Ist es sinnvoll, einen CNN als Autoencoder auszubilden?

Ich arbeite mit der Analyse von EEG-Daten, die eventuell klassifiziert werden müssen. Das Erhalten von Etiketten für die Aufnahmen ist jedoch etwas teuer, was mich dazu veranlasst hat, unbeaufsichtigte Ansätze in Betracht zu ziehen, um unsere ziemlich großen Mengen an unbeschrifteten Daten besser zu nutzen.

Dies führt natürlich dazu, dass gestapelte Autoencoder in Betracht gezogen werden, was eine gute Idee sein kann. Es wäre jedoch auch sinnvoll, Faltungs-Neuronale Netze zu verwenden, da eine Art Filterung im Allgemeinen ein sehr nützlicher Ansatz für das EEG ist und es wahrscheinlich ist, dass die betrachteten Epochen lokal und nicht als Ganzes analysiert werden sollten.

Gibt es eine gute Möglichkeit, die beiden Ansätze zu kombinieren? Es scheint, dass Menschen, die CNNs verwenden, im Allgemeinen beaufsichtigtes Training verwenden, oder was? Die beiden Hauptvorteile der Untersuchung neuronaler Netze für mein Problem scheinen der unbeaufsichtigte Aspekt und die Feinabstimmung zu sein (es wäre interessant, ein Netzwerk für Bevölkerungsdaten zu erstellen und dann beispielsweise eine Feinabstimmung für eine Person vorzunehmen).

Weiß also jemand, ob ich ein CNN einfach so trainieren könnte, als wäre es ein "verkrüppelter" Autoencoder, oder wäre das sinnlos?

Sollte ich eine andere Architektur in Betracht ziehen, wie zum Beispiel ein Netzwerk mit tiefem Glauben?

Ja, es ist sinnvoll, CNNs mit Autoencodern oder anderen unbeaufsichtigten Methoden zu verwenden. In der Tat wurden verschiedene Möglichkeiten zur Kombination von CNNs mit unbeaufsichtigtem Training für EEG-Daten versucht, einschließlich der Verwendung von (Faltungs- und / oder gestapelten) Autoencodern.

Beispiele:

Deep Feature Learning für EEG-Aufzeichnungen verwendet Faltungsautoencoder mit benutzerdefinierten Einschränkungen, um die Verallgemeinerung zwischen Probanden und Versuchen zu verbessern.

Die EEG-basierte Vorhersage der kognitiven Leistung des Fahrers durch ein tiefes Faltungsnetzwerk verwendet Faltungsnetzwerke mit tiefem Glauben auf einzelnen Elektroden und kombiniert sie mit vollständig verbundenen Schichten.

Ein neuartiger Deep-Learning-Ansatz zur Klassifizierung von EEG- Motorbildsignalen verwendet vollständig verbundene gestapelte Autoencoder am Ausgang eines beaufsichtigten (ziemlich flachen) CNN.

Aber auch rein überwachte CNNs hatten Erfolg mit EEG-Daten, siehe zum Beispiel:

EEGNet: Ein kompaktes Faltungsnetzwerk für EEG-basierte Gehirn-Computer-Schnittstellen

Deep Learning mit Faltungs-Neuronalen Netzen zur Hirnkartierung und Dekodierung von bewegungsbezogenen Informationen aus dem menschlichen EEG (Offenlegung: Ich bin der erste Autor dieser Arbeit, verwandte Arbeiten siehe S. 44).

Beachten Sie, dass das EEGNet-Papier zeigt, dass auch bei einer geringeren Anzahl von Versuchen ein rein überwachtes Training des CNN die Basiswerte übertreffen kann (siehe Abbildung 3). Auch nach unserer Erfahrung mit einem Datensatz mit nur 288 Trainingsversuchen funktionieren rein überwachte CNNs einwandfrei und übertreffen die üblichen räumlichen Muster der Filterbank geringfügig.

Ja, Sie können ein Faltungsnetzwerk in einem Autoencoder-Setup verwenden. Es ist nichts Seltsames daran. Die Menschen haben Probleme herauszufinden Entfaltungs Schichten , though.

Hier finden Sie ein Beispiel für einen Faltungs-Autoencoder mit Keras-Framework: https://blog.keras.io/building-autoencoders-in-keras.html