Input KERA的输入组合：时间序列和功能

我有几个时间序列特征（ECG、HRV和呼吸）和从这些时间序列中提取的单独特征（例如SDNN、RMSSD等）

我跟随弗朗索瓦·乔利特的名字。对于3D时间序列输入张量，它们使用[样本、时间步、特征]

时间序列每个时间步[[15000x1]，[15000x1]，…]有15000个值（样本），而单独的功能每个时间步有1个值（样本）。这些长度为[1]的额外功能对于每个时间步都是不同的。[[0.3],[0.35],[0.34],...].

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
Sequence 1 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

Sequence 2 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

您如何使用Keras学习所有这些输入的最佳方法

只需将1到15000的单独特征归零，然后将它们添加到时间序列中

将单独的特征填充在一起（重复使用一个值）

当数据在0和1之间标准化时，使用超出该范围的附加特征的值方式进行填充。例如1000

仅将时间序列作为3D张量输入，将单独的特征作为附加输入（作为附加层），并将其合并到学习者中（多输入）

额外的问题。由于“错误”的附加信息，零填充如何影响学习者？特别是对于1到15000个部件，用于上述独立功能。另一个例子：由于采样频率不同，HRV和呼吸信号比ECG短。这里我宁愿使用插值，而不是零填充。你同意吗，还是零填充对学习者没有影响

谢谢

1 由于模棱两可，我假设这一点（如果不是，请评论，我会更改）

• 我正在呼叫ECG、HRV等。每一步都不同的功能
• 频率最高的功能有15000个步骤，而其他功能的步骤较少
• 您有一个独立的功能，它不是连续的，也没有步骤。（在这个答案中，我将其称为独立功能）

额外问题：

对!！对频率较低的特征进行插值，并生成输入张量，如：

• （序列号\u可能是患者、15000步、功能\u ECG\u HRV\u等）

当发生时，您需要在上的功能之间保持相关性，这是通过同步步骤实现的

零填充是否会影响结果？

是的，除非使用“掩蔽”（掩蔽层）。但这只适用于处理长度不同的样本（不同序列或患者），而不是长度/样本率不同的特征

例如，以下情况适用于零填充和掩蔽：

• 序列1：长度100（包括所有特征、心电图、心率变异性等）
• 序列2：长度200（包括所有特征、ECG、HRV等）

如何处理

独立功能

？

有许多可能的方法。最简单的方法之一，可能也是非常有效的方法，就是将所有15000个步骤都设置为一个恒定的序列。这种方法不需要考虑特征与其余数据的关系，而是将任务留给模型

假设第一个序列的单独特征值为2，第二个序列的单独特征值为4，则生成此数据数组：

                          ECG, HRV, separate
--------------------------------------------------------
             |   [
sequence 1:  |      [
step 1       |            [ecg1, hrv1, 2],
step 2       |            [ecg2, hrv2, 2],
step 3       |            [ecg3, hrv3, 2]
             |      ]
             |
sequence 2:  |      [
step 1       |            [ecg4, hrv4, 4],
step 2       |            [ecg5, hrv5, 4],
step 3       |            [ecg6, hrv6, 4]
             |      ]
             |   ]

您还可以输入is作为模型中的附加输入：

regularSequences = Input((15000,features))
separateFeature = Input((1,)) #assuming 1 value per sequence    

然后决定是否要在某处求和，在某处相乘，等等。如果您了解此功能的含义以及它与其余数据的关系，以选择最佳操作和位置，则此方法可能比其他方法更有效

假设2 从更新的答案中获取以下描述：

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
Sequence 1 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

Sequence 2 |
    Step 1 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 2 |     [[15000x1],[1000x1],[1x1],[1x1],...] 
    Step 3 |     [[15000x1],[1000x1],[1x1],[1x1],...] 

然后：

• ECG中的单个时间步长具有15000个功能。（您确定这不是15000个步骤的序列吗？）
• 在HRV中，一个时间步长有1000个功能。（您确定这不是1000个步骤的序列吗？）
• 每个时间步有几个其他单独的功能

好的，组织这些数据非常容易（但请记住我上面提出的问题），只需在每个时间步骤中将所有功能打包在一起：

输入数据的形状将是：

（序列、步骤、16002）

假设1 由于模棱两可，我假设这一点（如果不是，请评论，我会更改）

• 我正在呼叫ECG、HRV等。每一步都不同的功能
• 频率最高的功能有15000个步骤，而其他功能的步骤较少
• 您有一个独立的功能，它不是连续的，也没有步骤。（在这个答案中，我将其称为独立功能）

额外问题：

对!！对频率较低的特征进行插值，并生成输入张量，如：

• （序列号\u可能是患者、15000步、功能\u ECG\u HRV\u等）

当发生时，您需要在上的功能之间保持相关性，这是通过同步步骤实现的

零填充是否会影响结果？

是的，除非使用“掩蔽”（掩蔽层）。但这只适用于处理长度不同的样本（不同序列或患者），而不是长度/样本率不同的特征

例如，以下情况适用于零填充和掩蔽：

• 序列1：长度100（包括所有特征、心电图、心率变异性等）
• 序列2：长度200（包括所有特征、ECG、HRV等）

如何处理

独立功能

？

有许多可能的方法。最简单的方法之一，可能也是非常有效的方法，就是将所有15000个步骤都设置为一个恒定的序列。这种方法不需要

                     ECG,      HRV,   F1,   F2,  ...
-------------------------------------------------------------
              [
Sequence 1 |    [
    Step 1 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 2 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 3 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
                ]
Sequence 2 |    [
    Step 1 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 2 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
    Step 3 |     [ecg1,ecg2,...,ecg15000,hrv1,hrv2,...hrv1000,F1,F2,...]
                ]