Vì vậy, tôi hiểu rằng khi bạn đào tạo HMM để phân loại, phương pháp tiêu chuẩn là:
- Tách các tập dữ liệu của bạn thành các tập dữ liệu cho mỗi lớp
- Đào tạo một HMM mỗi lớp
- Trên bộ kiểm tra so sánh khả năng của từng mô hình để phân loại từng cửa sổ
Nhưng làm thế nào để tôi đào tạo HMM trên mỗi lớp? Tôi có chỉ ghép các dữ liệu liên quan đến một lớp với nhau không? Nhưng không phải dữ liệu chuỗi thời gian có nghĩa là tuần tự - và nếu tôi làm điều đó thì tôi đang nói rằng một số điểm dữ liệu là liên tiếp khi chúng không?
Để cụ thể hơn, tôi có một số dữ liệu điện não đồ là ma trận 96xT trong đó tôi có 96 vectơ đặc trưng là mật độ phổ công suất của các tần số khác nhau từ các kênh khác nhau và T là độ dài thời gian của tín hiệu (ở một số tốc độ lấy mẫu)
Điều này có thể được chia thành các cửa sổ mà tôi biết từ giao thức thử nghiệm (dữ liệu được dán nhãn) và vì vậy tôi có thể tập hợp các bộ ma trận 96 * t cho mỗi lớp. Trong đó t nhỏ hơn T và biểu thị kích thước của mỗi cửa sổ.
Làm thế nào để tôi sau đó đào tạo HMM về dữ liệu này? Nếu nó giúp tôi cố gắng sử dụng bộ công cụ pmtk3, nhưng tôi sẵn sàng sử dụng bất cứ thứ gì thực sự - nó chỉ có thể xử lý các quan sát có giá trị thực vì mật độ phổ công suất liên tục không rời rạc (hộp công cụ MATLAB mặc định chỉ có thể xử lý với những quan sát rời rạc).
Mục đích là để có thể phân loại các cửa sổ dữ liệu EEG theo trạng thái tinh thần nhất định đã được đào tạo dựa trên dữ liệu được dán nhãn. Đây là một vấn đề giao diện máy tính não sử dụng dữ liệu Cuộc thi BCI Berlin .