Análisis de datos funcionales aplicado en electroencefalogramas: agrupamiento por k-medias funcional

Wilmer Pineda Ríos, Alexis Carrillo Ramírez, Olga Garatejo Escobar

Resumen


El análisis de datos funcionales se basa en el estudio de la función que describe la variabilidad de un conjunto de datos en un espacio de n muestras, y dentro de sus modelos se encuentra el análisis de conglomerados por k-medias funcional. Dado que la actividad cerebral responde a una función de onda de la carga eléctrica de las neuronas sobre el tiempo, observamos la oportunidad de aplicar el análisis de datos funcionales a este tipo de registros. El objetivo de este trabajo es describir la aplicabilidad del análisis de conglomerados por k-medias funcional para clasificación de la actividad cerebral en ratas Norvegicus Wistar. Se realizó la conversión de los registros en funciones de onda en bases de Fourier, las cuales fueron procesadas con análisis de componentes principales funcionales, algoritmo de k-medias funcional (k=6) y un análisis de correspondencias entre los conglomerados y las fases de actividad registradas manualmente en el hipnograma. Los conglomerados obtenidos hacen una categorización no supervisada consistente, especialmente en respecto a los atributos de frecuencia y regularidad de las ondas; elementos a tener en cuenta para la clasificación de señales. El análisis de datos funcionales es aplicable a la clasificación de registros de electroencefalograma, dado que toma un dato que es n-dimensional (en teoría infinito) y permite manejarlo como un único valor (una función de onda) y así ser procesado con diferentes técnicas de minería de datos.

Texto completo:

PDF BibText

Referencias


bibitem{1} Acharya, R, emph{Non-Linear analysis of EEG signals at various sleep stages}, Computer methods and programs in Biomedicine, 37-45, (2005)

bibitem{2} Ancoli, I.Chesson, A.& Quan, S, emph{The Aasm manual for the Scoring of Sleep and Associated}, (2007)

bibitem{3} Anderson, M. emph{Effects of sleep loss on sleep architecture in wistar rats: Gender-specific rebound}, Progress in Neuro-Psychopharmacology & Biological psychiatry,975-983 (2008)

bibitem{4} Doris, M. emph{Sleep classification according to AASM and rechtschaffen & kales. 139-149}, (2009)

bibitem{5} Ferraty, F. emph{Nonparametric functional data analysis.} Springer-Verlag. (2006)

bibitem{6} Giles, G. R.emph{Functional data analysis with R and Matlab}, Springer dordrecht heidelberg, 99-115. (2009)

bibitem{7} Jacques Julien, C. P. emph{Funtional data clustering:a survey.} Springer-Verlag Berlin Heidelberg. (2013)

bibitem{8} Pe~na Daniel, emph{An'alisis de Datos Multivariantes}, S.A. McGraw-Hill / Interamericana de Espa~na, (2002)

bibitem{9} Ramsay, J. A.emph{Funtional Data Analysis} Springer. (2005)

bibitem{10} Yamamoto, M. T. emph{Clustering of functional data in a low-dimensional subspace}.Springer-Verlag 219-225. (2012)

bibitem{11} Yamamoto, M. T. emph{Functional factorial K-means analysis.} Computational statistics & data analysis, 133-148. (2014)




DOI: http://dx.doi.org/10.15332/s2027-3355.2017.0001.07

Métricas de artículo

Cargando métricas ...

Metrics powered by PLOS ALM

Enlaces refback

  • No hay ningún enlace refback.


ISSN: 2027-3355 – ISSN Online: 2339-3076