基于k-平均值的独立组件集群,基于EEG数据进行估计

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 创伤性脑损伤 (TBI) 通常会损害预期的姿势控制.
• 精确识别神经源对于理解TBI相关的平衡功能障碍至关重要.
• 脑电图 (EEG) 是分析大脑活动的关键工具.

研究的目的:

• 评估和比较不同的k-means集群算法,从EEG数据中对独立组件 (IC) 进行强有力的集群.
• 确定最准确和计算效率最高的集群方法,用于定位与TBI平衡赤字相关的皮质源.
• 评估聚类算法在杂,现实世界EEG数据集上的性能.

主要方法:

• 分析了TBI患者执行姿势控制任务的EEG数据.
• 使用独立组件分析 (ICA) 来提取神经源.
• 评估了传统的k-means,重复的k-means和全球k-means算法的性能.
• 聚类质量和计算运行时间是比较的关键指标.

主要成果:

• 与传统和重复的k-means相比,全球k-means显示出优越的集群质量.
• 全球k-means提供了显著改进的计算运行时间.
• 全球k-means算法在杂的现实世界TBIEEG数据集中被证明是有效的.

结论:

• 全球k-means是使用EEG在TBI研究中强有力的集群IC的最佳算法.
• 这种方法可以准确地识别与平衡功能障碍相关的皮质来源.
• 这些发现支持在临床神经科学中使用全球k-means来有效和可靠地定位神经源.