不完全な脳波信号のための高速な拡張例示ベースクラスタリング

Fast Enhanced Exemplar-Based Clustering for Incomplete EEG Signals.

• Anqi Bi
• Wenhao Ying
• Lu Zhao

抄録

てんかんの診断と治療は、機械学習と脳科学の双方にとって重要な方向性である。本論文では、不完全な脳波信号に対する高速な拡張例示ベースクラスタリング（FEEC）手法を新たに提案する。このアルゴリズムは、まず潜在的な模範リストを圧縮し、ペアワイズ類似度行列を削減する。最初の段階で最も完全なデータを処理することで、FEECはその後、いくつかの不完全なデータを模範リストに拡張します。新しい圧縮された類似度行列が構築され、この行列の規模が大幅に縮小されます。最後に、FEECは、強化された-拡張移動法により、新しい目標関数を最適化する。一方、ペアワイズ関係のため、FEECはこのアルゴリズムの一般化も改善します。他の模範的モデルとは対照的に，提案するクラスタリングアルゴリズムの性能は，2つのデータセットを用いた実験によって総合的に検証されている．

The diagnosis and treatment of epilepsy is a significant direction for both machine learning and brain science. This paper newly proposes a fast enhanced exemplar-based clustering (FEEC) method for incomplete EEG signal. The algorithm first compresses the potential exemplar list and reduces the pairwise similarity matrix. By processing the most complete data in the first stage, FEEC then extends the few incomplete data into the exemplar list. A new compressed similarity matrix will be constructed and the scale of this matrix is greatly reduced. Finally, FEEC optimizes the new target function by the enhanced -expansion move method. On the other hand, due to the pairwise relationship, FEEC also improves the generalization of this algorithm. In contrast to other exemplar-based models, the performance of the proposed clustering algorithm is comprehensively verified by the experiments on two datasets.

Copyright © 2020 Anqi Bi et al.