количество экспериментов
Обработка различными методами
Огромное количество материала
Что делать?

Постановка проблемы Большое количество экспериментов Обработка различными методами Огромное количество материала Что делать?

Слайд 3

Источники ЭЭГ
ЭЭГ – смесь сигналов различных областей мозга
Методы выделения источников:
Решение обратной задачи

Источники ЭЭГ ЭЭГ – смесь сигналов различных областей мозга Методы выделения источников:

ЭЭГ
Слепое разделение сигналов (BSS)

Слайд 4

Independent Component Analysis
«Вращение» смеси ЭЭГ , где - квадратная матрица.
Принцип разделения

Independent Component Analysis «Вращение» смеси ЭЭГ , где - квадратная матрица. Принцип

– независимость источников

Разные методы ICA – разные определения независимости.

Слайд 5

Проблема кластеризации
Кластеризация – поиск однородных структур в данных
Задача:
определить критерии однородности
количество таких

Проблема кластеризации Кластеризация – поиск однородных структур в данных Задача: определить критерии

структур
Подходы в кластерном анализе:
Вероятностные
Логические
Геометрические

Слайд 6

Вероятностный подход
K-means
Разбивает кластеризуемое пространство векторов на К областей, минимизируя расстояние до центра

Вероятностный подход K-means Разбивает кластеризуемое пространство векторов на К областей, минимизируя расстояние

области
ForEl
Находит сферические области пространства, в которых сосредоточены наибольшие количества векторов
ANNIA
Подобен ForEl, область поиска – несферическая, однако близкая к сфере.

Слайд 7

Геометрический подход
От пространства – к графу
Определение подграфов = определение областей однородности в

Геометрический подход От пространства – к графу Определение подграфов = определение областей

пространстве
«Spectral graph clustering»

Слайд 8

Визуализация кластеризации
Исходное пространство – N-мерное
Задача- спроецировать его на «плоскость»
Методы визуализации:
PCA
MDS
CCA

Визуализация кластеризации Исходное пространство – N-мерное Задача- спроецировать его на «плоскость» Методы визуализации: PCA MDS CCA

Слайд 9

Результаты
Пр-во ССА
Кластеры ForEl
Кластеры ANNIA

Результаты Пр-во ССА Кластеры ForEl Кластеры ANNIA