[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

说明书

本发明涉及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，用于分析癫痫病人不同时期的演化规律，具体包括以下内容：选择癫痫病人的脑电数据集；设置显著点自适应等度量映射流形的各种初始参数；构建脑电样本的邻域图；选择显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径；分段线性自适应调节机制更新距离矩阵；计算低维嵌入坐标；自适应优化嵌入坐标；2维和3维聚类可视化分析。本发明可视化效果明显，有很好的聚类表现。本发明可以辅助专业的医务员标注数据，并且方便医务人员及交叉领域人员分析导致癫痫病人的脑电在不同时期产生这种聚类规律的内在病理缘由。

技术领域

本发明涉及癫痫数据降维的脑电聚类可视化等交叉信息医学领域。

背景技术

癫痫作为一种慢性神经系统疾病，严重损害患者的身心健康。将癫痫脑电信号不同时期的检测出来，能够给医生诊断病情带来帮助。此外，如果能够及时预测癫痫发作，则可以显著改善癫痫患者的生活质量，为癫痫疾病的防治开辟新的治疗思路。有效的特征提取方法成为不同时期的癫痫检测及癫痫预测的关键。

尽管PCA(Principal Component Analysis)、LDA(Linear DiscriminantAnalysis)和NMF(Non-negative Matrix Factorization)等在特征提取应用中的效果比较好，但是他们都是线性的模型，只能发现数据的全局的特征，并且LDA是有监督的，并且训练时需要给定标签信息，但是在医学领域有标签的数据很少，标注的成本很高。近来，大量研究开始聚焦于脑电无监督领域。不同领域的研究者发现：高维空间中的数据点近似位于嵌入的低维空间中—个子流形上。为了发现高维数据空间的非线性结构，有的研究者提出了核方法，但是，核方法的计算量大，也没有考虑原始高维数据的内在流形结构，而基于流形的方法可以有效的解决以上问题。

发明内容

本发明用于解决上述脑电信号的标注的成本很高而常用的无监督聚类算法聚类可视化效果相对较差的问题，具体技术方案如下：

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各种初始参数

3)构建脑电样本的邻域图。

4)选择显著脑电样本点，并计算从显著样本点到所有样本点之间的最短路径

5)分段线性自适应调节机制更新距离矩阵。

6)计算低维嵌入坐标。

7)自适应优化嵌入坐标。

8)2维和3维聚类可视化分析。

有益效果

本发明提出采用显著点自适应等度量映射LA-ISOMAP流形的癫痫数据降维的聚类可视化方法。本发明把不同的流形及降维方法应用在医疗中癫痫的EEG公开数据上，对15种主流的流行降算法(包括经典的LLE(Locally Linear Embedding)t-SNE、LLSTA(LineLocal Tangent Space Alignment)无监督情况下的降维聚类效果分别在2维和3维空间上可视化，并做对比分析。实验结果表明采用显著点自适应等度量映射LA-ISOMAP(LandmarkAdaption ISOMAP)流形降维算法的无监督聚类可视化效果明显，有很好的聚类表现。当样本大小不同时，还能保持类似的数据流形结构，有一定的普适性。四组中LA-ISOMAP都呈类似长条状的数据流形结构，保持癫痫间期的蓝色样本点在头部集中，而癫痫发作期的红色数据集在尾部，并且两类样本点的分类界限明显。本发明可以辅助专业的医务员标注数据，并且方便医务人员及交叉领域人员分析导致癫痫病人的脑电在不同时期产生这种聚类规律的内在病理缘由。

附图说明

图1为本发明方法流程图；