Evaluation of HMM applicability for analysis of data streams

Abstract

Целью данной работы является изучение Скрытых Марковских Моделей (СММ) и оценка их применимости для анализа потоковых данных. Кроме СММ были исследованы такие нейронные сети, как автоэнкодеры, стековые автоэнкодеры, стековые шумоподавляющие автоэнкодеры и классификатор - логистическая регрессия. В экспериментах были использованы данные, представляющие собой высокочастотные данные (100Hz), записанные с помощью наручных регистраторов данных у 42 спящих пациентов вместе с показаниями полисомнографа. Для распознавания фаз сна были построены три модели: стековый шумоподаляющий автоэнкодер с логистической регрессией и двумя типами СММ в качестве классификатора. Результаты экспериментов показали, что все три модели делают предсказания не достаточно точно. В результате появляется идея о применении альтернативного подхода к обучению: соревновательного. Была проведена серия экспериментов для сравнения стандартного и соревновательного подходов к обучению нейронных сетей. Результаты экспериментов позволяют сделать следующий вывод: соревновательный метод обучения сетей значительно быстрее стандартного, однако менее точен по сравнению с ним.

The purpose of this work was to investigate Hidden Markov Models (HMM) and estimate theIr ability to analyse data streams. Except HMM, there were investigated also such neural networks as autoencoder, stacked autoencoder, stacked denoising autoencoder and classifier - logistical regression. In our experiments we used dataset from an open source wrist-worn data logger that contains relatively high-frequent (100Hz) 3D inertial data from 42 sleep lab patients, along with their data from clinical polysomnography. For sleep phases recognition were built three models: stacked denoising autoencoder with three classifiers (Logistical regression, two types of HMM). Results show that all three models don't give expected recognition accuracy. As a result, there is appear an idea for alternative way of studying networks: competitional. So there were experiments to compare standart and competitional way of studying networks. Results show that competitional way is much faster but not such accurate as standart way.