분류를 위해 HMM을 교육하려면 어떻게해야합니까?

따라서 분류를 위해 HMM을 훈련시킬 때 표준 접근법은 다음과 같습니다.

1. 데이터 세트를 각 클래스의 데이터 세트로 분리하십시오.
2. 수업 당 하나의 HMM 훈련
3. 테스트 세트에서 각 모델의 가능성을 비교하여 각 창을 분류하십시오.

그러나 각 수업에서 HMM을 어떻게 훈련합니까? 한 클래스와 관련된 데이터를 함께 연결합니까? 그러나 시계열 데이터는 순차적이 아닙니다. 그렇게하면 일부 데이터 포인트가 연속적이지 않다고 말하는 것입니까?

좀 더 구체적으로 말하면 96xT 매트릭스 인 EEG 데이터가 있습니다. 여기서 다른 채널에서 다른 주파수의 전력 스펙트럼 밀도 인 96 개의 특징 벡터가 있으며 T는 신호의 시간 길이입니다 (일부 샘플링 속도에서)

이것은 실험 프로토콜 (데이터가 표시되어 있음)에서 알 수있는 창으로 나눌 수 있으므로 각 클래스에 대해 96 * t 행렬 집합을 모을 수 있습니다. 여기서 t는 T보다 작으며 각 창의 크기를 나타냅니다.

그런 다음이 데이터에 대해 HMM을 어떻게 훈련합니까? pmtk3 툴킷을 사용하는 데 도움이되지만 실제로는 아무것도 사용하지 않습니다. 파워 스펙트럼 밀도가 불 연속적이지 않고 연속적이므로 실제 관측 값을 처리 할 수 ​​있어야합니다 (기본 MATLAB 툴박스는 불연속 관찰).

목표는 EEG 데이터 창을 레이블이 지정된 데이터를 학습 한 주어진 정신 상태로 분류 할 수 있도록하는 것입니다. 베를린 BCI 경쟁 데이터를 사용하는 뇌-컴퓨터 인터페이스 문제 입니다.

$T$

레딧 에서 각 클래스에 단일 상태를 할당하는 것을 주저한다고 언급했습니다 . 이것을 시도 했습니까? 생각만큼 제대로 작동하지 않을 수 있습니다. 이 경우 추정 문제도 상당히 쉽습니다. 전환 확률을 추정하는 것은 쉽습니다. 기본적으로 계산하면됩니다. 또한 시간적 측면을 무시하고 관찰 된 데이터와 해당 클래스를 기반으로 각 주에 대한 배출 확률을 맞출 수 있습니다.

$K$$N$$N \times K$$s_{ki}$$k = 1, \ldots, K$$i=1,\ldots N$$t$$k$$t$

마지막으로 조건부 임의 필드와 같은 차별적 모델로 전환 할 수 있습니다. 차별적 모델을 사용하면보다 복잡한 기능을 쉽게 통합하고 현재 발생하는 문제를보다 직접적으로 해결할 수 있습니다 (조건부 밀도 추정). 이것은 아마도 내가 먼저 시도한 것입니다.