EEG verilerinde tekrarlayan (CNN) model

Tekrarlayan bir mimariyi bir EEG bağlamında nasıl yorumlayacağımı merak ediyorum. Özellikle bunu tekrarlayan bir CNN (LSTM gibi mimarilerin aksine) olarak düşünüyorum, ancak belki de diğer tekrarlayan ağ türleri için de geçerlidir.

R-CNN'leri okuduğumda, bunlar genellikle görüntü sınıflandırma bağlamlarında açıklanır. Genellikle "zaman içinde öğrenme" veya "zaman-1'in mevcut girdi üzerindeki etkisi de dahil" olarak tanımlanırlar

Bu yorum / açıklama EEG verileriyle çalışırken gerçekten kafa karıştırıcı oluyor. EEG verilerinde kullanılan bir R-CNN örneği burada bulunabilir

Her biri 1x512 dizisinden oluşan eğitim örneklerine sahip olduğumu düşünün. Bu dizi, ardışık 512 zaman noktasında 1 elektrot için bir voltaj okuması yakalar. Bunu Tekrarlayan bir CNN'ye girdi olarak kullanırsam (1D kıvrımları kullanarak), modelin tekrarlayan kısmı aslında "zamanı" yakalamaz, değil mi? (daha önce tartışılan açıklamaların / açıklamaların ima ettiği gibi) Çünkü bu bağlamda zaman dizinin ikinci boyutu tarafından zaten yakalanmıştır

Peki böyle bir kurulumla, ağın tekrarlayan kısmı, normal bir CNN'nin (zaman değilse) yapamayacağını modellememize ne sağlar?

Bana öyle geliyor ki, tekrarlayan sadece bir kıvrım yapmak, sonucu orijinal girdiye eklemek ve tekrar kıvrılmak demektir. Bu, x yinelenen adım sayısı için tekrarlanır. Bu süreç aslında ne avantaj sağlıyor?

Bir ağın tekrar eden kısmı, genel olarak, uzun ve kısa vadeli bağımlılıkları modellemenizi sağlar. Böylece modelinizin bir durum hissi olabilir.

Zaman çizelgeleri kullanıyorsanız bu genellikle avantajlıdır. Örneğin, bir kalp atış hızı monitörünüzden verileriniz varsa ve dinlenme, stres ve iyileşme arasında sınıflandırmak istiyorsanız. Veri noktanız kalp atış hızınızın 130 olduğunu söylüyorsa, yüksek yüklerden veya başka bir şeyden kurtulmanıza bağlı olarak değişir.

Edit: İkinci sorunuzu unuttum.

Bana öyle geliyor ki, tekrarlayan sadece bir kıvrım yapmak, sonucu orijinal girdiye eklemek ve tekrar kıvrılmak demektir. Bu, x yinelenen adım sayısı için tekrarlanır. Bu süreç aslında ne avantaj sağlıyor?

Birkaç olası yanıtı düşünebilirim. Tekrarlayan parçayı kıvrım yaparak filtreliyorsunuz. Böylece daha temiz bir sinyal alırsınız ve hatalar çok fazla birikmez. Vanilla rnn, yok olan gradyanları patlatmaktan muzdariptir, bu yüzden bu onun üstesinden gelmek için yaklaşımı olabilir. Ayrıca, özelliklerinizi rcnn içine gömüyorsunuz, bu da belirttiği gibi, sömürülmek için daha fazla yola yol açabilir. Bu da aşırı takmaya daha az yatkın, böylece daha genelleştirilebilir.

• 1x512 giriş dizisi şu anlama gelir: tekrarlayan şebeke elektrot voltajını 512 kez işler, başka bir deyişle işlemek için tek bir özelliğiniz vardır.
• Bir özelliği olan CNN işe yaramaz.

CNN'lerin özellik dedektörleri olduğunu unutmayın. Bir kıvrımlı katmanın çıktısı, belirli bir özelliğin tespit edildiği yeri gösteren bir matristir.

Bu nedenle, tekrarlayan CNN'ler, eğitim sırasında bu özelliklerin de öğrenildiği özellik dizilerini öğrenen tekrarlayan sinir ağlarıdır.