Python Keras卷积网络分类是否可能添加1D额外特征？

我用Keras建立了一个成功的卷积网络，从EEG中对某些大脑活动进行分类。然而，我想通过增加一个额外的功能来改进它，我们知道它可以预测大脑活动；年龄，当然是一个不同比例的一维数组。我该怎么办

我可以将年龄作为额外维度添加到“图像”中吗？或者我应该用年龄把大脑活动分为不同的模型，然后合并这两个模型？还是有其他选择

谢谢你给我的建议和想法

最好的

---

汉内克

不相关：为什么额外的昏暗？你在用Conv2D吗？使用Conv1D和

（考试、时间步、频道）

，您可能会获得更好的结果

另外：您是否确保使用的是

数据\u格式class='channels\u first'

？Keras的默认值是

data\u format='channels\u last'

---

对Conv2D的回答：

#this is using channels_last, which is keras' default   
#if your data is channels_first, then just invert the shapes below

X = should be something like (745, 60, 13)

x_with_age = np.empty((745,60,14)) 
age = age.reshape((745,1,1))

x_with_age[:,:,:13] = X
x_with_age[:,:,-1:] = age

您必须选择一种交互两组数据的形式。这种互动可以是非常有创意的，没有规则。两种可能性：

• 在某个地方乘以这个1D值，或者相加，或者考虑一些好的操作（需要有两个输入的函数API模型）
• 将年龄作为附加通道添加到每个步骤（我喜欢这一步）

将年龄添加为附加频道：

x_with_age = np.empty((745,14,60,1)) 
age = age.reshape((745,1,1,1))

x_with_age[:,:13] = X
x_with_age[:,-1:] = age

使用带有年龄的

x\u作为输入来训练模型


如果遵循Conv1D建议：

#this is using channels_last, which is keras' default   
#if your data is channels_first, then just invert the shapes below

X = should be something like (745, 60, 13)

x_with_age = np.empty((745,60,14)) 
age = age.reshape((745,1,1))

x_with_age[:,:,:13] = X
x_with_age[:,:,-1:] = age

年龄不只是另一个输入吗？我只是不知道如何将它“放入”KerasAPI卷积网络中，比如：def conv5（self，units=512）：inp=input（shape=self.shape[1:]，name='inp'）x=Conv2D（units，kernel_size=（1,1），strips=（1,1），activation='relu'，data_format='channels\u last'，name='conv1'）（inp）等等等等等等。每个脑电图数据是一个时间线还是一张图片？谢谢你和我一起思考！我有745个试验，每个试验由13个通道（线）和60个频率点组成，矩阵中的值代表功率谱。因此，这是一个有60个步骤和13个通道的时间表？非常感谢！我认为矩阵是745张图片，13个（EEG通道而不是RGB通道（抱歉混淆））乘以60个（频点）像素！现在我有了一个带有np的3d矩阵。展开_dims（X，axis=-1）和“channels_last”。顺便说一下，验证准确率平均为85-93%。（分类交叉熵）验证损失约为.25%。我选择“分类”是因为我想知道模型有多确定。那么我还需要先使用频道吗？那么，随着年龄的增长，额外的频道是否仍然有效？我认为在第三轴上，我构建矩阵的方式会更有意义？第一个或最后一个通道是一个不会改变结果的选项。这与您的偏好和数据的组织方式有关。如果更改此选项，请确保同时排列或交换数据轴。我问你是因为我对你的4D数据感到困惑所以。。。你把“脑电图通道”转换成“keras像素”，只保留“一个keras通道”。是吗？是的。现在，我在第三轴上添加了一个带有年龄的额外频道。非常感谢Daniel，它似乎工作得很好，提高了准确性！该模型仍然有点过拟合，但我现在将开始调整超参数和正则化/退出。祝你下午愉快！