Liệu nó có ý nghĩa để đào tạo một CNN như một bộ mã hóa tự động?

Tôi làm việc với việc phân tích dữ liệu điện não đồ, cuối cùng sẽ cần được phân loại. Tuy nhiên, việc có được các nhãn cho các bản ghi âm hơi tốn kém, điều này khiến tôi phải xem xét các phương pháp không giám sát, để sử dụng tốt hơn số lượng khá lớn dữ liệu chưa được gắn nhãn của chúng tôi.

Điều này tự nhiên dẫn đến việc xem xét các bộ tự động xếp chồng lên nhau, có thể là một ý tưởng tốt. Tuy nhiên, cũng hợp lý khi sử dụng các mạng nơ ron tích chập, vì một số loại lọc nói chung là một cách tiếp cận rất hữu ích đối với điện não đồ, và có khả năng các kỷ nguyên được xem xét nên được phân tích cục bộ chứ không phải toàn bộ.

Có một cách tốt để kết hợp hai cách tiếp cận? Có vẻ như khi mọi người sử dụng CNN, họ thường sử dụng đào tạo có giám sát, hay sao? Hai lợi ích chính của việc khám phá các mạng thần kinh đối với vấn đề của tôi dường như là khía cạnh không được giám sát và tinh chỉnh (chẳng hạn sẽ rất thú vị khi tạo một mạng trên dữ liệu dân số, và sau đó tinh chỉnh cho một cá nhân).

Vì vậy, có ai biết liệu tôi có thể giả bộ CNN như thể nó là một trình tự động mã hóa "bị tê liệt" không, hay điều đó sẽ là vô nghĩa?

Tôi có nên xem xét một số kiến ​​trúc khác, chẳng hạn như một mạng lưới niềm tin sâu sắc?

Có, thật hợp lý khi sử dụng CNN với bộ tự động hoặc các phương pháp không giám sát khác. Thật vậy, các cách kết hợp CNN khác nhau với đào tạo không giám sát đã được thử cho dữ liệu điện não đồ, bao gồm sử dụng bộ tự động (tích chập và / hoặc xếp chồng).

Ví dụ:

Học tính năng sâu cho bản ghi EEG sử dụng bộ tự động tích chập với các ràng buộc tùy chỉnh để cải thiện việc khái quát hóa qua các đối tượng và thử nghiệm.

Dự đoán dựa trên EEG về hiệu suất nhận thức của người lái xe bằng mạng nơ ron tích chập sâu sử dụng mạng niềm tin sâu tích chập trên các điện cực đơn và kết hợp chúng với các lớp được kết nối đầy đủ.

Một cách tiếp cận học tập sâu mới để phân loại tín hiệu hình ảnh động cơ EEG sử dụng các bộ tự động xếp chồng được kết nối đầy đủ trên đầu ra của một CNN được đào tạo có giám sát (khá nông).

Nhưng các CNN được giám sát hoàn toàn cũng đã thành công trên dữ liệu EEG, xem ví dụ:

EEGNet: Mạng kết hợp nhỏ gọn cho các giao diện máy tính não dựa trên EEG

Học sâu với các mạng thần kinh tích chập để lập bản đồ não và giải mã thông tin liên quan đến chuyển động từ điện não đồ của con người (tiết lộ: Tôi là tác giả đầu tiên của tác phẩm này, công việc liên quan nhiều hơn xem trang 44)

Lưu ý rằng bài báo EEGNet cho thấy rằng với số lượng thử nghiệm ít hơn, việc đào tạo CNN được giám sát hoàn toàn có thể vượt trội so với đường cơ sở của họ (xem Hình 3). Cũng theo kinh nghiệm của chúng tôi về một tập dữ liệu chỉ với 288 thử nghiệm đào tạo, các CNN được giám sát hoàn toàn hoạt động tốt, vượt trội hơn một chút so với đường cơ sở của các bộ lọc truyền thống phổ biến.

Có, bạn có thể sử dụng mạng tích chập trong thiết lập bộ mã hóa tự động. Không có gì lạ với nó. Mọi người có vấn đề tìm ra các lớp giải mã , mặc dù.

Tại đây, bạn có thể tìm thấy một ví dụ về bộ tự động tích chập bằng cách sử dụng khung Keras: https://blog.keras.io/building-autoencoders-in-keras.html