[发明专利]一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法

权利要求书

1.一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，具体包括以下步骤：

1)选择癫痫病人的脑电数据集；

2)设置显著点自适应等度量映射流形的初始参数；

3)构建脑电样本的邻域图；

4)选择的显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径d_G(i,j)，构建测地距离矩阵D_G＝{d_G(i,j)}；

5)分段线性自适应调节机制更新测地距离矩阵；

6)根据测地距离矩阵D_G对数据进行降维，计算低维嵌入坐标；

7)自适应优化嵌入坐标；

8)对脑电数据进行2维和3维聚类可视化分析。

2.根据权利要求1所述的一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，其特征在于：步骤3所述构建脑电样本邻域图的具体过程为：采用k-NN方法，计算所有样本之间的欧式距离，找出与每个样本点最近的k个中心点及相应距离，按与中心点的距离升序排列，并组成N*N维的距离邻接稀疏矩阵D及邻接图G，D＝{d_ij}。

3.根据权利要求1所述的一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，其特征在于，步骤4的具体过程如下：

测地距离矩阵初始化：如果样本点x_i和x_j在邻接图G中相连，则初值为d_G(i,j)＝d_E(i,j)，如果样本点x_i和x_j在邻接图G中不相连，则d_G(i,j)＝∞，其中，邻接图G中每条边的权重为样本点x_i和x_j之间的欧氏距离d_E(i,j)；

更新测地距离矩阵：从N个样本中随机选取n＝α_per·N个显著样本点，令q₁，…，q_k为除i，j外的其他样本，其中，kN，N是样本点的总数量，显著样本点i到样本点j之间最短路径d_G(i,j)的计算公式如下：

d_G(i,j)＝min{d_G(i,j),d_G(i,q₁)+d_G(q₁,j)，...，d_G(i,q₁)+...d_G(q_k-1,q_k)+d_G(q_k,j)}

通过Dijkstra算法统计显著样本点i与所有样本点之间的测地距离矩阵D_G＝{d_G(i,j)}，并计算从显著样本点到所有样本点之间的最短路径。

4.根据权利要求1所述的一种基于显著点自适应等度量映射流形的癫痫数据降维的聚类可视化方法，其特征在于，步骤5所述的分段线性自适应调节机制更新测地距离矩阵，具体调节公式如下：

其中，系数a₁a₂,a₂a₃*0.3,a₅a₄,a₄a₃*0.7，

自适应参考值d_min表示所有的d_G(i,j)中的最小值，d_max表示所有的d_G(i,j)中的最大值。