IFLYSIB   05383
INSTITUTO DE FISICA DE LIQUIDOS Y SISTEMAS BIOLOGICOS
Unidad Ejecutora - UE
congresos y reuniones científicas
Título:
Segmentacion en el Espacio de Fases de Series Temporales de Alta Dimension
Autor/es:
GABRIEL BAGLIETTO; GUIDO GIGANTE; PAOLO DEL GIUDICE
Lugar:
Merlo, San Luis
Reunión:
Congreso; AFA2015; 2015
Institución organizadora:
Asociacion de Fisicos Argentinos
Resumen:
Gran parte de los datos experimentales obtenidos en sistemas complejos viene dada como el registro simultaneo de la actividad de unidades interactuantes. En este trabajo analizamos el desempeno de algoritmos de clusterizacion basados en densidad como segmentadores de series temporales de gran dimension, del tipo de las obtenidas en registros neuronales multiples simultaneos [1]. En particular, este enfoque, en el que la dinamica compleja del sistema es reducida a una descripcion compacta en terminos de cuencas de atraccion efectivas, proporciona una herramienta de analisis cualitativa para datos neuronales dentro del paradigma de la dinamica de atractores [2].Al testear estos algoritmos con el Modelo de Hopfield, encontramos que el algoritmo Mean Shift (MS) [3] encuentra una gran cantidad de mınimos (locales) del Hamiltioniano, aun cuando la serie temporal es generada en la fase paramagnetica. En este sentido, MS resulta muy superior a algoritmos recientes de gran velocidad [4].Una vez que los mınimos locales de la superficie de potencial efectivo son estimados, es posible realizar una reduccion dimensional introduciendo interacciones efectivas entre dichos mınimos. Esto facilita la busqueda depatrones espacio-temporales. Por otra parte, tambien disminuye el error por sobre-ajuste cuando se aplican tecnicas de inferencia para estimar los acoplamientos entre unidades a partir de la serie temporal.Finalmente, el enfoque es aplicado a una red multi-modular de neuronas Integrate and Fire con adaptacion en la frecuencia de disparo. En esta red previamente se han almacenado algunos patrones de actividad colectiva y los mismos son recuperados mediante el algoritmo MS.[1] I. H. Stevenson, K. P. Kording, Nat. Neurosci. 14 139 (2011).[2] J. Braun, M. Mattia, Neuroimage 52 740 (2010).[3] K. Fukunaga, L. D. Hostetler,IEEE Transactions on Information Theory 21 32, (1975).[4] A. Rodriguez, A. Laio, Sience, 344, 1492, (2014).