Open Eve0028 opened 3 months ago
Proponowane rozwiązanie: b) podział sygnałów próbek na 'pod-próbki' tej samej długości (i odpowiednie 'obsłużenie' takiego podziału w części treningu modelu - wykorzystanie warstw TimeDistributed). Dodatkowo dodanie LSTM przed klasyfikacją aby zachować informację o kolejności 'pod-próbek'.
Podobnie jak w: https://www.kaggle.com/code/afajohn/cnn-lstm-for-signal-classification-lb-0-513/notebook
reszta z CNN-LSTM: "Learning Representations from EEG with Deep Recurrent-Convolutional Neural Networks" https://arxiv.org/pdf/1511.06448 "Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting" https://arxiv.org/abs/1506.04214 "Deep learning based epileptic seizure detection with EEG data" https://link.springer.com/article/10.1007/s13198-022-01845-5 "Convolutional Recurrent Neural Network for Dynamic Functional MRI Analysis and Brain Disease Identification" https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2022.933660/full
CNN, wavelet transform and power spectrum density (PSD), concat 3 CNN models: "Deep Convolutional Neural Network-Based Epileptic Electroencephalogram (EEG) Signal Classification" https://www.frontiersin.org/journals/neurology/articles/10.3389/fneur.2020.00375/full
CNN: "Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals" https://www.sciencedirect.com/science/article/abs/pii/S0010482517303153?via%3Dihub
CNN, time-frequency energy maps: "Convolutional neural networks for seizure prediction using intracranial and scalp electroencephalogram" https://www.sciencedirect.com/science/article/abs/pii/S0893608018301485?via%3Dihub
CNN, wavelets: "Focal Onset Seizure Prediction Using Convolutional Networks" https://ieeexplore.ieee.org/document/8239676
CNN i SVM: "Mean amplitude spectrum based epileptic state classification for seizure prediction using convolutional neural networks" https://link.springer.com/article/10.1007/s12652-019-01220-6
SVM: "Automatic detection of epileptic EEG signals using higher order cumulant features" https://www.worldscientific.com/doi/abs/10.1142/S0129065711002912
@EEG-PK/model
Commit: 61e650e1c31dbdce4dca470d4b9aeda62b0dc7f1
CNN + LSTM
ifft
Czyli margenau_hill_distribution_spectrogram_tfrmhs_ifft()
a) Wczytanie zdumpowanych danych joblib.dump()
-> joblib.load()
.
b) Segmentacja sygnałów.
c) Konwersja na zdjęcia używając rozkładu M-H:
(20, 16, 384)
(20 segmentów, 16 kanałów), zwrócona tablica będzie miała format (20, 384, 384, 16)
, zakładając, że sygnał każdego kanału jest konwertowany na obraz 384x384.d) Stworzenie generatora tf.data.Dataset
z tak przygotowanych danych:
e) Pierwsza implementacja treningu na walidacji krzyżowej.
a) Przełożenie implementacji mhd do głównego folderu preprocessing
.
b) Wczytanie danych z wszystkich datasetów z głównego folderu data
.
Architektura jest narazie dostosowywana (liczba warstw, ilość kerneli) przez tuner #11
Opisać i zadecydować o tym jak będziemy jak wyglądać nasza architektura CNN.
a) przycięcie próbek,
b) podział sygnałów próbek na 'pod-próbki' tej samej długości (i odpowiednie 'obsłużenie' takiego podziału w części treningu modelu - wykorzystanie warstw TimeDistributed?),
c) skalowanie próbek do tego samego wymiaru,
d) inne rozwiązanie;
W artykule, z którego się wzorujemy: a) z całej długości próbki z każdego kanału EEG jest tworzone zdjęcie, b) -> zdjęcia są skalowane na tem sam wymiar (uśrednienie długości próbek z różnych datasetów) <-, c) zdjęcia z wszystkich kanałów z jednej próbki są uśredniane