基于keras stateful LSTM的信号分类

Question

这是我第一次在 Whosebug 上提问。如果我的英语有任何问题，请原谅我。谢谢

我正在做一个使用 LSTM 对 ECG 序列进行分类的项目。我正在使用 PTB database。有一对 ECG 记录，大约 38s，38000 个数据点（采样率 1kHz）。下采样后，我得到了 250Hz 采样率的新序列以减少数据。我读过一些指出 Basic LSTM 无法完美处理长序列依赖性（超过 400 个时间步长）的论文和教程。所以我决定使用有状态的 LSTM。但是有一个问题让我很困惑。一个完整的 ECG 序列包含 38（分段样本）x250（每个样本大小（1 秒）），但是这个序列共享相同的 label 例如心肌梗塞。训练模型时如何定义 train_y？我应该在完整序列的每一端手动调用 model.reset_states() 吗？在 38 个样本之后？或者有另一种方法可以帮助解决这个问题吗？如果有人可以帮助我，我将不胜感激！

如有不妥之处，欢迎指正。谢谢！

Answer 1

如果您遇到 RAM 问题，则只需要 True。

在stateful=False情况下：

你的 X_train 的形状应该像 (patients, 38000, variables)。或者，在下采样的情况下：(patients, 9500, variables)。

你的 y_train 的形状应该像 (patients, classes)。

如果您的 RAM 问题出在 numpy 数组和您的 PC 上，请转至 stateful=True 案例。但如果它是 GPU 的 OOM 分配，那么你可以先尝试较小的批次大小

在stateful=True情况下：

这确实是一个很好的问题...

在您的情况下，如果您保持足够长的序列，则 class 可能在每个片段中都很明显，但如果您确实需要整个 ECG 来检测问题，那么这种方法可能不会很好，目前我不知道其他方法。

对于这种方法，X_train 应该是 (patients * 38, 250, variables)。

而对于 y_train，您需要为每个片段重复 classes：(patients * 38, classes)。

拟合的时候一定要记得设置shuffle=False。

并且数据的组织应该是：

[
   patient 1 - segment 1
   patient 2 - segment 1
   patient 3 - segment 1
   ...
   patient n - segment 1
   ------------------
   patient 1 - segment 2
   patient 2 - segment 2
   ...
   --------------------
   patient 1 - segment 38
   patient 2 - segment 38
   ...
   patient n - segment 38
]

每个时期使用reset_states()。

基于keras stateful LSTM的信号分类

Signal classification based on keras stateful LSTM

python

tensorflow

keras

lstm

rnn