HMM là mô hình thống kê thích hợp để mô hình hóa dữ liệu tuần tự. Về hình thức, các HMM được định nghĩa là một quá trình ngẫu nhiên lồng với một quá trình cơ bản mà không thể quan sát được, nhưng chỉ có thể được quan sát thấy thông qua một tập hợp các quy trình ngẫu nhiên tạo ra chuỗi các quan sát đó. Có nghĩa là các trạng thái cơ bản của quá trình tạo dữ liệu được ẩn, và chúng có thể được suy ra thông qua quan sát.
Hình 1.17. Tham số xác suất của một mô hình Markov ẩn
Trong hình 1.17, là các trạng thái ẩn và là các quan sát.
33
Một HMM thông thường có thể được định nghĩa với A là ma trận xác suất chuyển trạng thái, B là ma trận xác suất quan sát và là ma trận khởi đầu của các trạng thái. Dựa trên 3 ma trận này, các giai đoạn huấn luyện và phân lớp được tiến hành. Ở giai đoạn huấn luyện, mỗi một lớp được xây dựng và huấn luyện với số lượng trạng thái được chỉ định, các xác suất chuyển trạng thái và xác suất quan sát tương ứng được tối ưu sao cho xác suất xuất hiện các chuỗi quan sát giống với vector đặc trưng mẫu ở mức cao nhất. Giai đoạn phân lớp sẽ tính toán xác suất mỗi HMM có thể tạo ra một chuỗi quan sát tương ứng với vector đặc trưng đầu vào, và kết quả phân lớp được đưa ra dựa trên HMM cho giá trị xác suất cao nhất. HMM đã được sử dụng thành công trong nhiều ứng dụng bao gồm cả nhận dạng giọng nói, phát hiện gen, và nhận dạng cử chỉ…
Ở nghiên cứu [17] dùng mô hình HMM liên tục để phân loại năm hoạt động gồm đứng yên, đi bộ, chạy, đi lên cầu thang, đi xuống cầu thang của người đi bộ dựa trên các đơn vị đo lường quán tính gắn trên ngực đối tượng. Với mỗi hoạt động, hệ thống sử dụng một mô hình HMM con để huấn luyện, kiểm thử và tích hợp năm mô hình lại để tạo ra lớp HMM cao hơn.
34
Tuy kết quả phân loại chính xác khoảng 95% dữ liệu kiểm thử nhưng điểm hạn chế của nghiên cứu này là các đối tượng phải mang thêm máy tính xách tay kết nối với máy đo lường quán tính gắn trên ngực khi di chuyển, do đó có thể ảnh hưởng đến chuyển động bình thường của họ.