Question

我有几个时间序列功能（ECG，HRV和呼吸）以及由这些时间序列制作的单独功能（例如SDNN，RMSSD，......）。

我遵循Francois Chollet的命名。对于3D时间序列输入张量，他们使用[样本，时间步长，特征]

时间序列每时间步长[15000x1]，[15000x1]，...]有15000个值（样本），而单独的特征每时间步长有1个值（样本）。长度为[1]的额外特征是不同的对于每个时间步。 [0.3]，[0.35]，[0.34]，...]。

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
Sequence 1 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

Sequence 2 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...]

您如何以最佳方式学习使用Keras的所有输入？

只需将零个功能从1填充到15000并将它们添加到时间序列
自己填充单独的功能（重复使用一个值）
当数据在0和1之间归一化时，使用超出该额外功能范围的值来填充。例如。 1000
只有时间序列作为3D张量输入，单独的特征作为附加输入（作为额外的图层）并将它们合并到学习者（多输入）

额外的问题。由于“虚假”的附加信息，零填充如何影响学习者？特别是对于1到15000部分的上述独立功能。另一个例子：由于不同的采样频率，HRV和呼吸信号比ECG短。在这里，我将使用插值而不是零填充。你是否同意，或者零填充不会影响学习者？

由于

Answer 1

假设1

由于含糊不清，我假设这个（如果不是，请发表评论，我会改变它）

我打电话给ECG，HRV等功能，每步不同
频率最高的功能有15000步，而其他功能步数较少
您有一个单独的功能，它不是顺序的，也没有步骤。（我在本回答中将其称为单独功能）

额外问题：

是的！插入不太频繁的特征并使输入张量如下：

(numberOfSequences_maybePatient, 15000 steps, features_ECG_HRV_etc)

您需要在发生时的功能之间保持相关性，这是通过同步步骤来实现的。

零填充是否会影响结果？

是的，除非你使用＆＃34; masking＆＃34; （掩蔽层）。但这只适用于处理不同长度的样本（不同序列或患者），而不是长度/采样率不同的特征。

示例，以下情况适用于零填充和屏蔽：

序列1：长度100（包括所有特征，ECG，HRV等）
序列2：长度200（包括所有特征，ECG，HRV等）

如何处理separate feature？

有许多可能的方法。最简单的一个，也许是非常有效的，是使它成为所有15000步的恒定序列。这种方法不需要考虑该特征如何与其余数据相关，并将任务留给模型

假设第一个序列的单独特征值为2，第二个序列的单独特征值为4，则生成此数据数组：

                          ECG, HRV, separate
--------------------------------------------------------
             |   [
sequence 1:  |      [
step 1       |            [ecg1, hrv1, 2],
step 2       |            [ecg2, hrv2, 2],
step 3       |            [ecg3, hrv3, 2]
             |      ]
             |
sequence 2:  |      [
step 1       |            [ecg4, hrv4, 4],
step 2       |            [ecg5, hrv5, 4],
step 3       |            [ecg6, hrv6, 4]
             |      ]
             |   ]

您还可以输入作为模型中的附加输入：

regularSequences = Input((15000,features))
separateFeature = Input((1,)) #assuming 1 value per sequence

然后你决定是否要把它加在某个地方，在某个地方加倍，等等。如果你知道这个特征的含义以及它与其他数据的关系，这种方法可能比另一个方法更有效。选择最佳操作和位置。

假设2

从更新后的答案中获取此说明：

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
Sequence 1 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

Sequence 2 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...]

然后：

ECG中的单个时间步长有15000个功能。（你确定这不是一个15000步的序列吗？）
HRV中的单个时间步有1000个功能。（你确定这不是一个1000步的序列吗？）
每个时间步都有其他几个单独的功能。

好吧，组织这些数据非常简单（但请注意我上面提到的问题），只需在每个时间步骤中将所有功能打包在一起：

输入数据的形状为：(sequences, steps, 16002)

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
              [
Sequence 1 |    [
    Step 1 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 2 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 3 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
                ]
Sequence 2 |    [
    Step 1 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 2 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 3 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
                ]

Keras的输入组合：时间序列和功能

1 个答案:

假设1

假设2