โมเดล Recurrent (CNN) บนข้อมูล EEG

ฉันสงสัยว่าจะตีความสถาปัตยกรรมที่เกิดขึ้นซ้ำในบริบท EEG ได้อย่างไร โดยเฉพาะฉันคิดว่านี่เป็น CNN กำเริบ (ตรงข้ามกับสถาปัตยกรรมเช่น LSTM) แต่บางทีมันอาจใช้กับเครือข่ายกำเริบประเภทอื่นเช่นกัน

เมื่อฉันอ่านเกี่ยวกับ R-CNNs พวกเขามักจะอธิบายในบริบทการจำแนกภาพ พวกเขามักจะอธิบายว่า "การเรียนรู้เมื่อเวลาผ่านไป" หรือ "รวมถึงผลกระทบของเวลา -1 ในอินพุตปัจจุบัน"

การตีความ / คำอธิบายนี้ทำให้เกิดความสับสนเมื่อทำงานกับข้อมูล EEG ตัวอย่างของ R-CNN ที่ใช้กับข้อมูล EEG สามารถดูได้ที่นี่

ลองนึกภาพฉันมีตัวอย่างการฝึกอบรมแต่ละชุดประกอบด้วยอาร์เรย์ 1x512 อาร์เรย์นี้จับการอ่านค่าแรงดันไฟฟ้าสำหรับอิเล็กโทรด 1 ตัวที่จุดเวลาต่อเนื่องกัน 512 จุด ถ้าฉันใช้สิ่งนี้เป็นอินพุตไปยัง CNN ที่เกิดขึ้นอีก (โดยใช้การโน้มน้าวใจ 1D) ส่วนที่เกิดขึ้นอีกของโมเดลไม่ได้จับ "เวลา" จริงไหม (ตามที่ระบุไว้โดยนัยโดยคำอธิบาย / คำอธิบายที่กล่าวถึงก่อนหน้านี้) เพราะในบริบทนี้เวลาจะถูกจับโดยมิติที่สองของอาร์เรย์

ดังนั้นเมื่อมีการตั้งค่าเช่นนี้ส่วนที่เกิดขึ้นอีกของเครือข่ายจะอนุญาตให้เราสร้างแบบจำลองที่ซีเอ็นเอ็นปกติไม่สามารถทำได้ (ถ้าไม่ใช่เวลา)

สำหรับฉันแล้วดูเหมือนว่าการกำเริบหมายถึงการทำข้อตกลงการเพิ่มผลลัพธ์ลงในอินพุตต้นฉบับและการโน้มน้าวอีกครั้ง สิ่งนี้ได้รับการทำซ้ำสำหรับ x จำนวนขั้นตอนที่เกิดซ้ำ กระบวนการนี้ให้ประโยชน์อะไรบ้าง?

ส่วนที่เกิดขึ้นอีกของเครือข่ายช่วยให้คุณสามารถพูดคุยแบบจำลองการพึ่งพาระยะยาวและระยะสั้น ดังนั้นโมเดลของคุณสามารถมีความรู้สึกของรัฐ

โดยทั่วไปจะเป็นประโยชน์ถ้าคุณใช้ไทม์ซีรี ตัวอย่างเช่นหากคุณมีข้อมูลจากเครื่องวัดอัตราการเต้นของหัวใจและต้องการแบ่งระหว่างการพักความเครียดและการฟื้นตัว ถ้าดาต้าพอยน์ของคุณบอกว่าอัตราการเต้นของหัวใจของคุณอยู่ที่ 130 มันขึ้นอยู่กับว่าคุณจะฟื้นตัวจากการโหลดสูงหรืออย่างอื่น

แก้ไข: ฉันลืมคำถามที่สองของคุณ

สำหรับฉันแล้วดูเหมือนว่าการกำเริบหมายถึงการทำข้อตกลงการเพิ่มผลลัพธ์ลงในอินพุตต้นฉบับและการโน้มน้าวอีกครั้ง สิ่งนี้ได้รับการทำซ้ำสำหรับ x จำนวนขั้นตอนที่เกิดซ้ำ กระบวนการนี้ให้ประโยชน์อะไรบ้าง?

ฉันคิดคำตอบที่เป็นไปได้สองสามข้อ ด้วยการโน้มน้าวใจส่วนที่เกิดขึ้นอีกคุณต้องกรองมัน ดังนั้นคุณจะได้รับสัญญาณที่สะอาดขึ้นและข้อผิดพลาดจะไม่ซ้อนกันมาก Vanilla rnn ทนทุกข์ทรมานจากการระเบิดไล่ระดับสีที่หายไปดังนั้นนี่อาจเป็นวิธีการของเขาในการเอาชนะมัน นอกจากนี้คุณกำลังฝังคุณสมบัติของคุณภายใน rcnn ซึ่งสามารถนำไปสู่เส้นทางอื่น ๆ เพื่อใช้ประโยชน์ ซึ่งทำให้มีแนวโน้มที่จะเกิดการ overfitting ได้น้อยลง

• อาร์เรย์อินพุต 1x512 หมายถึง: กระบวนการเครือข่ายเกิดขึ้นอีกครั้งที่แรงดันไฟฟ้าอิเล็กโทรด 512 ครั้งหรือกล่าวอีกนัยหนึ่งว่าคุณมีคุณสมบัติเดียวในการประมวลผล
• ซีเอ็นเอ็นที่มีคุณสมบัติเดียวนั้นไร้ประโยชน์

โปรดจำไว้ว่า CNN เป็นตัวตรวจจับคุณสมบัติ ผลลัพธ์ของเลเยอร์ convolutional เป็นเมทริกซ์ที่ส่งสัญญาณเมื่อตรวจพบคุณสมบัติบางอย่าง

ดังนั้น CNN ที่เกิดขึ้นอีกคือเครือข่ายประสาทที่เกิดขึ้นอีกซึ่งเรียนรู้ลำดับของคุณสมบัติที่ซึ่งคุณสมบัติเหล่านั้นจะได้เรียนรู้ในระหว่างการฝึก