Descripción del título
Análisis de datos funcional...
Technological developments have made it possible for researchers in many areas to have large volumes of information for the same individual. Usually these data can be represented through curves or in general functions. From this arises a new field of study in statistics called Functional Data Analysis (FDA). In the FDA the basic unit of information is the complete function, rather than a set of values (Ramsay & Dalzell 1991). The usual statistical methods have been adapted to this situation, in particular the analysis of functional conglomerates by the k-means method has been developed. Since the brain activity responds to a wave function of the neuronal charge over time, the opportunity arises to apply the FDA to this type of record. The objective of this work is to describe the applicability of the functional cluster analysis by the k-means method to classify brain activity in Norvegicus Wistar rats. The conversion of the registers into wave functions was carried out using Fourier bases, which were analyzed according to the methodology developed in (Yamamoto 2012) and a simple correspondence analysis between the clusters and the phases of activity manually recorded in the hypnogram. The obtained conglomerates make a consistent unsupervised categorization, especially with respect to the attributes of frequency and regularity of the waves
El análisis de datos funcionales se basa en el estudio de la función que describe la variabilidad de un conjunto de datos en un espacio de n muestras, y dentro de sus modelos se encuentra el análisis de conglomerados por k-medias funcional. Dado que la actividad cerebral responde a una función de onda de la carga eléctrica de las neuronas sobre el tiempo, observamos la oportunidad de aplicar el análisis de datos funcionales a este tipo de registros. El objetivo de este trabajo es describir la aplicabilidad del análisis de conglomerados por k-medias funcional para clasificación de la actividad cerebral en ratas Norvegicus Wistar. Se realizó la conversión de los registros en funciones de onda en bases de Fourier, las cuales fueron procesadas con análisis de componentes principales funcionales, algoritmo de k-medias funcional (k=6) y un análisis de correspondencias entre los conglomerados y las fases de actividad registradas manualmente en el hipnograma. Los conglomerados obtenidos hacen una categorización no supervisada consistente, especialmente en respecto a los atributos de frecuencia y regularidad de las ondas; elementos a tener en cuenta para la clasificación de señales. El análisis de datos funcionales es aplicable a la clasificación de registros de electroencefalograma, dado que toma un dato que es n-dimensional (en teoría infinito) y permite manejarlo como un único valor (una función de onda) y así ser procesado con diferentes técnicas de minería de datos
Analítica
analitica Rebiun33855038 https://catalogo.rebiun.org/rebiun/record/Rebiun33855038 230721s2017 xx o 000 0 spa d https://dialnet.unirioja.es/servlet/oaiart?codigo=6765740 (Revista) ISSN 2027-3355 (Revista) ISSN 2339-3076 S9M oai:dialnet.unirioja.es:ART0001306453 https://dialnet.unirioja.es/oai/OAIHandler 11 DGCNT S9M S9M dc Análisis de datos funcionales aplicado en electroencefalogramas: agrupamiento por k-medias funcional electronic resource] 2017 application/pdf Open access content. Open access content star Technological developments have made it possible for researchers in many areas to have large volumes of information for the same individual. Usually these data can be represented through curves or in general functions. From this arises a new field of study in statistics called Functional Data Analysis (FDA). In the FDA the basic unit of information is the complete function, rather than a set of values (Ramsay & Dalzell 1991). The usual statistical methods have been adapted to this situation, in particular the analysis of functional conglomerates by the k-means method has been developed. Since the brain activity responds to a wave function of the neuronal charge over time, the opportunity arises to apply the FDA to this type of record. The objective of this work is to describe the applicability of the functional cluster analysis by the k-means method to classify brain activity in Norvegicus Wistar rats. The conversion of the registers into wave functions was carried out using Fourier bases, which were analyzed according to the methodology developed in (Yamamoto 2012) and a simple correspondence analysis between the clusters and the phases of activity manually recorded in the hypnogram. The obtained conglomerates make a consistent unsupervised categorization, especially with respect to the attributes of frequency and regularity of the waves El análisis de datos funcionales se basa en el estudio de la función que describe la variabilidad de un conjunto de datos en un espacio de n muestras, y dentro de sus modelos se encuentra el análisis de conglomerados por k-medias funcional. Dado que la actividad cerebral responde a una función de onda de la carga eléctrica de las neuronas sobre el tiempo, observamos la oportunidad de aplicar el análisis de datos funcionales a este tipo de registros. El objetivo de este trabajo es describir la aplicabilidad del análisis de conglomerados por k-medias funcional para clasificación de la actividad cerebral en ratas Norvegicus Wistar. Se realizó la conversión de los registros en funciones de onda en bases de Fourier, las cuales fueron procesadas con análisis de componentes principales funcionales, algoritmo de k-medias funcional (k=6) y un análisis de correspondencias entre los conglomerados y las fases de actividad registradas manualmente en el hipnograma. Los conglomerados obtenidos hacen una categorización no supervisada consistente, especialmente en respecto a los atributos de frecuencia y regularidad de las ondas; elementos a tener en cuenta para la clasificación de señales. El análisis de datos funcionales es aplicable a la clasificación de registros de electroencefalograma, dado que toma un dato que es n-dimensional (en teoría infinito) y permite manejarlo como un único valor (una función de onda) y así ser procesado con diferentes técnicas de minería de datos LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI Spanish electroencefalografía (EEG) datos funcionales series de Fourier aprendizaje automático k-medias funcional análisis de componentes principales funcionales Electroencephalography functional data analysis Fourier series machine learning functional k-means functional principal component analysis text (article) Ríos Piñerez, Wilmer Javier. cre Carrillo Ramírez, Alexis. cre Garatejo Escobar, Olga. cre Comunicaciones en Estadística, ISSN 2339-3076, Vol. 10, Nº. 1, 2017, pags. 129-144 Comunicaciones en Estadística, ISSN 2339-3076, Vol. 10, Nº. 1, 2017, pags. 129-144 Comunicaciones en Estadística, ISSN 2339-3076, Vol. 10, Nº. 1, 2017, pags. 129-144