如何在 Keras 中为维度 (2505,10) 的数据设计 CNN？

Question

我正在设计一个用于分类静息态 EEG 信号的神经网络。我已经对我的数据进行了预处理，这样每个主题的特征都是由一个包含 111 个通道的表格及其超过 2505 个时间步长的读数组成。作为降维的衡量标准，我将 111 个通道聚集到大脑的 10 个叶中，有效地将每个受试者的维度降低到 (2505,10)。由于这些数据是 2D 的，我认为它类似于用于灰度图像的 CNN。

我已将每个受试者的 EEG 数据编译成一个大小为（253、2505、10）的数据框，其中 253 是受试者的数量。相应的地面实况值存储在大小为 (253,1) 的列表中，其索引与数据帧中的索引匹配。我想建立一个分类器来判断受试者是多动症阳性还是阴性。我一直在设计神经网络，尤其是在将主题传递到第一层时面临维度问题。

#where        X=[df0, df1, df2,......, df252]    &    y=[0,1,0,........,1]

# Model configuration
batch_size = 100
no_epochs = 30
learning_rate = 0.001
no_classes = 2
validation_split = 0.2
verbosity = 1

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', padding='same'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same'))

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
# Fit data to model
i=0 #validation_data=(X_test, y_test),
X_train = np.array(X_train)
y_train = np.array(y_train)
print("X_train:\t")
print(X_train.shape)
print("y_train:\t")
print(y_train.shape)

history = model.fit(X_train,y_train, 
              batch_size=batch_size,
              epochs=no_epochs,
              verbose=verbosity)

ValueError：layersequential_12 的输入 0 与 layer 不兼容：：预期 min_ndim=4，发现 ndim=3。收到的完整形状：（无，2505，10）。

任何帮助将不胜感激。

Answer 1

要对您的训练数据进行 Conv2D 建模，从图像处理的角度来看，需要具有 4 维（N_observatoion、nrows、ncolumns、nchannels）。因此，您必须根据您的领域知识相应地重塑您的功能以使其有意义：

X_train = np.array(X_train).reshape(253, 2505, 10, 1) or # np.array(X_train).reshape(253, 2505, 1, 10) 
# Then models can be defined as following:
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape = X_train.shape[1:], padding='same'))

我没有任何使用 Signal 数据的经验，但我想分享的是，如果您的通道列在图像像素中没有任何空间意义，那么考虑 2D Conv 网络是没有意义的。例如，如果在 111 个通道中将通道 X 的数据放入第 1 列或将通道 Y 的数据放入第 1 列，则在图像像素的情况下没有任何有意义的差异，那么您的 conv2D 滑块不会获得任何重要信息。相反，您可以考虑使用 conv1D 或 LSTM 网络。对于 conv 1D 网络，您不需要 4 维 X 并且您当前的 3 维 X 是可以的。你可以试试：

model = models.Sequential()
model.add(layers.Conv1D(32, 3, activation='relu', input_shape = X_train.shape[1:], padding='same'))