聚类个数对fcm聚类结果的影响分析【字数：10759】
随着时代发展的不断迈进，人们生活水平随之增长，越来越多的关注自己，在数字化信息化的时代背景下，医学领域的数字信息化处理也在蓬勃发展。通过聚类方法挖掘数字信息，服务于人类生活这种方式已经得到各界人士的广泛关注。本文主要介绍了利用功能磁共振成像和模糊C均值聚类算法处理人脑图像的方法。经过这种方法处理后脑部各区域图像边界明确，更易读懂。本文的目的是为了获得在上述技术过程聚类的最佳值。对于模糊聚类需要预先预测簇的最优数量的问题，广义线性模型被施加到准确度比较。通过分析图像和数值对比的方法，得出聚类个数的最佳值，最后简要阐述聚类个数对FCM聚类结果的影响。
目 录
1. 绪论 1
1.1 研究背景及意义 1
1.2 研究现状及发展前景 2
1.3 本文内容及结构 3
2. fMRI数据原理及分析方法简介 4
2.1 fMRI简介 4
2.2 fMRI数据分析方法简介 4
2.2.1 广义线性模型 5
2.2.2 聚类分析 6
2.3 工具简介 7
3. 数据分析及结果 8
3.1 数据采集及预处理 8
3.2 FCM处理 8
3.2.1 FCM处理流程 10
3.2.2 FCM处理结果 11
3.3 聚类个数的影响分析 16
3.3.1 不同聚类个数准确度分析对比 17
3.3.2 不同模糊度准确度分析对比 19
结束语 20
参考文献 21
1. 绪论
1.1 研究背景及意义
进入21世纪以来，社会发生了巨大的变化，科技引领人们生活，“数据化”这三个清晰的阐述了现在的生活。在各行各业都在用数据表达产品的质量，销量，用途，通过对数据的处理，从中可以清晰的感知到人民大众的生活需要，生活质量来提高产品的需求度，产品的销量以及产品未来的发展方向[1]，通过数据挖掘和知识发现手段，可以获得来自大数据中厂商、开发商、消费者所需的有价值的信息。在数据挖掘中主要通过聚类和分类这两种手段来获取其中隐含的价值信息。聚类分析 *好棒文|www.hbsrm.com +Q: *351916072*
是重要的方法之一，根据所述数据分类[2]，每个类都有相似的属性，不同类的相似属性较低，可以将一个物品进行更加清晰的划分。
人脑作为人体最为精密和复杂的器官承载着重要的人体生物信息，可以操控人的意识、思维以及行为，其中蕴含着丰富的信息[3]，对于该物品的研究人类持之以恒的在进行着，在分析人脑信息时如果不经过信息的处理这将无从下手，因此对人脑信息先进行预处理然后提供给医学领域的学者专家，这是必不可少的研究步骤。本文所做的便是运用数据挖掘中聚类方法研究人脑枕极和矩状裂周围皮层即视觉区，将医学与电子信息学结合在一起，借助功能磁共振成像（function Magnetic Resonance Imagine，fMRI）[4]，先对人脑信息图像进行预处理，这样就能够帮助研究人员更加科学有效处理图像信息并且节约时间和成本。在医学领域，功能磁共振成像便是对医学图像处理的一种方法，它可用于无损伤性检查，同时在检查期间可以保护患者远离电离辐射干扰，通过此方法可以生成多种类型的图像有助于对此图像进行后续处理，凭借这些优势该技术已经逐步成为探测人脑功能信号与研究人脑功能认知的首选方法。
人脑图像在医学上的运用，现如今主要是通过患有某种疾病人群与健康人的脑部特定区域对比来确定该疾病在相应的异常区域的影响，这有助于提前预知并预防该疾病的发生。本文主要是针对医学图像对比前，图像处理过程中运用到的聚类分析中的某一参数的确定来进行研究和分析，相信此方法在未来将无疑有助于科学研究在生物工程领域的发展，亦激励我们在后续道路上继续前行。
1.2 研究现状及发展前景
由于人们物质生活水平的不断增长，对于人体健康方面的关注也越来越多。人脑作为人体最为精密和重要的器官成为人类关注健康的焦点。对于人脑的研究经历了漫长的岁月，目前仍然在继续前行。刚开始，脑部科学研究主要采用解剖尸体的方法来获取人脑的一些信息，例如人脑的基本结构以及功能；然后，开始利用通过仪器辨别脑部微弱电流的方法了解脑部的一些征兆；后来，开始采用X射线、磁场、放射性示踪剂等。
医疗影像仪器作为医学领域的重要辅助工具，为临床医学提供了众多具有非常重要参考价值的图像。医生能够有效利用这些医学图像读取患者信息，从而制定治疗方案。通常情况下，医学图像复杂而且各区域边界模糊，未经过处理的医学图像即使放在从医多年的专家面前也难免会出现判断失误的情况，更何况刚刚步入职场的医生和准备研究医术的学者呢？通过信息读取的方法得到的医学图像非常复杂，而由于外部噪音的干扰，地面具有场偏移效应等[5]，会使得图像出现组织形状混杂、不同组织之间相互掺杂，各个组织没有明显分界线等问题，因此，有必要来处理图像。
医学图像分析是挖掘医学图像数据的方法。本文重点介绍使用聚类进行数据挖掘的方法。当前有许多聚类算法，它主要是从传统的聚类算法，并根据其发展进程中演变为现代聚类算法。传统的聚类算法大多是基于要素的功能比较进行聚类，需要提前输入子集的数量，其结果必然会在大数据面前遭遇冷落，出现聚类效果不佳的情况。针对数据多元化和数据洪流的出现，现代聚类方法在传统聚类方法的基础上进行完善和改进，根据属性，它可分为基于分区的聚类，基于层的聚类，基于密度的群集，基于网络的聚类，基于模糊的聚类等[6]。
基于分区的聚类——经典Kmeans算法
随机选择K个对象，并且需要提前确定最后会聚成几类，在所选择地对象中挑选几个进行初始化，作为集群的中心点聚集。对于其余的，根据它已经设置中心点分配，并计算每个集群的平均值，并反复进行，直到最好的中心点，同时满足的中心点之间的距离被发现集群[7]。
目 录
1. 绪论 1
1.1 研究背景及意义 1
1.2 研究现状及发展前景 2
1.3 本文内容及结构 3
2. fMRI数据原理及分析方法简介 4
2.1 fMRI简介 4
2.2 fMRI数据分析方法简介 4
2.2.1 广义线性模型 5
2.2.2 聚类分析 6
2.3 工具简介 7
3. 数据分析及结果 8
3.1 数据采集及预处理 8
3.2 FCM处理 8
3.2.1 FCM处理流程 10
3.2.2 FCM处理结果 11
3.3 聚类个数的影响分析 16
3.3.1 不同聚类个数准确度分析对比 17
3.3.2 不同模糊度准确度分析对比 19
结束语 20
参考文献 21
1. 绪论
1.1 研究背景及意义
进入21世纪以来，社会发生了巨大的变化，科技引领人们生活，“数据化”这三个清晰的阐述了现在的生活。在各行各业都在用数据表达产品的质量，销量，用途，通过对数据的处理，从中可以清晰的感知到人民大众的生活需要，生活质量来提高产品的需求度，产品的销量以及产品未来的发展方向[1]，通过数据挖掘和知识发现手段，可以获得来自大数据中厂商、开发商、消费者所需的有价值的信息。在数据挖掘中主要通过聚类和分类这两种手段来获取其中隐含的价值信息。聚类分析 *好棒文|www.hbsrm.com +Q: *351916072*
是重要的方法之一，根据所述数据分类[2]，每个类都有相似的属性，不同类的相似属性较低，可以将一个物品进行更加清晰的划分。
人脑作为人体最为精密和复杂的器官承载着重要的人体生物信息，可以操控人的意识、思维以及行为，其中蕴含着丰富的信息[3]，对于该物品的研究人类持之以恒的在进行着，在分析人脑信息时如果不经过信息的处理这将无从下手，因此对人脑信息先进行预处理然后提供给医学领域的学者专家，这是必不可少的研究步骤。本文所做的便是运用数据挖掘中聚类方法研究人脑枕极和矩状裂周围皮层即视觉区，将医学与电子信息学结合在一起，借助功能磁共振成像（function Magnetic Resonance Imagine，fMRI）[4]，先对人脑信息图像进行预处理，这样就能够帮助研究人员更加科学有效处理图像信息并且节约时间和成本。在医学领域，功能磁共振成像便是对医学图像处理的一种方法，它可用于无损伤性检查，同时在检查期间可以保护患者远离电离辐射干扰，通过此方法可以生成多种类型的图像有助于对此图像进行后续处理，凭借这些优势该技术已经逐步成为探测人脑功能信号与研究人脑功能认知的首选方法。
人脑图像在医学上的运用，现如今主要是通过患有某种疾病人群与健康人的脑部特定区域对比来确定该疾病在相应的异常区域的影响，这有助于提前预知并预防该疾病的发生。本文主要是针对医学图像对比前，图像处理过程中运用到的聚类分析中的某一参数的确定来进行研究和分析，相信此方法在未来将无疑有助于科学研究在生物工程领域的发展，亦激励我们在后续道路上继续前行。
1.2 研究现状及发展前景
由于人们物质生活水平的不断增长，对于人体健康方面的关注也越来越多。人脑作为人体最为精密和重要的器官成为人类关注健康的焦点。对于人脑的研究经历了漫长的岁月，目前仍然在继续前行。刚开始，脑部科学研究主要采用解剖尸体的方法来获取人脑的一些信息，例如人脑的基本结构以及功能；然后，开始利用通过仪器辨别脑部微弱电流的方法了解脑部的一些征兆；后来，开始采用X射线、磁场、放射性示踪剂等。
医疗影像仪器作为医学领域的重要辅助工具，为临床医学提供了众多具有非常重要参考价值的图像。医生能够有效利用这些医学图像读取患者信息，从而制定治疗方案。通常情况下，医学图像复杂而且各区域边界模糊，未经过处理的医学图像即使放在从医多年的专家面前也难免会出现判断失误的情况，更何况刚刚步入职场的医生和准备研究医术的学者呢？通过信息读取的方法得到的医学图像非常复杂，而由于外部噪音的干扰，地面具有场偏移效应等[5]，会使得图像出现组织形状混杂、不同组织之间相互掺杂，各个组织没有明显分界线等问题，因此，有必要来处理图像。
医学图像分析是挖掘医学图像数据的方法。本文重点介绍使用聚类进行数据挖掘的方法。当前有许多聚类算法，它主要是从传统的聚类算法，并根据其发展进程中演变为现代聚类算法。传统的聚类算法大多是基于要素的功能比较进行聚类，需要提前输入子集的数量，其结果必然会在大数据面前遭遇冷落，出现聚类效果不佳的情况。针对数据多元化和数据洪流的出现，现代聚类方法在传统聚类方法的基础上进行完善和改进，根据属性，它可分为基于分区的聚类，基于层的聚类，基于密度的群集，基于网络的聚类，基于模糊的聚类等[6]。
基于分区的聚类——经典Kmeans算法
随机选择K个对象，并且需要提前确定最后会聚成几类，在所选择地对象中挑选几个进行初始化，作为集群的中心点聚集。对于其余的，根据它已经设置中心点分配，并计算每个集群的平均值，并反复进行，直到最好的中心点，同时满足的中心点之间的距离被发现集群[7]。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/568.html
