Réduction de dimension tensorielle parcimonieuse: Application au clustering de connectivité fonctionnelle - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Communication Dans Un Congrès Année : 2019

Réduction de dimension tensorielle parcimonieuse: Application au clustering de connectivité fonctionnelle

Résumé

k-means est un algorithme célèbre pour le clustering de données, mais ses performances se dégradent sur des données de grandes dimensions. Nous proposons des décompositions tensorielles parcimonieuses pour réduire la dimension des données avant d'appliquer k-means. Nous illustrons notre méthode sur des mesures de connectivité fonctionnelle d'EEG de crises épileptiques. Abstract-k-means is famous to cluster a dataset, however it is known to perform badly on high dimensional data. To apply it on EEG functional connectivity measures, as function of the time and for different seizures of a same patient, we develop a new sparse tensorial decomposition to reduce the dimensions of the data before applying k-means.
Fichier principal
Vignette du fichier
Gretsi2019-Frusque.pdf (569.47 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02154888 , version 1 (13-06-2019)

Identifiants

  • HAL Id : hal-02154888 , version 1

Citer

Gaëtan Frusque, Julien Jung, Pierre Borgnat, Paulo Gonçalves. Réduction de dimension tensorielle parcimonieuse: Application au clustering de connectivité fonctionnelle. GRETSI 2019 - XXVIIème Colloque francophonede traitement du signal et des images, Aug 2019, Lille, France. pp.1-4. ⟨hal-02154888⟩
109 Consultations
173 Téléchargements

Partager

Gmail Facebook X LinkedIn More