Using conditional FCM to mine event-related brain dynamics

Zigkolis, Christos; Laskaris, Nikolaos A.

doi:10.1016/j.compbiomed.2009.01.007

Cited by 8 publications

(8 citation statements)

References 31 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…To prevent this problem, a semi-supervised learning would be preferred to un-supervised learning. Zigkolis and Laskaris (2009) developed a conditional FCM (CFCM) algorithm to tackle this problem. In this algorithm, a dissimilarity measure (expressed in terms of the euclidean distance) was minimized for the data points in the pre-defined clusters.…”

Section: Literature Surveymentioning

confidence: 99%

Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters

Dey

Pratihar

Datta

2011

Fuzzy Optim Decis Making

View full text Add to dashboard Cite

A modified approach had been developed in this study by combining two well-known algorithms of clustering, namely fuzzy c-means algorithm and entropybased algorithm. Fuzzy c-means algorithm is one of the most popular algorithms for fuzzy clustering. It could yield compact clusters but might not be able to generate distinct clusters. On the other hand, entropy-based algorithm could obtain distinct clusters, which might not be compact. However, the clusters need to be both distinct as well as compact. The present paper proposes a modified approach of clustering by combining the above two algorithms. A genetic algorithm was utilized for tuning of all three clustering algorithms separately. The proposed approach was found to yield both distinct as well as compact clusters on two data sets.

show abstract

Section: Literature Surveymentioning

confidence: 99%

Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters

Dey

Pratihar

Datta

2011

Fuzzy Optim Decis Making

View full text Add to dashboard Cite

show abstract

“…Our point of departure was previously published work on the related problem of single-trial analysis (Laskaris and Ioannides, 2002;Laskaris et al, 2004Laskaris et al, , 2008Zigkolis and Laskaris, 2009), in which evoked brain responses were detected organised, and visualised by exploiting the recent advances in non-linear dimensionality reduction. Specifically, we employ isometric feature mapping (ISOMAP), which is known to reveal the intrinsic data variation and is therefore expected to be insensitive to random variations due to noise.…”

Section: Introductionmentioning

confidence: 99%

NASS: An empirical approach to spike sorting with overlap resolution based on a hybrid noise-assisted methodology

Adamos

Laskaris

Kosmidis

et al. 2010

Journal of Neuroscience Methods

Self Cite

View full text Add to dashboard Cite

“…Our approach constitutes an extension of a well-established framework for mining single-trial brain dynamics from multichannel encephalographic signals [72]- [76]. It was originally conceived as a toolbox of unsupervised learning procedures, with VQ playing an instrumental role in deriving faithful summaries of response variability and further enabling semantically rich visualizations.…”

Section: Preliminariesmentioning

confidence: 99%

“…Based on (one particular instantiation of) the test-set of single-trials recorded at the particular sensor, and using 𝑑 𝑒 = 200 and 𝜏 = 1 for reconstructing the response dynamics, the initial codebook was derived and presented as shown in Figure 10a. In this particular plot, the code-vectors have been ranked based on a graph-seriation procedure [76], [82], [83] (in order to spot the underlying similarities). By means of classic MDS, this codebook has been embedded in a 2D space in the form of a scatter plot that reflects the redundancies in codebook design as densely populated neighborhoods (Figure 10b).…”

Section: A Detailed Demonstrationmentioning

confidence: 99%

See 1 more Smart Citation

Representation learning schemes of multichannel encephalographic signals for Brain Computer Interfaces

Γεωργιάδης¹

View full text Add to dashboard Cite

Οι Διεπαφές Εγκεφάλου Υπολογιστή (ΔΕΥ) προσφέρουν εναλλακτικά «κανάλια» επικοινωνίας μεταξύ του ανθρώπινου εγκεφάλου και μίας ηλεκτρονικής συσκευής. Η αποκωδικοποίηση της εγκεφαλικής δραστηριότητας και η μετατροπή της σε εντολές μηχανής ολοκληρώνει ένα κλειστό σύστημα, το οποίο μπορεί να λειτουργήσει χωρίς φυσική αλληλεπίδραση. Ο Berger ήταν ο πρώτος που διατύπωσε τη θεωρία της «ανάγνωσης του μυαλού», αλλά η υλοποίηση ενός ολοκληρωμένου συστήματος ΔΕΥ κατέστη δυνατή μόνο τα τελευταία χρόνια. Λόγω του σχεδιασμού τους, οι ΔΕΥ θεωρούνται ιδανικά συστήματα υποστήριξης ατόμων που πάσχουν από κινητική αναπηρία και ως εκ τούτου λαμβάνουν συνεχώς αυξανόμενη προσοχή. Η υλοποίηση μίας ΔΕΥ μπορεί να γίνει μέσω διαφορετικών προσεγγίσεων, ωστόσο το Ηλεκτροεγκεφαλογράφημα (ΗΕΓ) θεωρείται η πιο δημοφιλής επιλογή. Αυτό συμβαίνει κυρίως λόγω του μη επεμβατικού χαρακτήρα του ΗΕΓ ενώ συνεπικουρικά στοιχεία είναι το χαμηλό κόστος, η εύκολη προσάρτηση και η εύκολη ενσωμάτωσή του στην καθημερινότητα των χρηστών. Στα πλαίσια αυτής της διδακτορικής διατριβής μελετήθηκαν δύο διαφορετικού τύπου ΔΕΥ τα οποία βασίζονται σε μετρήσεις ΗΕΓ και πιο συγκεκριμένα στην κατηγορία διεπαφών μέσω Προκλητών Δυναμικών Σταθερής Κατάστασης (Steady State Visual Evoked Potentials; SSVEP) και σε αυτή που σχετίζεται με τη Νοερή Κίνηση (Motor Imagery; MI) των άκρων. Στόχος αυτής της διδακτορικής διατριβής είναι ο σχεδιασμός και η υλοποίηση πρωτοκόλλων ανάλυσης σημάτων ΗΕΓ μέσω των οποίων θα γίνεται η αποκωδικοποίηση των προθέσεων/επιλογών των χρηστών. Οι υλοποιήσεις θα πρέπει να χαρακτηρίζονται από γρήγορες και εύρωστες αποκρίσεις, χαρακτηριστικά τα οποία κρίνονται ζωτικής σημασίας για οποιαδήποτε υλοποίηση ΔΕΥ. Υπό αυτό το πρίσμα η πρώτη κατηγορία που εξετάσθηκε ήταν αυτή των Προκλητών Δυναμικών Σταθερής Κατάστασης, με στόχο τη δημιουργία ενός καινοφανούς συστήματος αποκρυπτογράφησης. Το συγκεκριμένο σύστημα βασίστηκε στις έννοιες του διακριτού κβαντισμού διανυσμάτων αλλά και της κατηγοριοποίησης μέσω του κανόνα πλησιέστερου προτύπου. Το παραπάνω σύστημα σχεδιάστηκε με στόχο την αποφυγή ψευδώς θετικών αποκρίσεων καθώς κάθε πρόβλεψη συνοδευόταν από ένα σκορ εμπιστοσύνης το οποίο υποδείκνυε την ενεργοποίηση ή μη της απόφασης. Στη συνέχεια, ασχοληθήκαμε με την κατηγορία των ΔΕΥ που σχετίζεται με τη Νοερή Κίνηση των άκρων. Η μετάβαση αυτή, προκρίθηκε κυρίως λόγω της αδυναμίας των συστημάτων Προκλητών Δυναμικών Σταθερής Κατάστασης να χρησιμοποιούνται από τους χρήστες αυτόνομα και κατόπιν δικής τους πρόθεσης. Αρχικά, εστιάσαμε στα δεδομένα τα οποία συλλέξαμε από άτομα με Νευρομυϊκές παθήσεις και από αντίστοιχου μεγέθους δείγματος ελέγχου. Η ανάλυση βασίστηκε σε έννοιες αυτό-οργάνωσης πολύπλοκων δικτύων με στόχο την αναγνώριση διαφορών μεταξύ των πληθυσμών. Οι σημαντικές διαφορές που παρατηρήθηκαν στο συγχρονισμό φάσης (PLV) αλλά και στις ιδιότητες του εγκεφαλικού δικτύου (π.χ. Global/Local Efficiency), μπορούν να αποδοθούν στην πάθηση και στον τρόπο με τον οποίο αναδιοργανώνεται ο εγκέφαλος όσο αυτή εξελίσσεται. Σε δεύτερη φάση, έχοντας διαπιστώσει την καταλληλότητα της χρήσης του συγχρονισμού φάσης για την αναγνώριση της νοερής κίνησης σχεδιάσαμε ένα αλγοριθμικό πλαίσιο αποτελούμενο από μια αλληλουχία ταξινομητών το οποίο μπορεί να εντοπίζει την έναρξη της δραστηριότητας που σχετίζεται με την εκτελούμενη νοερή κίνηση. Έπειτα, εξετάσαμε την επεξεργασία σήματος σε επίπεδο γράφων, και πιο συγκεκριμένα το μετασχηματισμό Fourier σε επίπεδο γράφων, με σκοπό την αξιοποίησή του στην ανάλυση ΗΕΓ σήματος κατά την πραγματοποίηση διεργασιών Νοερής Κίνησης. Η πρώτη προσέγγιση αφορούσε τη χρήση της λειτουργικής συνδεσιμότητας στο σχεδιασμό του γράφου. Η δεύτερη προσέγγιση αφορούσε το σχεδιασμό ενός πολύ-επίπεδου γράφου, όπου κάθε επίπεδο αντιστοιχούσε σε δραστηριότητα από διαφορετικό εγκεφαλικό ρυθμό (δηλ. συχνοτικό περιεχόμενο), ενώ η συνδεσιμότητα των κόμβων αντιπροσώπευε τις αλληλεπιδράσεις μεταξύ των διαφορετικών ρυθμών. Η τρίτη προσέγγιση βασιζόταν στην τεχνική των Graph Slepian συναρτήσεων, οι οποίες υλοποιούν περιορισμούς τόσο σε επίπεδο γράφου όσο και σε επίπεδο φάσματος του γράφου. Τέλος, χρησιμοποιήσαμε έναν αλγόριθμο κατηγοριοποίησης ο οποίος δρα σε πίνακες συνδιακύμανσης και μπορεί να εντοπίσει τους αισθητήρες εκείνους οι οποίοι παρουσιάζουν τη μέγιστη διακριτική ικανότητα, ορίζοντας κατά αυτόν τον τρόπο το πιο συνεκτικό υπο-δίκτυο. Έχοντας εντοπίσει το συγκεκριμένο υπο-δίκτυο, οι αναπαραστάσεις των (περιορισμένων) πινάκων συνδιακύμανσης των MI δεδομένων γίνονται σε Ριμάνεια επιφάνεια, ενώ η κατηγοριοποίηση τους γίνεται με τη χρήση Μηχανών Διανυσμάτων Υποστήριξης (Support Vector Machines; SVMs).

show abstract

Using conditional FCM to mine event-related brain dynamics

Cited by 8 publications

References 31 publications

Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters

Genetic algorithm-tuned entropy-based fuzzy C-means algorithm for obtaining distinct and compact clusters

NASS: An empirical approach to spike sorting with overlap resolution based on a hybrid noise-assisted methodology

Representation learning schemes of multichannel encephalographic signals for Brain Computer Interfaces

Contact Info

Product

Resources

About