Machine learning 如何使用机器学习从一系列数据计算状态图？_Machine Learning_State Machine_Hidden Markov Models_Markov Chains_Supervised Learning

Machine learning 如何使用机器学习从一系列数据计算状态图？

machine-learning

Machine learning 如何使用机器学习从一系列数据计算状态图？,machine-learning,state-machine,hidden-markov-models,markov-chains,supervised-learning,Machine Learning,State Machine,Hidden Markov Models,Markov Chains,Supervised Learning,通用配方我有一个数据集，由一系列点组成，每个点有12个特征我对检测此数据中的事件感兴趣在训练数据中，我知道事件发生的时刻。当事件发生时，我可以在事件之前的点序列中看到一个可观察的模式。该图案由大约300个连续点构成我感兴趣的是检测事件何时以无限的点序列发生分析发生在事后。我对预测事件是否会发生不感兴趣具体例子你可以跳过这一节我正在打造一款可穿戴设备，需要在老人摔倒时进行检测。它将被戴在手腕上，就像手表一样，它有一个IMU（三轴加速计、三轴陀螺仪和磁强计）最相关的数据是Z轴上的

通用配方

我有一个数据集，由一系列点组成，每个点有12个特征

我对检测此数据中的事件感兴趣

在训练数据中，我知道事件发生的时刻。当事件发生时，我可以在事件之前的点序列中看到一个可观察的模式。该图案由大约300个连续点构成

我感兴趣的是检测事件何时以无限的点序列发生

分析发生在事后。我对预测事件是否会发生不感兴趣

具体例子

你可以跳过这一节

我正在打造一款可穿戴设备，需要在老人摔倒时进行检测。它将被戴在手腕上，就像手表一样，它有一个IMU（三轴加速计、三轴陀螺仪和磁强计）

最相关的数据是Z轴上的绝对加速度，但还有许多其他信息需要考虑，因为手的运动很复杂，可能会产生许多误报

基于绝对Z加速度的人类可观察模式由3种状态组成：

向地面的加速度

沿Z轴的冲击加速度

沉默-非常小的动作

这些状态可以通过监督学习进一步扩展，并应考虑可穿戴坐标系和绝对坐标系中的其他加速度以及表示为Euler和四元数的旋转向量

方法

我的想法是找到一种使用训练数据计算状态图的算法，在每个状态中都有一些基于12个特征的阈值。如果超过阈值，则状态将根据图表进行更改

你们觉得怎么样

马尔可夫模型？

如果我有兴趣在事件发生之前，根据300个模式的200个起始点，通过示例预测事件，那么马尔可夫模型就会起作用

但我有兴趣在模式结束后不久检测事件，无需预测

我不确定马尔可夫模型是否适用，是否适用，我不知道如何计算模型。

隐马尔可夫模型对于序列中的事件检测来说并不少见，特别是将特定事件的帧与序列中的“背景信号”分离

最基本的实现方法是连接2个HMM，一个专门用于“信号”建模，另一个专门用于背景建模，适当组合以允许像背景-->信号-->背景这样的转换

一个具体的例子是语音识别中的关键词识别（将“关键词”与背景信号分开）。本手册第11.2节中有简要说明。参考中的图11.1可能是您正在寻找的模型拓扑