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

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

Источники ЭЭГ
ЭЭГ – смесь сигналов различных областей мозга
Методы выделения источников:
Решение обратной задачи ЭЭГ
Слепое разделение сигналов (BSS)

Independent Component Analysis
«Вращение» смеси ЭЭГ , где - квадратная матрица.
Принцип разделения – независимость источников
Разные методы ICA – разные определения независимости.

Проблема кластеризации
Кластеризация – поиск однородных структур в данных
Задача:
определить критерии однородности
количество таких структур
Подходы в кластерном анализе:
Вероятностные
Логические
Геометрические

Вероятностный подход
K-means
Разбивает кластеризуемое пространство векторов на К областей, минимизируя расстояние до центра области
ForEl
Находит сферические области пространства, в которых сосредоточены наибольшие количества векторов
ANNIA
Подобен ForEl, область поиска – несферическая, однако близкая к сфере.

Геометрический подход
От пространства – к графу
Определение подграфов = определение областей однородности в пространстве
«Spectral graph clustering»

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

Результаты
Пр-во ССА
Кластеры ForEl
Кластеры ANNIA