Как я могу обучить HMM для классификации?

Итак, я понимаю, что когда вы готовите HMM для классификации, стандартный подход:

1. Разделите ваши наборы данных на наборы данных для каждого класса
2. Тренируйте один HMM в классе
3. На тестовом наборе сравните вероятность каждой модели для классификации каждого окна

Но как мне тренировать HMM в каждом классе? Должен ли я просто объединить данные, относящиеся к одному классу вместе? Но разве данные временного ряда не должны быть последовательными - и если я сделаю это, то скажу, что некоторые точки данных являются последовательными, когда их нет?

Чтобы быть более конкретным, у меня есть некоторые данные ЭЭГ, которые представляют собой матрицу 96xT, где у меня есть 96 векторов признаков, которые представляют собой спектральные плотности мощности разных частот из разных каналов, а T - это длительность сигнала (при некоторой частоте дискретизации).

Это можно разделить на окна, которые я знаю из экспериментального протокола (данные помечены), и поэтому я могу собрать наборы из 96 * t матриц для каждого класса. Где t меньше T и обозначает размер каждого окна.

Как мне затем обучить HMM на этих данных? Если это помогает, я пытаюсь использовать инструментарий pmtk3, но я открыт для использования чего-то действительно - он просто должен иметь возможность иметь дело с реальными наблюдениями, поскольку спектральные плотности мощности непрерывны, а не дискретны (стандартный набор инструментов MATLAB может иметь дело только с с дискретными наблюдениями).

Цель состоит в том, чтобы иметь возможность классифицировать окна данных ЭЭГ для данного психического состояния, обучаясь на помеченных данных. Это проблема интерфейса мозг-компьютер с использованием данных Берлинского конкурса BCI .

$T$

Вы упомянули на Reddit, что вы не решались назначить одно состояние для каждого класса. Вы пробовали это? Это может работать не так плохо, как вы думаете. Задача оценки также значительно легче в этом случае. Оценить вероятности перехода легко, просто посчитайте по существу. Более того, вы можете просто подобрать вероятности выбросов для каждого состояния на основе данных наблюдений и соответствующего класса, игнорируя временные аспекты.

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

Наконец, вы можете переключиться на дискриминационную модель, такую ​​как условное случайное поле. Дискриминирующая модель позволит вам легко включать более сложные функции и более непосредственно решать проблему (оценку условных плотностей). Это, наверное, то, что я попробую в первую очередь.