Как использовать машинное обучение для вычисления графика состояний из последовательности данных?

Question

Родовой препарат

У меня есть набор данных, состоящий из последовательности точек с 12 функций в каждом.

Я заинтересован в обнаружении события в этих данных.

В данных обучения я знаю моменты, когда произошло событие. Когда событие происходит, я вижу наблюдаемый паттерн в последовательности точек перед событием. Образец формируется из примерно 300 последовательных точек.

Меня интересует обнаружение события, произошедшего в бесконечной последовательности точек.

Анализ происходит после факта. Мне не интересно предсказать, произойдет ли событие.

Конкретный пример

Вы можете пропустить этот раздел

Я строю носимых, который должен определить, когда старый человек упал. Он будет сложен на запястье, как часы, и имеет IMU (3-осный акселерометр, 3-осный гироскоп и магнитометр)

Наиболее релевантными являются абсолютное ускорение по оси Z, но есть много другой информации, факторизуется, потому что движения рук сложны и могут генерировать много ложных срабатываний.

Наблюдаемая картина людей на основе абсолютного Z ускорении состоит из 3-х состояний:

1. ускорения к земле
2. ускорение удара вверх по оси Z
3. молчания - очень маленькие движения

Эти государства могут быть расширены дополнительно контролируемым обучением и должны учитывать другие ускорения в пригодной для носки системе координат и в абсолютном e система координат и векторы вращения, выраженные как Эйлер и кватернионы.

подход

Моя идея состояла в том, чтобы найти алгоритм, который использует обучающие данные для расчета графика состояний, где в каждом государстве существуют некоторые пороговые значения, основанные на 12 признаков. Если пороги пройдены, состояние изменяется в соответствии с графиком.

Что вы, ребята, думаете?

Марковские модели?

Модель Маркова работала бы, если бы мне было интересно спрогнозировать событие до его возникновения на основании примера на стартовом 200 точках из шаблона 300.

Но я заинтересован в том, чтобы обнаружить событие вскоре после того, как шаблон закончился, не нужно прогнозировать.

Я не уверен, применяются ли марковские модели, и если я не знаю, как рассчитать модель.

Answer 1

Скрытые марковские модели не являются необычными для обнаружения событий в последовательностях, особенно отделяя кадры определенного события от «фонового сигнала» в последовательности.

Самая основная реализация этой цели является конкатенации 2 ПММ, одного специализированного при моделировании «сигнал», другой при моделировании фона, соответствующим образом в сочетании, чтобы позволить переходы, такие как фон -> сигнал -> фон.

Конкретный пример - ключевое слово spotting в распознавании речи (отдельно «ключевое слово» из фонового сигнала). Краткое пояснение содержится в Разделе 11.2 от Grangier et al., "Discriminative keyword spotting". Рисунок 11.1 в этой ссылке может быть топологией модели, которую вы ищете.

Другие альтернативы: бинарная классификация с раздвижным окном. Это обсуждается, например, в T. Dietterich, "Machine Learning for Sequential Data: A review" (среди других альтернатив).