买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京工业大学

摘要：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。

主权项：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dGi,j，构建测地距离矩阵DG＝{dGi,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DG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；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＝{dij}；步骤4的具体过程如下：测地距离矩阵初始化：如果样本点xi和xj在邻接图G中相连，则初值为dGi,j＝dEi,j，如果样本点xi和xj在邻接图G中不相连，则dGi,j＝∞，其中，邻接图G中每条边的权重为样本点xi和xj之间的欧氏距离dEi,j；更新测地距离矩阵：从N个样本中随机选取n＝αper·N个显著样本点，令q1，…，qk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dGi,j的计算公式如下：dGi,j＝min{dGi,j,dGi,q1+dGq1,j，...，dGi,q1+...dGqk-1,qk+dGqk,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DG＝{dGi,j}，并计算从显著样本点到所有样本点之间的最短路径；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dmin表示所有的dGi,j中的最小值，dmax表示所有的dGi,j中的最大值；步骤6所述的计算低维嵌入坐标如下：将MDS算法应用到测地距离矩阵DG，最小化下面的目标函数得到样本的低维嵌入坐标Y： 其中τDG＝-HSH2，Sij是S中的元素，是DG中的元素dGi,j，I表示单位矩阵，e＝1,1,…,1T，通过最小化目标函数，求得最大特征向量，从而获得最优低维嵌入坐标Y；步骤7所述的自适应优化嵌入坐标，其更新如下：对孤立离散的低维嵌入坐标Y，以所有人脑电样本的嵌入坐标均值为中心，自适应优化嵌入坐标得到Ynew，

全文数据：

权利要求：

百度查询： 北京工业大学 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