雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际创新研究期刊》的研究在科学、工程和技术

菜单

ISSN在线(2319 - 8753)打印(2347 - 6710)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

FSSIKM:大脑交互模式的新方法

K。Vidhyadevia, M。Beema Mehraj, Dr.K.P.Kaliyamurthie
部门的CSE, Bharath大学,173年,Agaram路,Selaiyur,钦奈,印度
相关文章Pubmed,谷歌学者

访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术

国际创新研究期刊》的研究在科学、工程和技术

文摘

功能性磁共振成像(FMRI)模式提供了潜在的非侵入性的方式来研究大脑的功能。功能磁共振成像数据时间序列的三维体积大脑的图像。传统数据分析mass-univariate框架内基本上依靠古典推论统计。处理的特征选择和集群是一个复杂的过程在大脑的交互模式的数据集。理解大脑区域之间的复杂交互模式我们的系统提出了一种新颖的聚类技术。我们的系统模型每个主体多元时间序列,单一维度代表FMRI信号在不同的解剖区域。在我们建议的系统中,有三个算法用于挖掘大脑的交互模式,如fs, IKM和维排名算法。特征子集选择(FSS)技术进行预处理数据之前执行任何数据挖掘任务,例如,分类和聚类。这种技术被用来选择一个子集的原始特性用于后续流程。因此,只有从这些特性生成需要收集的数据。 After that, select the key features in the preprocessed dataset based on the threshold values. Interaction K-means (IKM), a partitioning clustering algorithm used to detect clusters of objects with similar interaction patterns classification and clustering. Finally, Dimension Ranking algorithm was used to select the best cluster for assuring best result.

关键字
数据挖掘、聚类、交互k - means算法,特征子集选择、维排名,功能磁共振成像。

介绍
特征选择在大脑之间的交互模式基于交互的聚类图像通过使用特征子集选择算法。特征选择在大脑之间的交互模式基于交互的聚类图像通过使用特征子集选择算法提供有效的选择过程。项目分析大脑交互模式识别的状态。功能性磁共振成像(FMRI)打开了机会来研究人类大脑功能的无创性方法。功能磁共振成像的基本信号依赖于blood-oxygenlevel——依赖(粗体显示)效果,它允许间接成像的大脑活动的变化相关的血液流动的能源消耗脑细胞。最近,静息状态功能磁共振成像在神经科学社区引起了相当大的关注。在静息状态功能磁共振成像,受试者被要求只是闭上眼睛,放松在扫描仪。功能磁共振成像数据时间序列的三维体积大脑的图像。功能磁共振成像产生比其他扫描技术在高分辨率图像。功能磁共振成像实验的数据是巨大的体积超过数百成千上万的体素和数以百计的时间点。 Since these data represent complex brain activity, also the information content can be expected to be highly complex.
最近的发现表明大脑的模块化组织成不同的功能模块。跟踪与功能性核磁共振的心理认知过程测时法它说功能性磁共振成像(FMRI)被广泛用于确定空间布局与特定认知任务有关的大脑活动的空间规模毫米。最近的改进方法有可能确定的延迟和时间结构的激活在时间范围内的几百毫秒。尽管血流动力学反应的迟缓,功能磁共振成像可以检测到一连串的神经激活一系列认知过程的签名。将处理分解为阶段大大得益于测量中间反应。通过结合与事件相关功能磁共振成像和行为测量实验和分析,trial-by-trial颞链接之间可以建立认知及其神经基质。获得更好的理解复杂的大脑活动,有必要了解大脑区域在任务之间的复杂的相互作用,在休息的时候。受这种思想的启发,提出了一种新技术,挖掘不同的交互模式在健康和患病的主题聚类。的核心方法是一种新颖的集群概念:一个集群定义为一组对象共享一个相似的交互模式在他们的大脑区域。
此外,时间序列是一种特殊类型的数据集,元素有一个时间点。因此这种数据流的聚类是数据挖掘过程中的一个重要问题。许多技术和聚类算法提出了早些时候协助时间序列数据流的聚类。聚类算法及其对各种应用程序的有效性进行比较来开发一种新的方法来解决现有的问题。标准的预处理包括分割成解剖区域后,每个主题是建模为一个数据对象由一个多元时间序列表示。考虑图像的性质和多个细分的目的,没有独特的技术,图像分割和图像分割成有意义的地区仍是一个真正的挑战算法用于评价区域内的值基于合并标准时间和团队在一起,导致一个更小的列表和更多数量的信息收集和与数据库最后异常可以被检测出来。
论文的布局如下。在第二部分中,解决上述技术和也给一个简短的文献回顾。第三部分,提出了一种比较研究的各种研究工作探索了在前一节中。第四部分,对未来的工作描述。第五部分给出了结论在最后提供了参考。

相关工作
摘要[1]IKM达到好的结果合成数据和真实世界的数据。它是可伸缩的和健壮的噪音。排名算法提高了聚类结果的效率没有单独的算法特征选择过程复杂性高。汽车类技术并不适用于数量的时间点不同的对象,经常发生在功能磁共振成像数据。没有单独的特征选择的机制
摘要[2]的k - means方法实际上是一个完美的候选人平滑分析:是极其广泛使用,在实践中它运行非常快,但最坏的运行时间是指数。它没有作出巨大的努力来优化指数作为参数足够复杂,即使没有试图优化常数。平滑分析到目前为止都不满意数n的范围仍然是超级多项式数据点
摘要[3]分类决策是由职业专用交互模式在时间序列的数据对象。它也将是有趣的功能磁共振成像数据和基于模型的分类器设计结合FMRI-EEG数据集非常具有挑战性,因为大量的时间序列在功能磁共振成像数据对象表示是非常自然和简单的在许多应用程序中,没有多少研究数据挖掘方法对这个特定的对象类型。
摘要[4]这将导致一个新的视图对人类感性决策过程的神经基础。也是诱人的猜测的一般原则来源于研究简单的感知决策过程回顾扩展到其它设置。由此看来,也就不足为奇了电动机结构似乎在决策形成中的作用。尚不清楚这些结构有助于决定不与特定的行动。
在[5]作者监视聚类的目标是确定结构的无标号数据集通过客观地组织数据分为同质组within-group-object相似的最小化和betweengroup——对象不同最大化。这些论文中包括在这个调查处理多变量时间序列数据为每个变量有不同的长度。集群季节性模式的零售数据,聚类分析的国家的能源消耗,发现消费者对市场的细分的电力消费模式
摘要[6]的好处是,我们近似的大小只取决于模型的系数的数量(即参考时间序列的数量)。距离计算需要很高的运行时,如果时间序列是由一个标准的索引空间索引方法如r - tree[1]或它的一个变体,这严重指数将执行,而由于维度的著名的诅咒。
摘要[7]通过应用支持向量机(SVM)的特征向量,我们可以有效地分类和识别现实世界多属性动态数据只使用一个单一的运动模式在数据库中识别相似的运动使得在同样的运动变化实时识别个体的孤立动作准确、高效。
在[8]作者监视解剖结构出现明显的形状变形模式。海马和皮质的萎缩,并且沿着方向分皮质灰质。
摘要[9]提供了一个系统化的方法去学习这样的时间扭曲的本质,同时允许变化的描述符操作。活动识别不是很健壮的内部和人际变化相同的行动,和极其敏感的扭曲时间轴由于识别速度剖面的变化活动不是很健壮的内部和人际变化。
摘要[10]这应该提供足够的信息来允许任何人复制汽车类,或使用相同的评价函数在其它情况下,这些模型可能是相关的。一个相关的问题是无监督分类,准备情况下也无标号。

问题在当前系统
合并所有维度的现有系统的多变量时间序列为单变量时间长并提供汽车类算法。这种方法不适用如果时间点的数量变化的对象,经常发生在功能磁共振成像数据。他们进一步比较他们的方法和基于结构的统计特征聚类(SF),特别设计用于聚类多元时间序列。科幻小说代表了每个属性多元时间序列的一个固定长度的向量的分量时间序列的统计特性捕捉全球结构。

该方法
在我们建议的系统中,我们提出一种新的方法来克服存在的问题。这里,我们提议fs(特征子集选择)方法选择使用原来的特性的一个子集的后续流程。因此,生成的数据必须收集这些特性。我们建议交互k - means (IKM),一个高效的划分聚类算法。一个广泛的实验评价基准数据展示了我们的方法的有效性和效率。两个真正的功能磁共振成像研究结果展示的潜力IKM有助于更好地了解正常的大脑功能和精神障碍的交替变化的特点。我们的方法交互k - means (IKM)同时集群数据和发现有关提供集群范围内的交互模式。IKM算法是聚类多元时间序列的通用技术和不限于FMRI数据。我们的集群概念需要相似度度量,这是非常不同于LP度量距离。相似性度量应用于IKM错误的设置模型的集群。 Interaction K-means (IKM), a partitioning clustering algorithm suitable to detect clusters of objects with similar interaction patterns. IKM outperforms state-of-the-art techniques for clustering multivariate time series on synthetic data as well as on benchmark data sets from different applications.
IKM算法描述:
类似地,k - means IKM的第一步是初始化。常见的k - means策略,我们提出多次运行IKM与不同的随机初始化并保持最佳的总体结果。对于初始化,我们随机DS分割成K集群。IKM是有利的,初始集群平衡大小,以避免过拟合。因此,我们的数据集分割成K同样大小的随机集群和找到一组模型每个集群如前一节所述。初始化后,IKM迭代执行以下两个步骤,直到收敛:在作业步骤中,每个对象O是分配给集群误差最小;IKM收敛就没有对象改变集群分配在两个连续的迭代。通常情况下,可以观察到的快速收敛,但也有一些罕见的情况下,IKM不收敛。类似地标准k - means,它可以直接证明,任务和更新步骤严格减少目标函数。然而,由于贪婪的分段算法应用于模型发现。 O.cid = minC∈C EO, C. It is easy to see that this minimizes the objective function. After assignment, in the update step, the models of all clusters are reformulated... As an iterative partitioning clustering algorithm, IKM follows a similar algorithmic paradigm as Kmeans. However, note that there are significant differences: Our cluster notion requires a similarity measure, which is very different to LP metric distances. The similarity measure applied in IKM is the errors with respect to the set models of a cluster. This similarity measure is always evaluated between an object and a cluster, and not between two objects, In contrast to K-means or K-medoid algorithms.
图像
B ComponentIllustration
大脑FSSIKM:一种新颖的方法来处理交互模式实现在四个不同的模块,它们是:
数据准备和存储
特征选择
集群(交互k - means聚类)
维排名算法
数据准备和存储
功能性磁共振成像(FMRI)提供了潜在的非侵入性的方式来研究大脑功能。功能磁共振成像数据时间序列的三维体积大脑的图像。传统数据分析mass-univariate框架内基本上依靠古典推论统计。一个典型的统计分析包括比较不同实验条件组的主题或基于单变量统计测试的3 d像素探测器。收集多变量时间序列的功能磁共振成像数据集不同的大脑区域。
b特征选择
选择特性在图像预处理功能核磁共振(FMRI)数据集在聚类之前。特征子集选择方法选择原始特性的一个子集用于后续流程。因此,只有从这些特性生成需要收集的数据。在该算法中,首先收集预处理数据集然后找出尊重数据集的范围。之后,选择数据集预处理的关键特性基于阈值。
c集群(k - means聚类的交互)
在这个模块,交互k - means (IKM)划分聚类算法适用于检测集群对象的类似的交互模式。IKM优于最先进的技术对合成聚类多元时间序列数据以及基准数据集从不同的应用程序。优化聚类过程取决于特征子集的选择过程。总之,随机初始化数据集到k -集群。然后分区数据集到K同样大小的随机集群和发现一组模型为每个集群。之后,分配对象的最小错误率集群和为每个集群找到最小错误率。重复这些步骤寻找最佳聚类。
维维排名算法
在这个模块中,最好的排名算法是用于选择最佳集群为保证最佳的结果。每一对的集群,最好的选择识别模型分析验证使用对象相应的集群。顶级模型是最好的集群之间的歧视。简而言之,这个算法,最初每个集群的生成模型的训练数据。然后,计算测试对象的错误我们知道所有模型和总结所有错误之后,获得排名的集群模型关于他们的辨别能力,即我们认为错误。,正确的集群测试对象的一个积极的迹象。最后,根据误差模型提升。顶级模型最好的集群之间的歧视。

结果
本节显示了结果的屏幕截图。提出系统的结果即FSSIKM:一个新颖的方法来处理脑交互模式获得的时间集群特征选择
图像
图1数据集上传
上传的数据集在数据准备和存储收集多变量时间序列的功能磁共振成像数据集不同的大脑区域。功能磁共振成像数据时间序列的三维体积大脑的图像。不同实验条件下基于单变量统计测试的3 d像素称为体素。
图像

结论
研究特征选择的新方法在集群机制提出了。特征子集选择方法选择原始特性的一个子集用于后续流程。在该算法中,首先收集预处理数据集然后找出尊重数据集的范围。之后,选择数据集预处理的关键特性基于阈值。交互k - means (IKM)划分聚类算法用于检测集群与类似的交互模式分类和聚类的对象。交互k - means (IKM)划分聚类算法适用于检测集群与类似的交互模式分类和聚类的对象。最后,最好的排名算法用于选择最佳集群为保证最佳的结果。

引用
  1. d·阿瑟·b·Manthey和h . Roglin“k - means平滑分析方法,”j . ACM卷。58岁的没有。5,页19:1-19:31,2011年10月。
  2. Nikhil辛格p·托马斯·弗莱彻,j·塞缪尔·普雷斯顿,灵哈,理查德国王,j . Stephen Marron2迈克尔•Wiener3 SarangJoshi:多元统计分析变形的动量相关解剖形状神经心理措施,施普林格,MICCAI 2010。
  3. c .玻姆l .激光、c .植物和a . Zherdin“基于模型的分类数据随着时间的推移series-valued属性”,在Proc。顺便说一句,2009年,pp.287 - 296。
  4. h . Heekeren s Marrett, l . Ungerleider”调解人类知觉决策的神经系统,“Nat,启>。,9卷,不。6日,页。467 - 79年,2008年6月。
  5. H.-P。Kriegel p·克罗格,a . Pryakhin m .还建议和a . Zherdin”近似聚类时间序列使用modelbaseddescriptions紧凑,“在Proc。DASFAA,新德里,印度,2008年,页364 - 379。
  6. 即Strigo, a西蒙斯,马修斯,a .克雷格和m .保卢斯,”协会的重度抑郁症与脑功能改变responseduring期望和热疼痛的处理。“拱门。精神病学将军,卷65,不。11日,页。1275 - 84年,2008年11月。
  7. l . c . Li汗,b .普拉巴卡兰”特征选择可变长度的多属性分类的动作,“根据多媒体数据知识发现、v . a . Petrushin和l .汗。伦敦,英国:施普林格,2007年
  8. a . Veeraraghavan和a . k . r . Chowdhury”活动的功能空间,”在Proc。CVPR,纽约,纽约,美国,2006年,页959 - 968。
  9. t·w·廖”,时间序列数据的聚类——一项调查,”Recognit模式。,38卷,不。11日,第1874 - 1857页,2005年。
  10. p . Cheeseman和j . Stutz”贝叶斯分类(autoclass):理论和结果,“在Proc。放置知识。越是加大。数据分钟。门罗公园、钙、美国,1996年,页153 - 180。