Подготовил: Керечанин Ярослав
Научный руководитель: Фролов А.А.
- Главная
- Разное
- Дизайн
- Бизнес и предпринимательство
- Аналитика
- Образование
- Развлечения
- Красота и здоровье
- Финансы
- Государство
- Путешествия
- Спорт
- Недвижимость
- Армия
- Графика
- Культурология
- Еда и кулинария
- Лингвистика
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Детские презентации
- Информатика
- История
- Литература
- Маркетинг
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Кластерный анализ топографических карт источников ЭЭГ, полученных различными методами анализа независимых компонент презентация
Содержание
- 1. Кластерный анализ топографических карт источников ЭЭГ, полученных различными методами анализа независимых компонент
- 2. Постановка проблемы Большое количество экспериментов Обработка различными методами Огромное количество материала Что делать?
- 3. Источники ЭЭГ ЭЭГ – смесь сигналов различных
- 4. Independent Component Analysis «Вращение» смеси ЭЭГ
- 5. Проблема кластеризации Кластеризация – поиск однородных структур
- 6. Вероятностный подход K-means Разбивает кластеризуемое пространство векторов
- 7. Геометрический подход От пространства – к графу
- 8. Визуализация кластеризации Исходное пространство – N-мерное Задача-
- 9. Результаты Пр-во ССА Кластеры ForEl Кластеры ANNIA
- 10. Направление работы Объединить принципы геометрической кластеризации и ANNIA
Слайд 1Кластерный анализ топографических карт источников ЭЭГ, полученных различными методами анализа независимых
компонент при воображении движений у здоровых испытуемых и постинсультных больных.
Слайд 2Постановка проблемы
Большое количество экспериментов
Обработка различными методами
Огромное количество материала
Что делать?
Слайд 3Источники ЭЭГ
ЭЭГ – смесь сигналов различных областей мозга
Методы выделения источников:
Решение обратной
задачи ЭЭГ
Слепое разделение сигналов (BSS)
Слепое разделение сигналов (BSS)
Слайд 4Independent Component Analysis
«Вращение» смеси ЭЭГ
, где - квадратная матрица.
Принцип разделения – независимость источников
Разные методы ICA – разные определения независимости.
Слайд 5Проблема кластеризации
Кластеризация – поиск однородных структур в данных
Задача:
определить критерии однородности
количество
таких структур
Подходы в кластерном анализе:
Вероятностные
Логические
Геометрические
Подходы в кластерном анализе:
Вероятностные
Логические
Геометрические
Слайд 6Вероятностный 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.
ForEl
Находит сферические области пространства, в которых сосредоточены наибольшие количества векторов
ANNIA
Подобен ForEl, область поиска – несферическая, однако близкая к сфере.
Слайд 7Геометрический подход
От пространства – к графу
Определение подграфов = определение областей однородности
в пространстве
«Spectral graph clustering»
«Spectral graph clustering»
Слайд 8Визуализация кластеризации
Исходное пространство – N-мерное
Задача- спроецировать его на «плоскость»
Методы визуализации:
PCA
MDS
CCA
