我正在尝试提取在某个事件发生时始终出现的常见模式。
例如，患者A，B和C均有心脏病发作。利用脉搏读数，我想找到心脏病发作前的常见模式。
在下一阶段，我想使用多个维度来完成此操作。例如，使用患者脉搏，温度和血压的读数，考虑到每个维度之间的时间和顺序，三维中出现的常见模式是什么。
使用神经网络解决此问题的最佳方法是什么？哪种类型的网络最好？ （只需要指向正确的方向）
感谢所有人阅读
答案 0 :(得分：3)
描述的问题看起来像时间序列预测问题。这意味着由某些现有过程生成的连续或离散现象的基本预测问题。作为此问题的原始数据，我们将有一系列样本 x（t），x（t + 1），x（t + 2），... ，其中x（）表示考虑过程的输出，t表示某个任意时间点。
对于人工神经网络解决方案，我们将考虑时间序列预测，我们将组织我们的原始数据到新的序列。如您所知，我们将X视为将在ANN学习中使用的输入向量矩阵。对于时间序列预测，我们将构建一个关于以下模式的新集合。
在最基本的形式中，输入向量x将是一系列样本（x（tk），x（t-k + 1），...，x（t-1），x（t））在某个任意时间点t，从时间点tk，t-k + 1，...，t-1附加到它的前任样本。您应该为每个可能的时间点t生成每个示例。
但关键是预处理数据，以便我们获得最佳预测结果。
假设您的数据（现象）是连续的，您应该考虑应用一些采样技术。你可以从一个实验开始一些天真的采样周期Δt，但有更强的方法。参见例如Nyquist–Shannon Sampling Theorem，其中关键思想是允许从离散的x（Δt）样本中恢复连续的x（t）。当我们考虑到我们可能期望人工神经网络这样做时，这是合理的。
假设您的数据是离散的......您仍然需要尝试采样，因为这会加快您的计算速度，并可能提供更好的泛化。但关键建议是：做实验！因为最好的架构取决于数据，还需要正确预处理它们。
接下来是网络输出层。从您的问题来看，这似乎是二进制类预测。但也许更广泛的预测向量值得考虑？如何预测所考虑样本的未来，即x（t + 1），x（t + 2），并尝试不同的视野（未来的长度） ？
进一步阅读：