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

Gaëtan Frusque 1 Julien Jung 2 Pierre Borgnat 3 Paulo Gonçalves 1
1 DANTE - Dynamic Networks : Temporal and Structural Capture Approach
Inria Grenoble - Rhône-Alpes, LIP - Laboratoire de l'Informatique du Parallélisme, IXXI - Institut Rhône-Alpin des systèmes complexes
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.
Complete list of metadatas

Cited literature [12 references]  Display  Hide  Download

https://hal.inria.fr/hal-02154888
Contributor : Paulo Gonçalves <>
Submitted on : Thursday, June 13, 2019 - 10:36:12 AM
Last modification on : Tuesday, June 18, 2019 - 3:19:46 PM

File

Gretsi2019-Frusque.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-02154888, version 1

Citation

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⟩

Share

Metrics

Record views

39

Files downloads

325