Python 隐马尔可夫模型如何生成概率

我有很多来自脉搏\心率测量的数据，因此数据在长整数列表中，我有8种状态（尽管数据范围可能远大于1到8，可能是50到140）。 我想要一个算法，可以采取的测量数据，并通过无监督的学习，给我的概率，从一个状态到另一个。 所以我不知道转移矩阵，也不知道如何在测量数据上分配不同的状态。 我只有8个状态，有心率测量的向量，我需要得到从一个状态到所有其他状态的概率。

---

我不知道如何使用HMM来做，或者它是一种做这件事的方法。

几乎任何时间序列数据都可以用HMM建模。应该使用众所周知的Baum-Welch算法从数据中估计转移矩阵。来自的简单教程应该给你一些提示

你听说过吗

这是一种基于逆协方差的聚类 多元时间序列数据。该算法可以帮助您使用心率测量（和许多其他数据），并使用无监督的方法来识别不同的状态。此算法非常好，因为您可以指定两个关键的调优参数：

集群的数量：数据中预期状态的数量。在本例中，您有8个观察到的状态。这将使算法的训练更加准确

beta

：切换惩罚。您可以控制算法从一种状态切换到另一种状态的难易程度。如果你对你的问题有很好的了解，这可能是直截了当的，或者，如果不是，你可能会尝试并犯错

我建议看一看

下面是一个简单的例子：

fname = "bar_shaul_data.txt"
ticc = TICC(window_size=1, number_of_clusters=8, lambda_parameter=11e-2, beta=600, maxIters=100, threshold=2e-5,
            write_out_file=False, prefix_string="output_folder/", num_proc=1)
(cluster_assignment, cluster_MRFs) = ticc.fit(input_file=fname)

print(cluster_assignment)
np.savetxt('Results.txt', cluster_assignment, fmt='%d', delimiter=',')

更多文档可在上获得

---

免责声明：我是图书馆的贡献者

你能说得更具体些吗？举个例子会很有帮助，所以你有8个已知状态（obversable？），而隐藏状态是50-140？或者是另一种方式？我发现的HMM算法（用于python）计算了获得特定序列的概率，但我需要的是计算当所有序列都给定时，从一种状态到另一种状态的概率。我有8种状态（不是可观察的-8种情绪），它们是隐藏状态和心率数据，我想说的是，数据（心率序列）中有8种隐藏状态，你可以通过知道人的心率来理解他有什么样的情绪。因此，我想知道，根据我收集的数据，从一个隐藏状态移动到另一个隐藏状态的问题是什么。这不完全正确，连续时间序列（例如心跳/时间单位是连续的）不容易用HMM建模（因为它们会导致无限的状态空间），你必须使用连续密度隐马尔可夫模型。同时，具有有限大状态空间的时间序列很快就难以计算（通常使用粒子滤波器等近似方法）。