可变长度数据训练——EEG数据分类答案

【问题标题】：Training on variable length data - EEG data classification可变长度数据训练——EEG数据分类
【发布时间】：2019-02-26 12:27:11
【问题描述】：

我是一名学生，正在从事一个涉及使用 EEG 数据进行测谎的项目。我将使用来自 2 个通道的原始 EEG 数据，并在受试者回答问题期间记录 EEG 数据。因此，数据将是存储在 csv 文件中的 2 倍可变长度数组，该文件保存来自两个传感器中的每一个的传感器读数。例如，它看起来像这样：

Time (ms) | Sensor 1 | Sensor 2|
--------------------------------
10        | 100.2    | -324.5  |
20        | 123.5    | -125.8  |
30        | 265.6    | -274.9  |
40        | 121.6    | -234.3  |
             ....
2750      | 100.2    | -746.2  |

我想根据这些数据来预测受试者是在说谎还是在说真话（因此，二元分类。）我计划简单地将其视为结构化数据并在此基础上进行训练。然而，再想一想，由于以下几个原因，这根本行不通：

数据的组织顺序很重要，因为它是连续时间数据。
数据的长度是可变的，同样，它是时间数据和主体说谎/说真话所需的时间不一致。
我不知道如何处理多个数据通道。

我将如何为此类数据设置训练模型？我认为这是一个“时间序列分类”问题，但我不确定。任何形式的帮助将不胜感激。提前谢谢！

【问题讨论】：

你的意思是你没有一个按钮来告诉机器你刚刚问了一个问题？你打算让你那台可怜的机器自己决定对方是在听还是在回答。

标签： machine-learning neural-network deep-learning time-series pytorch

【解决方案1】：

在做了更多研究后，我决定使用 LSTM network 和在 TensorFlow 之上运行的 Keras 框架。 LSTM 处理时间序列数据，Keras 层允许将多个特征时间序列数据输入网络，所以如果有人遇到与我类似的问题，那么 LSTM 或 RNN 是可行的方法。

【讨论】：

我听说 LSTM RNN 要运行良好可能非常挑剔，尤其是对于时间序列预测。您的解决方案最终效果如何？你有可以分享的代码仓库吗？