CNN을 자동 인코더로 훈련시키는 것이 합리적입니까?


9

EEG 데이터를 분석하는 작업을하며 결국 분류해야합니다. 그러나, 기록을위한 라벨을 얻는 것은 다소 비싸서, 상당히 많은 양의 라벨링되지 않은 데이터를 더 잘 활용하기 위해 감독되지 않은 접근법을 고려하게되었습니다.

이것은 자연스럽게 쌓인 자동 엔코더를 고려하게하는 좋은 아이디어입니다. 그러나 어떤 종류의 필터링은 일반적으로 EEG에 매우 유용한 접근법이며, 고려 된 에포크 (epoch)는 전체적으로가 아니라 로컬로 분석되어야하므로 컨벌루션 신경망을 사용하는 것도 의미가 있습니다.

두 가지 접근법을 결합하는 좋은 방법이 있습니까? 사람들이 CNN을 사용할 때 일반적으로 감독 훈련을 사용하는 것 같습니다. 내 문제에 대한 신경망 탐색의 두 가지 주요 이점은 감독되지 않은 측면과 미세 조정 (인구 데이터에 대한 네트워크를 만든 다음 개인을 미세 조정하는 것이 흥미로울 것)입니다.

그렇다면 CNN을 마치 "자동화 된"자동 엔코더 인 것처럼 미리 훈련시킬 수 있는지 아는 사람이 있습니까?

예를 들어, 딥 믿음 네트워크와 같은 다른 아키텍처를 고려해야합니까?

답변:


8

예, 자동 엔코더 또는 기타 관리되지 않는 방법과 함께 CNN을 사용하는 것이 좋습니다. 실제로, (컨 볼루 셔널 및 / 또는 스택 된) 자동 인코더를 사용하는 것을 포함하여, ENN 데이터에 대해 CNN을 비지도 훈련과 결합시키는 다양한 방법이 시도되어왔다.

예 :

EEG 레코딩을위한 딥 기능 학습은 사용자 지정 제약 조건이있는 컨볼 루션 오토 인코더를 사용하여 주제와 시험에서 일반화를 향상시킵니다.

딥 컨볼 루션 신경망에 의한 운전자의인지 성능에 대한 EEG 기반 예측은 단일 전극에서 컨볼 루션 딥 믿음 네트워크를 사용하고 이들을 완전히 연결된 레이어와 결합합니다.

EEG 모터 이미지 신호의 분류를위한 새로운 딥 러닝 접근법 은 완전히 훈련 된 스택 형 자동 엔코더를 사용하여 감독 훈련을받은 (상당히 얕은) CNN의 출력에 사용합니다.

그러나 순전히 감독 된 CNN은 EEG 데이터에서 성공했습니다 (예 :

EEGNet : 뇌파 기반 뇌-컴퓨터 인터페이스를위한 소형 컨볼 루션 네트워크

인간 EEG로부터의 운동 관련 정보의 뇌 매핑 및 디코딩을위한 컨볼 루션 신경망을 이용한 딥 러닝 (공개 : 나는이 연구의 첫 번째 저자이며,보다 관련성있는 연구는 44 페이지 참조)

EEGNet 논문은 적은 수의 시험으로도 CNN에 대한 순수하게 감독 된 훈련이 기준을 능가 할 수 있음을 보여줍니다 (그림 3 참조). 또한 288 건의 교육 시험을 거친 데이터 세트에 대한 경험에서 순수하게 감독 된 CNN은 잘 작동하며 기존 필터 뱅크 공통 공간 패턴 기준선보다 약간 뛰어납니다.


당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.