keras中CNN-LSTM模型的序列间分类

我正在处理1000个样品。每个样本都与一个人相关，此人在168个不同的时间点上有70种不同的生命体征和健康特征。然后，对于每个时间步，我应该预测一个二进制标签。因此，输入和输出形状为：

Input.shape = (1000, 168, 70)
Output.shape = (1000, 168, 1) 

我们的目标是使用CNN提取特征，然后将LSTM应用于时间信息。然后我想为二元分类应用一个稠密层。我想将CNN-LSTM模型应用于此任务

下面是我尝试的代码

model = Sequential()                        
model.add(Conv1D(filters=16, kernel_size=5, strides=1, padding="same", input_shape=(168, 70), activation='relu'))
model.add(MaxPooling1D())
model.add(LSTM(64, return_sequences=True))
model.add(Dense(1, activation="sigmoid")) 

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train_3D, Y_train_3D, batch_size=32, epochs=500, validation_data=(X_val_3D, Y_val_3D))

我对这个模型的应用还不熟悉，所以我确信我在这里做了一些我找不到的错误。以下是错误：

ValueError: logits and labels must have the same shape ((None, 84, 1) vs (None, 168, 1))

---

非常感谢您的帮助。

因为您使用的是

返回序列=True

，这意味着

LSTM

将返回带有形状

（批次大小，84，64）

的输出。此处出现的

84

是由于您使用了

Conv1D

参数。因此，当您使用

1

单位应用

density

层时，它会将最后一个维度减少到

1

，这意味着

（batch\u size，84，64）

将在

density

层应用后变为

（batch\u size，84，1）

。您不应使用

return\u sequences=True

或在将输出馈送到

density

层之前使用另一层/层将其展平到二维