我正在尝试对不同的ECG信号进行分类。我正在使用Keras的Conv1D，但收效不佳。
我尝试更改层数，窗口大小等，但是每次运行此命令时，我都会得到同一类的所有预测（这些类为0,1,2，所以我得到的预测输出类似于[1， 1,1,1,1,1,1,1,1,1,1,1,1,1]，但每次运行脚本时类都会更改）。
ECG信号位于1000点的numpy数组中。
我在这里做错什么明显的事情吗？我认为使用几层仅将其分类为3种不同的ECG信号会很好。
#arrange and randomize data
y1=[[0]]*len(lead1)
y2=[[1]]*len(lead2)
y3=[[2]]*len(lead3)
y=np.concatenate((y1,y2,y3))
data=np.concatenate((lead1,lead2,lead3))
data = keras.utils.normalize(data)
data=np.concatenate((data,y),axis=1)
data=np.random.permutation((data))
print(data)
#separate data and create categories
Xtrain=data[0:130,0:-1]
Xtrain=np.reshape(Xtrain,(len(Xtrain),1000,1))
Xpred=data[130:,0:-1]
Xpred=np.reshape(Xpred,(len(Xpred),1000,1))
Ytrain=data[0:130,-1]
Yt=to_categorical(Ytrain)
Ypred=data[130:,-1]
Yp=to_categorical(Ypred)
#create CNN model
model = Sequential()
model.add(Conv1D(20,20,activation='relu',input_shape=(1000,1)))
model.add(MaxPooling1D(3))
model.add(Conv1D(20,10,activation='relu'))
model.add(MaxPooling1D(3))
model.add(Conv1D(20,10,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dense(3,activation='relu',use_bias=False))
model.compile(optimizer='adam', loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(Xtrain,Yt)
#test model
print(model.evaluate(Xpred,Yp))
print(model.predict_classes(Xpred,verbose=1))
最佳答案
我在这里做错什么明显的事情吗？
确实存在：您报告的输出不足为奇，因为您当前正在使用ReLU作为最后一层的激活，这没有任何意义。
在多类设置中（例如您的设置），最后一层的激活必须是softmax，当然不是ReLU。将最后一层更改为：
model.add(Dense(3, activation='softmax'))
不太确定为什么要输入
use_bias=False，但是可以尝试使用和不使用它，然后进行实验...关于machine-learning - Keras Conv1D在ECG信号上，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/53700537/