在连续d上使用scikitlearn正交匹配追踪模块

Question

我想使用匹配追踪构造连续神经数据连续时间窗口的稀疏表示，并最终检测数据中发生的事件。我附上了一些我的data的快照，它显示了我的wavepacket检测器的输出（原始数据是蓝色的，40-100Hz的Hilbert包络是红色的，wavepacket是多种颜色的）。如你所见，它包含振荡爆发（我们称之为波包），我想找到稀疏表示。最后，我想用这些稀疏表示来制作一个波包检测器。我目前使用小波变换的能力来检测波包，我正试图看看匹配追踪是否会更精确，计算效率更高（我有一个相当高的误报率）。在

我的理解是，在scikit learn的OMP模块中，没有内置的字典（如Gabor、DCT、wpsym等），这是其他匹配追踪工具箱中常见的。相反，我们必须首先从示例数据和训练标签训练我们自己的词典。我觉得这很有吸引力，因为我们可以生成自己的词典，但我很难理解如何使用数据来完成这项工作。在

在documentation中提供的示例中，数据是用make_稀疏编码的信号生成的。这给了我们y，X，和w，从中我们可以训练一个模型。我的神经数据是一个连续的轨迹。我可以把它分成时间窗口（假设500个样本长），这样我就可以在每个500个样本长的窗口上分别运行OMP。但是我怎么才能拿到标签呢？如何根据数据构造y、X和w？在

Answer 1

我相信我知道我自己问题的答案。它的姿势很糟糕，因为你不能根据你的数据构造y，X和w。您试图通过将一组字典元素（X）乘以一组权重（w）来重建数据（y），使y=Xw。在

所以你必须从一个预先设计好的字典（X）开始，然后运行

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

得到系数w。在

我被误导到可以从这个函数中得到一个最优的稀疏字典，因为我阅读了文档中引用的paper，它确实提供了一个K-SVD算法来生成有效的稀疏字典，然后可以用于正交匹配追踪。在

如果有人不正确，请告诉我。在