Bu yüzden sınıflandırma için HMM'leri eğittiğinizde standart yaklaşımın:
- Veri kümelerinizi her sınıf için veri kümelerine ayırın
- Sınıf başına bir HMM eğitin
- Test setinde, her pencerenin her pencereyi sınıflandırma olasılığını karşılaştırın
Ama HMM'yi her sınıfta nasıl eğitebilirim? Sadece bir sınıfa ait verileri birleştirir miyim? Ama zaman serisi verileri sıralı olması anlamına gelmiyor - ve eğer bunu yaparsam bazı veri noktalarının ardışık olmadıklarını söylüyorum?
Daha somut olabilmek için 96xT matrisi olan bazı EEG verilerim var, burada 96 farklı vektörden farklı frekansların güç spektral yoğunlukları ve T sinyalin süresi (bazı örnekleme hızında)
Bu, deney protokolünden bildiğim pencerelere bölünebilir (veriler etiketlenir) ve böylece her sınıf için 96 * t matris kümelerini bir araya getirebilirim. Burada t, T'den küçüktür ve her pencerenin boyutunu belirtir.
Daha sonra HMM'yi bu veriler hakkında nasıl eğitebilirim? Eğer pmtk3 araç takımını kullanmaya çalışıyorum yardımcı oluyor, ama gerçekten bir şey kullanmaya açıkım - güç spektral yoğunlukları sürekli değil ayrık olduğu için gerçek değerli gözlemlerle başa çıkabilmelidir (varsayılan MATLAB araç kutusu sadece ayrı gözlemlerle).
Amaç, EEG veri pencerelerini etiketli veriler üzerinde eğitim almış belirli bir zihinsel duruma göre sınıflandırabilmektir. Berlin BCI Yarışması verilerini kullanan bir beyin-bilgisayar arayüzü problemidir .