简述基于PCA和模糊C-均值聚类算法的动作电位分类导师师黎.pptVIP

基于PCA和模糊C-均值聚类算法的动作电位分类 导师：师黎 姓名：陈建威 ; 主要内容;1.引言; 而如果电极之间距离较小的话，单个神经元的活动也有可能被一个以上的电极记录到。因此，需要通过对电极记录数据的分析进行神经元放电信号的检测。也就是说，需要将神经元放电信号从噪声背景中提取出来，并在这个基础上，将不同神经元的放电活动区分开来。 目前，常见的动作电位的分类方法有模板匹配分类方法、基于小波变换的分类方法等。模板匹配分类方法的模板较难选取。基于小波变换的分类方法在分类过程中小波系数是单独作用，会造成很多有用信息的丢失。 这里，采用主成分分析法（PCA）提取动作电位特征， 然后基于PCA提取的特征采用模糊C-均值算法实现动作电位分类。;2.PCA和模糊C-均值算法简介; 其中，列向量 作向量 的线性组合求得综合特征向量，记为向量 则： ;;前10个主成分累计贡献率图2.1所示： 图2.1 ; 2.2 模糊C-均值分类算法 数值聚类分析是许多分类和系统建模问题的基础。聚类的目的是从大量的数据中抽取固有的特征，从而获得系统行为的简洁表示。通过聚类的方法可以将大批数据鉴别为许多本质联系的聚类，以简明地表示系统行为。常见的聚类方法有均值聚类、分层聚类和模糊聚类方法。 模糊聚类分析的算法有很多种，但是基于目标函数的模糊C均值算法（FCM，Fuzzy c-mean）则是目前最完善、应用最广泛的算法。模糊C均值算法是把n个向量(i=1，2，…，n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM用模糊划分，使得每个给定数据点用值在[0,1]区间的隶属度来确定其属于各个组的程度。 ; 与引入模糊划分相适应，隶属矩阵U允许有取值在 [0，1]区间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于1。 （2.1） FCM的价值函数(或目标函数)为 （2.2） 这里 介于0，1间； 为模糊组i的聚类中心， 为第i个聚类中心与第j个数据点间的距离，这里采用欧氏距离；且 是一个加权指数。 ; 算法可以看作是在n个约束条件(式2.1下求价值函数的极小值。使(2.2)式达到极小的必要条件是 (2.3) (2.4) 由上述两个必要条件，可知模糊C均值聚类算法是一个简单的迭代过程。FCM用下列步骤确定聚类中心 和隶属矩阵U： 1）初始化聚类中心 (i=1，2，…，c)。典型的做法; 是从所有数据点中任取c个点。 2）用式(2.4)确定隶属矩阵U。 3）根据式(2.2)计算价值函数，如果它小于某个确定的阈 值，或它相对上次价值函数的改变量小于某个阈值，则 算法停止。 4）根据式(2.3)修正聚类中心，返回步骤2）。;3.动作电位分类结果及分析; 3.2 分类后的波形图 采用PCA提取动作电位的特征，采用模糊C-均值分类后的波形如图3.2所示： A类动作电位 B类动作电位 图3.2 ;3.3 分类结果分析 总计329个波形被分为两类，分别为150个和179个。从图3.2中可以看出模糊C-均值方法能够较好地实现动作电位的分类，分类后同类动作电位之