多任务学习的情感识别

Question

Introduction

我是数据科学的初学者，目前正在从事一个学习项目，该项目旨在从生物医学传感器数据集中识别情感。

该数据集由来自20个主题的8个传感器数据组成，这里我附上了数据集中很小一部分的屏幕截图，以便让您更好地了解它：

因此，正如您所看到的，Dataset是关于：

• 多个主题，每个主题有11列数据。
• 列1-8是原始传感器数据(EEG，EOG，GSR，皮肤温度，IR响应，.)在250赫兹。
• 第9-11列是相应的标签.

我想做什么？

我想用一个多任务学习来生成三个情绪层次的输出--唤醒、支配和价值。

我做了很多研究，但不幸的是，我没有找到任何明确的指导，我应该做什么。我发现了一些与VAD模型相关的东西，但不确定如何为这个数据集实现它。

因此，如果有人能给我一个指导方针或路径(我应该做的主要步骤)来做它，我可以搜索它，并且尝试一步一步地解决它。

Answer 1

我想你的问题是..。“如何做多任务学习？”

例如，应该采用神经网络方法:上面的图表的一个简单示例是将列1-8传递到“共享层”。

任务特定层将与您的三个目标相关联，即。任务1-唤醒，任务2-支配&，任务3-价值。

请看一看这篇关于多任务学习及其各种类型的评论文章。这是一篇更容易访问的文章，其中包含一些代码示例这里。

增编

编辑:处理OP关于如何实现上述内容的问题。我不确定您计划使用哪些工具，我主要熟悉Python。以下是在深度学习框架下实施多任务学习的指南或建议：

1. 安装Python，并获取角化和TensorFlow库以及其他数据科学库(即。熊猫)
2. 尝试先实现一个较小的系统，或者一个玩具模型(请参阅这里的示例代码 --只需确保您可以先运行一个简单的图形)
3. 尝试一个更复杂的图形模型
4. 修改上述文章中的最后代码，使其具有三个丢失函数(即。价格、觉醒和支配地位各一项)
5. 为模型使用数据的子集--确保它运行。您希望您的输入功能为1-8列，而您的三个目标或结果是价态、唤醒和抑郁。
6. 一旦模型和代码运行良好，就对您的数据进行一次列车测试分割( 80:20分离，即。20%的数据保留为看不见的数据)。为此，您可以使用sklearn 试验列车分叉。
7. 对试验数据进行训练模型。
8. 通过对测试数据进行预测来检查您的模型，看看有多不同(您可以使用绝对误差或均方误差等度量标准)来度量这一点。
9. 为了进一步改进你的模型，调整你的超参数--即。改变最优或学习率。

这是一个非常广泛的概述，抱歉，我不能详细说明，因为这是一个很大的话题。如果你不理解上面的任何一个术语，你可以快速搜索它们，你应该在你的路上。