使用 Keras 询问有关 EEG 分类的建议

如何解决使用 Keras 询问有关 EEG 分类的建议

我有一个 EEG 数据集，形状如下：

(11,1158,200)

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）：

这个任务代表一个有类的任务。（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种形状：

(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，但我所有的结果都有些像这样：

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会随机预测一些东西。我的方法错了吗？如果是这样，我应该如何解决这个问题？

解决方法

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。您的特征空间为 200x11=2200，样本大小为 1158。如果样本大小 >5 * 特征大小，我倾向于考虑使用深度学习，但实际上认为 DL 开始以 10 倍左右的比率发光。如果收集更多数据不太现实，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，我可以评论您的数据形状在我看来是正确的，假设您将验证集标准化并塑造成与训练集等效的形状，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样本的 58/58。该值表示训练集中的样本数。这是你期待的吗？我预计样本数量是 EG 810/810 总集的 70%。如果您不确定我在问什么，请发布 y_train 和 y_valid 的大小。这可能有助于我自己和其他人验证培训过程。