时间戳

首页 > 解决方案 > 使用 Keras 询问有关 EEG 分类的建议

python - 使用 Keras 询问有关 EEG 分类的建议

问题描述

我有一个关于脑电图的数据集，形状如下：

(11,1158, 200)

在哪里

11 is the number of EEG channel
1158 is the number of each task
200 is the time interval of each task

例如，如果你绘制一个任务，你会得到（注意数据是标准化的）：

在此处输入图像描述

此任务表示具有类的任务。（例如看到第 2 类的图片，我的数据集中的类总数为 5）。

现在我将我的数组转换为这个形状：

(1158, 200, 11)

这样模型就可以区分每个任务。这是我使用的模型：

opt = keras.optimizers.Adam(learning_rate=1e-4)

model = Sequential()
model.add(Conv1D(filters=128, kernel_size=64, activation='relu', input_shape=(200, 11)))
model.add(Conv1D(filters=64, kernel_size=8, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(5, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(x_train, y_train, validation_data=(x_valid,y_valid), epochs=50, batch_size=16)

我尝试了许多不同的超参数，但我的所有结果都有点像这样：

Epoch 50/50
58/58 [==============================] - 0s 5ms/step - loss: 0.1281 - accuracy: 0.9946 - val_loss: 2.7850 - val_accuracy: 0.1897

训练准确率很高，但验证准确率在 20% 到 25% 之间（100/5 = 20，其中 5 是类数）；这基本上意味着模型预测的东西是随机的。我的方法错了吗？如果是这样，我应该如何解决这个问题？

标签： pythontensorflowmachine-learningkerasneuroscience

解决方案

由于您的数据本质上是一个时间序列分类问题，我的直觉是从基于 LSTM 的东西开始。

可悲的是，我的第二个见解与数据大小有关。你的特征空间是 200x11=2200，样本大小是 1158。如果样本大小 > 5 * 特征大小，我倾向于使用深度学习，但我真的认为 DL 开始发光大约 10 倍。如果收集更多数据的可能性不大，那么您将需要寻找其他解决方案来解决高方差问题（模型对于可用数据级别而言过于复杂）。

第三，我可以评论说，假设您对验证集进行了与您的训练集等效的标准化和塑造，那么您的数据形状对我来说是正确的，那么这可能不是问题。

编辑：我刚刚注意到训练的最后一个时期显示训练的样本为 58/58。该值表示训练集中的样本数。这是你所期待的吗？我预计样本数量将是您的总集 EG 810/810 的 70%。如果您不确定我在问什么，请发布 y_train 和 y_valid 的大小。这可以帮助我自己和其他人验证培训过程。

推荐阅读