基于心电信号的Keras Conv1D

Question

我试着对不同的心电信号进行分类。我正在使用Keras的Conv1D，但是没有得到任何好的结果。我曾尝试更改层数、窗口大小等，但每次运行此操作时，我都会得到同一个类的预测(类为0、1、2，因此我得到了类似于1,1,1,1,1,1,1,1,1,1,1,1,1,1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1，1)的预测输出，但每次运行脚本时，类都会更改)。心电信号在1000点数字阵中。

我在这里做错了什么明显的事情吗？我在想，用几个层次来分类成3种不同的心电信号会很好。

#arrange and randomize data
y1=[[0]]*len(lead1)
y2=[[1]]*len(lead2)
y3=[[2]]*len(lead3)
y=np.concatenate((y1,y2,y3))
data=np.concatenate((lead1,lead2,lead3))
data = keras.utils.normalize(data)
data=np.concatenate((data,y),axis=1)
data=np.random.permutation((data))
print(data)

#separate data and create categories
Xtrain=data[0:130,0:-1]
Xtrain=np.reshape(Xtrain,(len(Xtrain),1000,1))
Xpred=data[130:,0:-1]
Xpred=np.reshape(Xpred,(len(Xpred),1000,1))
Ytrain=data[0:130,-1]
Yt=to_categorical(Ytrain)
Ypred=data[130:,-1]
Yp=to_categorical(Ypred)

#create CNN model
model = Sequential()
model.add(Conv1D(20,20,activation='relu',input_shape=(1000,1)))
model.add(MaxPooling1D(3))
model.add(Conv1D(20,10,activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(20,10,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dense(3,activation='relu',use_bias=False))
model.compile(optimizer='adam', loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(Xtrain,Yt)

#test model
print(model.evaluate(Xpred,Yp))
print(model.predict_classes(Xpred,verbose=1))

Answer 1

我在这里做错了什么明显的事情吗？

事实上，您报告的输出并不令人惊讶，因为您目前正在为您的最后一层使用ReLU作为激活，这是没有任何意义的。

在多类设置(如您的设置)中，最后一层的激活必须是softmax，当然不是ReLU；将最后一层更改为：

model.add(Dense(3, activation='softmax'))

不太清楚为什么你要求use_bias=False，但你可以尝试和没有它和实验.