Question

我想使用Keras中的有状态LSTM开发用于二进制分类的时间序列方法

这是我的数据的外观。 N我有很多录音。每个记录包含22个时间序列，长度为M_i(i=1,...N)。我想在Keras中使用有状态模型，但是我不知道如何重塑数据，尤其是关于如何定义batch_size的问题。

这是我进行stateless LSTM的方法。我为所有录音创建了长度为look_back的序列，这样我得到了大小为(N*(M_i-look_back), look_back, 22=n_features)

的数据

这是我用于此目的的功能：

def create_dataset(feat,targ, look_back=1):
    dataX, dataY = [], []
#     print (len(targ)-look_back-1)
    for i in range(len(targ)-look_back):
        a = feat[i:(i+look_back), :]
        dataX.append(a)
        dataY.append(targ[i + look_back-1])
    return np.array(dataX), np.array(dataY)

其中feat是大小为(n_samples, n_features)的二维数据数组（对于每个记录），targ是目标向量。

因此，我的问题是，根据上述数据，如何为有状态模型重塑数据并考虑批处理概念？有预防措施吗？

我想要做的是能够将每个记录的每个时间步分为癫痫发作/非癫痫发作。

编辑：我想到的另一个问题是：我的录音包含不同长度的序列。我的状态模型可以学习每个记录的长期依赖关系，因此这意味着batch_size在一个记录与另一个记录之间是不同的...如何处理？在完全不同的序列（test_set）上进行测试时，会不会引起泛化麻烦？

谢谢

Answer 1

我认为您不需要出于目的的有状态层。

如果您想长期学习，请不要创建这些滑动窗口。数据的形状为：

(number_of_independent_sequences, length_or_steps_of_a_sequence, variables_or_features_per_step)

我不确定您的问题中的措词是否正确。如果“录音”就像是“电影”或“歌曲”，“语音剪辑”或类似的东西，则：

序列数=记录数

按照“录制”的想法，时间步长是音频文件中的“视频中的帧”或“采样”（时间x 1个通道的sample_rate）。（请注意，喀拉拉语中的“样本”是“序列/记录”，而音频处理中的“样本”是喀拉斯语中的“步骤”）。

time_steps =帧数或音频样本

最后，特征/变量的数量。在电影中，就好像是RGB通道（3个功能），音频一样，还是通道数（2个立体声）。在其他类型的数据中，它们可能是温度，压力等。

功能=每个步骤中测得的变量数量

具有这种形状的数据将对有状态的= True和False都适用。

这两种训练方法是等效的：

#with stateful=False
model.fit(X, Y, batch_size=batch_size)

#with stateful=True
for start in range(0, len(X), batch_size):
    model.train_on_batch(X[start:start+batch_size], Y[start:start+batch_size])
    model.reset_states()

仅在更新优化器的方式上可能会有更改。

对于您来说，如果您可以创建上述形状的输入数据，并且不打算递归地预测未来，那么我认为没有理由使用stateful=True。

对每个步骤进行分类

要对每个步骤进行分类，您无需创建滑动窗口，也不必使用stateful=True。

循环图层可以通过设置return_sequences=True来输出所有时间步长。

如果您使用形状为(batch, steps, features)的输入，则将需要形状为(batch, steps, 1)的目标，即每步一个类。

简而言之，您需要：

带return_sequences=True的LSTM层
X_train，形状为(files, total_eeg_length, 22)
Y_train，形状为(files, total_eeg_length, 1)

提示：由于LSTM从未很好地对开始进行分类，因此您可以尝试使用Bidirectional(LSTM(....))层。

长度不同的输入

要使用不同长度的输入，您需要设置input_shape=(None, features)。考虑我们在聊天室features = 22中的讨论。

然后，您可以：

分别加载每个EEG：
- X_train为(1, eeg_length, 22)
- Y_train为(1, eeg_length, 1)
- 分别用model.train_on_batch(array, targets)训练每个EEG。
- 您将需要手动管理纪元，并将test_on_batch用于验证数据。
用零或另一个虚拟值填充较短的EEG，直到它们全部达到max_eeg_length并使用：
- 模型开始处的Masking层，以丢弃具有虚拟值的步骤。
- X_train为(eegs, max_eeg_length, 22)
- Y_train为(eegs, max_eeg_length, 1)
- 您可以使用常规的model.fit(X_train, Y_train,...)

如何为Keras中的有状态LSTM准备数据？

1 个答案:

对每个步骤进行分类

长度不同的输入