따라서 분류를 위해 HMM을 훈련시킬 때 표준 접근법은 다음과 같습니다.
- 데이터 세트를 각 클래스의 데이터 세트로 분리하십시오.
- 수업 당 하나의 HMM 훈련
- 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.