使用 Keras 询问有关 EEG 分类的建议答案

【问题标题】：Asking advice on EEG classification using Keras使用 Keras 询问有关 EEG 分类的建议
【发布时间】：2021-04-23 21:01:51
【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）：

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？

【问题讨论】：

您应该指定训练中使用的样本数量。

标签： python tensorflow machine-learning keras neuroscience

【解决方案1】：

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。

遗憾的是，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归一化并与您的训练集等价地塑造，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训练过程。

【讨论】：