OPTICS
Parent: ai_keywords
OPTICS：基于密度的聚类算法及其在神经科学中的应用
【核心定义】
OPTICS（Ordering Points To Identify the Clustering Structure，即点序识别聚类结构）是一种基于密度的聚类算法，由Ankerst等人于1999年提出。与DBSCAN相比，OPTICS无需预先指定全局密度阈值（如ε和MinPts），而是通过构建可达性图（reachability plot）对数据点进行排序，从而揭示数据中不同密度的层次聚类结构。这使得OPTICS特别适用于处理密度不均匀、噪声复杂的真实世界数据——包括神经科学中的高维生理信号和脑影像数据。
【关键技术点】
-
核心距离（core distance）
对于给定点p，若其MinPts近邻距离为d，则核心距离定义为d；若近邻数不足，则核心距离为无穷大。该参数定义了点的内在密度，为后续排序提供基础。 -
可达距离（reachability distance）
点p相对于核心点o的可达距离定义为max(core-distance(o), distance(o,p))。该度量使得低密度区域中的点不会过度干扰排序，从而保留聚类层次。 -
有序列表与可达性图
OPTICS通过优先扩展可达距离最小的点，生成所有点的全局有序序列。对应的可达性图直观展示“山谷”表示密集聚类，“山峰”表示稀疏间隙，无需预设聚类数量即可发现嵌套结构。 -
自动聚类提取
通过分析可达性图的局部极小值与梯度变化，或使用参数ε’（≤原ε）切割，可自动提取任意密度的聚类，避免DBSCAN对ε的敏感性。
【医学/神经科学应用场景】
基于颅内脑电（iEEG）的癫痫发作起源区自动识别
在首都医科大学神经病学团队的癫痫术前评估中，常需从长时间多通道iEEG记录中定位致痫灶。传统阈值方法难以处理发作期和间期信号密度的时空异质性（如发作起始段尖波密集、传播段波形稀疏）。
OPTICS可应用于iEEG的特征空间聚类：提取每个通道的时频特征（如功率谱、相位幅值耦合）并归一化后作为输入。算法自动产生可达性图，其中“深谷”对应高密度信号簇（如高频振荡节律），“高峰”对应背景活动。
通过识别可达性图中最陡峭的谷底区域，可锁定发作期高频活动最集中的通道组——这些通道的空间分布往往与手术切除的致痫区高度吻合。该方法不依赖人工标注密度阈值，特别适用于散发性高频振荡与背景噪声的区分，为精准定位癫痫病灶提供无偏的算法支撑。
