Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Journal of Classification
Erschienen in:

18.11.2020

Clustering Brain Signals: a Robust Approach Using Functional Data Ranking

verfasst von: Tianbo Chen, Ying Sun, Carolina Euan, Hernando Ombao

Erschienen in: Journal of Classification | Ausgabe 3/2021

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we analyze electroencephalograms (EEGs) which are recordings of brain electrical activity. We develop new clustering methods for identifying synchronized brain regions, where the EEGs show similar oscillations or waveforms according to their spectral densities. We treat the estimated spectral densities from many epochs or trials as functional data and develop clustering algorithms based on functional data ranking. The two proposed clustering algorithms use different dissimilarity measures: distance of the functional medians and the area of the central region. The performance of the proposed algorithms is examined by simulation studies. We show that, when contaminations are present, the proposed methods for clustering spectral densities are more robust than the mean-based methods. The developed methods are applied to two stages of resting state EEG data from a male college student, corresponding to early exploration of functional connectivity in the human brain.
Vorheriger Artikel Editorial: Journal of Classification Vol. 38-3
Nächster Artikel Wavelet Multidimensional Scaling Analysis of European Economic Sentiment Indicators

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Anhänge
Nur mit Berechtigung zugänglich
Literatur
Caiado, J., Crato, N., & Peña, D. (2006). A periodogram-based metric for time series classification. Computational Statistics & Data Analysis, 50(10), 2668–2684.MathSciNetCrossRef
Euan, C., Ombao, H., & Ortega, J. (2018). The hierarchical spectral merger algorithm: a new time series clustering procedure. Journal of Classification.
Euán, C., Ombao, H., & Ortega, J. (2018). Spectral synchronicity in brain signals. Statistics in medicine, 37(19), 2855–2873.MathSciNetCrossRef
Fingelkurts, A.A., Fingelkurts, A.A., & Kähkönen, S. (2005). Functional connectivity in the brain—is it an elusive concept? Neuroscience & Biobehavioral Reviews, 28(8), 827–836.CrossRef
Freyermuth, J.M., Ombao, H., & von Sachs, R. (2010). Tree-structured wavelet estimation in a mixed effects model for spectra of replicated time series. Journal of the American Statistical Association, 105(490), 634–646.MathSciNetCrossRef
Gao, X., Shahbaba, B., Fortin, N., & Ombao, H. (2018). Evolutionary state-space model and its application to time-frequency analysis of local field potentials. arXiv:1610.​07271.
Hasenstab, K., Sugar, C., Telesca, D., Jeste, S., & Şentürk, D. (2016). Robust functional clustering of ERP data with application to a study of implicit learning in autism. Biostatistics, 17(3), 484–498.MathSciNetCrossRef
Kakizawa, Y., Shumway, R.H., & Taniguchi, M. (1998). Discrimination and clustering for multivariate time series. Journal of the American Statistical Association, 93(441), 328–340.MathSciNetCrossRef
López-Pintado, S., & Romo, J. (2009). On the concept of depth for functional data. Journal of the American Statistical Association, 104(486), 718–734.MathSciNetCrossRef
Maharaj, E.A., & D’Urso, P. (2012). Wavelets-based clustering of multivariate time series. Fuzzy Sets and Systems, 193, 33–61.MathSciNetCrossRef
Montero, P., Vilar, J.A., & et al. (2014). Tsclust: an r package for time series clustering. Journal of Statistical Software, 62(1), 1–43.CrossRef
Ngo, D., Sun, Y., Genton, M.G., Wu, J., Srinivasan, R., Cramer, S.C., & Ombao, H. (2015). An exploratory data analysis of electroencephalograms using the functional boxplots approach. Frontiers in Neuroscience, p. 9.
Nguyen, X.V., Epps, J., & Bailey, J. (2009). Information theoretic measures for clusterings comparison: is a correction for chance necessary? p. 135.
Ombao, H., Raz, J.A., Strawderman, R.L., & Sachs, R.V. (2001). A simple generalised crossvalidation method of span selection for periodogram smoothing. Biometrika, 88(4), 1186–1192.MathSciNetCrossRef
Orhan, U., Hekim, M., & Ozer, M. (2011). EEG Signals classification using the k-means clustering and a multilayer perceptron neural network model. Expert Systems with Applications, 38(10), 13475–13481.CrossRef
Panuccio, A., Bicego, M., & Murino, V. (2002). A hidden Markov model-based approach to sequential data clustering. In Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR) and Structural and Syntactic Pattern Recognition (SSPR), pages 734–743. Springer.
Purdon, P.L., Pierce, E.T., Mukamel, E.A., Prerau, M.J., Walsh, J.L., Wong, K.F.K., Salazar-Gomez, A.F., Harrell, P.G., Sampson, A.L., Cimenser, A., Ching, S., Kopell, N.T., e Tavares-Stoeckela, C., Habeeb, K., Merhar, R., & Brown, E.N. (2013). Electroencephalogram signatures of loss and recovery of consciousness from propofol. Proceedings of the National Academy of Sciences, 110(12), E1142–E1151.CrossRef
Rutkowski, T.M., Mandic, D.P., Cichocki, A., & Przybyszewski, A.W. (2010). EMD approach to multichannel eeg data—the amplitude and phase components clustering analysis. Journal of Circuits Systems, and Computers, 19(01), 215–229.CrossRef
Shumway, R.H., & Stoffer, D.S. (2016). Time series analysis and its applications: with R examples. Springer Science & Business Media.
Sun, Y. (2011). Functional boxplots. Journal of Computational and Graphical Statistics.
Sun, Y., & Genton, M.G. (2012). Adjusted functional boxplots for spatio-temporal data visualization and outlier detection. Environmetrics, 23(1), 54–64.MathSciNetCrossRef
Vilar, J.A., & Pértega, S. (2004). Discriminant and cluster analysis for Gaussian stationary processes: local linear fitting approach. Journal of Nonparametric Statistics, 16(3-4), 443–462.MathSciNetCrossRef
Viqueira, M., Zapirain, B.G., & Zorrilla, A.M. (2013). Ocular movement and cardiac rhythm control using EEG techniques. In Medical Imaging in Clinical Practice. InTech.
Wahba, G. (1980). Automatic smoothing of the log periodogram. Journal of the American Statistical Association, 75(369), 122–132.CrossRef
Wu, J., Srinivasan, R., Kaur, A., & Cramer, S.C. (2014). Resting-state cortical connectivity predicts motor skill acquisition. NeuroImage, 91, 84–90.CrossRef
Metadaten
Titel
Clustering Brain Signals: a Robust Approach Using Functional Data Ranking
verfasst von
Tianbo Chen
Ying Sun
Carolina Euan
Hernando Ombao
Publikationsdatum
18.11.2020
Verlag
Springer US
Erschienen in
Journal of Classification / Ausgabe 3/2021
Print ISSN: 0176-4268
Elektronische ISSN: 1432-1343
DOI
https://doi.org/10.1007/s00357-020-09382-1

Weitere Artikel der Ausgabe 3/2021

A Comparison of Reliability Coefficients for Ordinal Rating Scales

  • Open Access

Wavelet Multidimensional Scaling Analysis of European Economic Sentiment Indicators

On Bayesian Analysis of Parsimonious Gaussian Mixture Models

  • Original Research

Co-clustering of Time-Dependent Data via the Shape Invariant Model

  • Open Access

Editorial: Journal of Classification Vol. 38-3

A Model-Free Subject Selection Method for Active Learning Classification Procedures

Premium Partner

    Bildnachweise