在連續數據上使用scikit-learn OrthogonalMatchingPursuit模塊

Question

我想用匹配追蹤來構建連續神經數據的連續時間窗的稀疏表示，並最終檢測數據中發生的事件。我附上了我的一些data的快照，其中顯示了我的波包檢測器（原始數據是藍色的，40-100赫茲希爾伯特包絡線是紅色的，波包是多色的）的輸出。正如你所看到的，它包含了振盪突發（我們稱之爲wavepackets），我想找到稀疏表示。最終，我想用這些稀疏表示來製作波包檢測器。我目前使用小波變換的功能來檢測wavepackets，我試圖看看匹配追蹤是否會更加準確和計算效率更高（我的假陽性率相當高）。

我的理解是，在用於scikit-learn的OMP模塊中，沒有像其他匹配追蹤工具箱中常見的字典（如Gabor，DCT，wpsym等）。相反，我們必須首先從示例數據和培訓標籤中培訓我們自己的字典。我覺得這很有吸引力，因爲我們可以生成我們自己的字典，但是我很難看到我的數據如何實現。

在documentation提供的示例中，使用make_sparse_coded_signal生成數據。這給了我們y，X和w，從中我們可以訓練一個模型。我的神經數據是一個連續的蹤跡。我可以將它分成時間窗口（假設長度爲500個樣本），這樣我就可以在每個500個樣本長窗口上單獨運行OMP。但是，我如何獲得標籤？我如何從我的數據中構建y，X和w？

Answer 1

我相信我知道我自己問題的答案。這是很糟糕的，因爲你不能從你的數據中構造y，X和w。您嘗試通過將一組字典元素（X）乘以一組權重（w）來重構您的數據（y），使得y = Xw。

所以，你必須開始一個預先設計的字典（X），然後運行

omp = OrthogonalMatchingPursuit(n_nonzero_coefs=n_nonzero_coefs) 
omp.fit(X, y) 

得到coeffs（W）。

我誤以爲你可以從這個函數中得到一個最佳的稀疏字典，因爲我讀了文檔中引用的paper，它確實提供了一個K-SVD算法來生成高效的稀疏字典，然後可以用它來正交匹配追蹤。

如果這裏有什麼不正確的地方，請有人糾正我。