在连续数据上使用scikit学习OrthogonalMatchingPursuit模块

Question

我想用匹配追踪来构造连续神经数据的连续时间窗口的稀疏表示，并最终检测数据中发生的事件。我附上了我的一些数据的快照，它显示了我的波包检测器的输出(原始数据是蓝色的，40-100 of希尔伯特包络是红色的，波纹管是多色的)。正如你所看到的，它包含振荡爆发(我们称之为波阵)，我想找出稀疏的表示。最后，我想使用这些稀疏表示来制作波包检测器。目前，我使用小波变换的力量来检测波包，并且我正在试图观察匹配追踪是否会更精确和计算效率更高(我有相当高的假阳性率)。

我的理解是，在scikit的OMP模块中，没有内置于字典中的内容(比如Gabor、DCT、wpsym等等)。在其他匹配的追踪工具箱中很常见。相反，我们必须首先根据示例数据和培训标签来训练我们自己的字典。我觉得这很有吸引力，因为我们可以生成我们自己的字典，但我很难理解如何用我的数据来做到这一点。

在文档提供的示例中，数据是用make_sparse_coded_signal生成的。这给了我们y，X，w，从这里我们可以训练一个模型。我的神经数据是一个连续的追踪。我可以把它划分为时间窗口(假设500个样本长)，这样我就可以在每个500个样本长窗口上单独运行OMP。但是我怎么拿到标签呢？如何根据我的数据构造y，X和w？

Answer 1

我相信我知道我自己问题的答案。它很糟糕，因为你不能用你的数据构造y，X，w。您试图通过将一组字典元素(X)乘以一组权重(w)，从而使y= Xw来重构数据(y)。

因此，您必须从预先设计的字典(X)开始，然后运行

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

去找那些人。

我误以为您可以从这个函数中获得一个最佳稀疏字典，因为我阅读了文档中引用的纸，它确实提供了一个misled算法，用于生成高效的稀疏字典，然后可以用于正交匹配搜索。

如果这里有什么不对的地方，请有人指正我。