我最近开始研究各种类别的心电图信号分类。它基本上是多标签分类任务（共 4 类）。我是深度学习、LSTM 和 Keras 的新手，所以我对一些事情感到困惑。
我正在考虑将归一化的原始信号作为网络的输入，这是一个好方法吗？
我还需要了解 LSTM 的训练输入形状，因为 ECG 信号具有可变长度（9000 到 18000 个样本），并且通常分类器需要固定的可变输入。如果是 LSTM，我该如何处理这种类型的输入。
最后，对于如此长的输入，深度 LSTM 网络的结构应该是什么，我应该使用多少层。
感谢您的宝贵时间。 问候
【问题讨论】：
标签： python keras signal-processing lstm multilabel-classification
我正在考虑将标准化的原始信号作为输入到网络，是这种良好的方法吗？
是这是一个很好的方法。深度学习算法实际上是非常标准的，使其输入的输入归一化或重新定义。
这通常可以帮助您的模型更快，因为现在您在较小的范围内（即：[-1,1]）而不是来自原始输入的更大的未归一成分范围（例如[0,1000]）。它还可以帮助您获得更好的，更精确的结果，因为它有助于解决像消失的梯度等问题，也可以适应现代激活和优化器功能。
我还需要了解LSTM的训练输入形状，因为ECG信号是可变长度（9000到18000个样本），并且通常对Classifier需要固定变量输入。如何处理LSTM的这种输入类型。
这个部分非常重要。您是正确的， LSTM希望接收具有固定形状的输入，您预先知道（实际上，任何深度学习层都期望固定的形状输入）。这也在@ 987654321上解释在他们说的经常性层上：
输入形状
3d带 shape（batch_size，timesteps，input_dim）。
正如我们所看到的，它希望您的数据有多个timesteps以及每个时间步（批量大小通常为1）的维度。为了举例说明，假设您的输入数据包含以下元素：[[1,4],[2,3],[3,2],[4,1]]。然后，使用1的batch_size 数据的形状是（1,4,2）。正如您所拥有的4个时间，每个时间都有2个功能。
所以底线，你必须确保你预先处理你的数据，所以它有一个固定的形状，然后可以传递给您的LSTM层。这个你必须要找出你自己，你知道你的数据和问题比我们更好。
也许您可以修复您从信号中获得的样本，丢弃一些并保持别人，因此每个信号都具有相同的长度（如果您说出您的信号在9k和18k选择9000之间，则可能是逻辑选择，从而丢弃样品你得到的其他人）。您甚至可以以一种从9000-18000的输入映射到固定大小的方式对您的数据进行其他转换。
最后应该是深层LSTM网络的结构，用于这种冗长的输入以及我应该使用多少层。
这个真的很广泛，没有一个独特的答案。这取决于您的问题的性质，并确定这些参数先验 em>并不是那么简单。
我建议你做的是以简单的模型开始，然后逐步添加图层和块（神经元），直到您对结果感到满意。
首先尝试一个隐藏的图层，培训和测试您的模型并检查您的性能。然后，您可以添加更多块，看看您的性能是否有所改善。您还可以添加更多的图层并在满意之前检查相同。
这是创建深度学习模型的好方法，因为您将在将网络保持尽可能瘦的同时到达您想要的结果，从而有助于您的执行时间和复杂性。祝你的编码好运，希望你找到这个有用的。
【讨论】：
4，因为数据集的单个元素包括四个连续信号的离散样本（巧合地有2个特征），每一个具有不同的电压（或无论单位）观点。像4“框架”或信号的特定时刻一样。 span>