Parsing epileptic events using a Markov switching process model for correlated time series

B Details of posterior computation 3 B.1 Sampling individual channel variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 B.1.1 Channel active features, f (i) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 B.1.2 Channel state sequence, z (i) 1:T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 B.1.3 Channel transition parameters, η . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 B.2 Channel state dynamic parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 B.3 Event variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 B.3.1 Event state sequence, Z1:T . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 B.3.2 Event transition parameters, φ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 B.4 Event state covariance parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 B.4.1 Event state covariances, ∆l . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 B.5 Hyperparameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 B.5.1 Sticky HDP-HMM hyperparameters, γe, αe, κe, ρe . . . . . . . . . . . . . . . . . . . . 10 B.5.2 BP-AR-HMM hyperparameters, γc, κc . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 B.5.3 BP hyperparameter, αc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11