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.
Origine | Fichiers produits par l'(les) auteur(s) |
---|
Loading...