基于Keras的变长信号LSTM多标签分类

Question

我最近开始从事心电信号分类的工作，在不同的班级。它基本上是多标签分类任务(总计4类)。我对深度学习，LSTM和Keras都很陌生，这就是为什么我在一些事情上感到困惑的原因。

1. 我正在考虑把归一化的原始信号作为网络的输入，这是一个好方法吗？
2. 由于心电信号的长度是可变的(从9000到18000个样本)，通常分类器需要固定的变量输入，所以我也需要了解训练输入的形状。在LSTM情况下，我如何处理这种类型的输入。
3. 最后，对于这种冗长的输入，应该使用什么结构的深层LSTM网络，以及我应该使用多少层。

耽误您时间，实在对不起。问候

Answer 1

我正在考虑把归一化的原始信号作为网络的输入，这是一个好方法吗？

是的，，这是一个很好的方法。实际上，对于深度学习算法来说，将您的输入标准化或重新标度是相当标准的。

这通常有助于您的模型更快地收敛，因为现在您处于较小的范围内(即：-1，1)，而不是从原始输入(例如0,1000)中获得更大的未规范化范围。它还帮助您获得更好、更精确的结果，因为它有助于解决诸如消失梯度之类的问题，以及更好地适应现代激活和优化器功能。

由于心电信号的长度是可变的(从9000到18000个样本)，通常分类器需要固定的变量输入，所以我也需要了解训练输入的形状。在LSTM情况下，我如何处理这种类型的输入。

这部分真的很重要。您是正确的，LSTM期望接收具有固定形状的输入，这是您事先知道的(实际上，任何深度学习层都需要固定的形状输入)。在关于递归层的角蛋白文档中也解释了这一点，他们说：

输入形状 具有形状的三维张量(batch_size，timesteps，input_dim)。

正如我们所看到的，它希望您的数据具有许多timesteps以及每个时间步骤上的维度(批处理大小通常为1)。为了举例说明，假设输入数据由如下的元素组成：[[1,4],[2,3],[3,2],[4,1]]。然后，使用batch_size为1，，数据的形状将是(1,4,2)。因为您有4个时间步骤，每个步骤都有两个特性。

因此，底线，，你必须确保你预处理你的数据，使它有一个固定的形状，然后你可以传递到你的LSTM层。，你将不得不自己找出，因为你比我们更了解你的数据和问题。

也许您可以修复从您的信号中获得的样本，丢弃一些，并保留其他信号，这样每个信号都具有相同的长度(如果您说您的信号在9k到18k之间，选择9000可能是合理的选择，丢弃来自其他信号的样本)。您甚至可以对您的数据进行一些其他的转换，您可以从9000到18000的输入映射到一个固定的大小。

最后，对于这种冗长的输入，应该使用什么结构的深层LSTM网络，以及我应该使用多少层。

这是一个非常广泛的，没有一个独特的答案。这将取决于问题的性质，而先验地确定这些参数并不是那么简单。

我建议您首先从一个简单的模型开始，然后递增地添加层和块(神经元)，直到您对结果感到满意为止。

首先尝试一个隐藏层，训练和测试您的模型并检查您的性能。然后，您可以添加更多的块，看看性能是否有所提高。您也可以添加更多的层，并检查相同的，直到您满意。

这是一种创建深度学习模型的好方法，因为您将在保持网络尽可能精简的同时达到您想要的结果，这反过来有助于您的执行时间和复杂性。祝你的编码好运，希望你能找到有用的东西。