ResNet结合LSTM王炸创新！最新SOTA方案预测准确率超91%

ResNet和LSTM的结合已经成为了深度学习领域的一个重要创新，它能够同时处理图像的空间特征和时间序列数据。

具体来说，通过结合ResNet在提取空间特征上的强大能力和LSTM在处理时间序列数据上的优势，我们可以在处理同时包含空间和时间信息的复杂数据时，实现更高效、更准确的分析和预测。这种结合不仅增强了模型的性能，还扩展了其应用范围。

比如一种用来预测癫痫发作的预训练模型的方法，该方法结合了监督对比学习和混合模型，包括ResNet和LSTM。在CHB-MIT数据集上的实验表明，该模型在15分钟预发作期的预测中展现了SOTA性能，准确率达到91.90%，敏感性为89.64%。

本文整理了10种最新的ResNet+LSTM结合创新方案，并简单提炼了可参考的方法以及创新点，希望能给各位的论文添砖加瓦。

论文原文需要的同学看文末

A ResNet‑LSTM hybrid model for predicting epileptic seizures using a pretrained model with supervised contrastive learning

方法：本文提出了一种利用预训练模型、监督对比学习和结合ResNet和LSTM的混合模型来预测癫痫发作的方法，并通过STFT将数据转化为频谱图像进行预处理，解决了EEG数据的复杂性和不规则性问题，进而提高了预测准确性。

创新点：

• 预训练模型：通过预训练模型，使用增强数据和ResNet模型进行无监督对比学习，学习频谱图像的表示。这样可以在数据有限的情况下找到最优参数，减少过拟合风险并提高模型的泛化能力。

• 混合模型：将ResNet和LSTM相结合的混合模型用于训练，同时提取图像特征和时间信息，以提高预测准确性。通过将预训练模型的权重值初始化到ResNet模型中，进一步增强了模型的表达能力和性能。

Short-Term Load Forecasting and Associated Weather Variables Prediction Using ResNet-LSTM Based Deep Learning

方法：本文提出了一种基于ResNet-LSTM的组合模型，以提高电力系统短期负荷预测的准确性。该模型利用ResNet的特征表达能力提取有效特征，并通过LSTM网络处理时间关系。首先，将具有多个特征参数的数据进行重构，并输入ResNet网络进行特征提取。然后，将提取的特征向量作为LSTM的输入进行短期负荷预测。

创新点：

• 基于ResNet-LSTM的组合模型通过ResNet的特征表达能力提取有效特征，通过LSTM网络处理时间关系，结合了ResNet和LSTM的深度学习原理，提出了基于ResNet-LSTM网络的组合模型，用于短期负荷预测。

• 使用箱线图分析和纠正数据集中的异常值，通过使用箱线图分析和纠正数据集中的异常值，消除了异常值对结果的扭曲和预测准确性的影响注意。

Automatic sleep staging by a hybrid model based on deep 1D-ResNet-SE and LSTM with single-channel raw EEG signals

方法：论文提出了一种名为1D-ResNet-SE-LSTM的睡眠分期模型，它可以从一系列的EEG阶段中预测睡眠分期。模型采用了ResNet块作为阶段特征提取器，用于从原始EEG信号中提取相关特征，同时LSTM网络用于捕捉EEG阶段之间的时间依赖性和转换规则。此外，SE模块被用于增强特征表示并提高分类性能。模型具有轻量级的设计，适用于实际应用。

创新点：

• 研究提出1D-ResNet-SE-LSTM模型，结合ResNet和LSTM进行睡眠阶段预测，通过WCE损失函数优化，经实验验证有效且鲁棒。

• 模型在识别W、N2、N3和REM阶段表现良好，N1阶段稍差，整体准确性高，与专家评分一致性强，无过拟合现象，但对睡眠障碍者的分期更具挑战。

Hybrid ResNet-50 and LSTM Approach for Effective Video Anomaly Detection in Intelligent Surveillance Systems

方法：论文提出了一种新的混合技术，结合了ResNet-50和LSTM方法，用于检测视频中的异常行为。该方法通过将视频帧输入ResNet-50进行特征提取，然后将帧输入分类层进行分类，最终使用LSTM模型从一系列帧中提取信息并对视频进行分类。

创新点：

• 提出了一种基于深度学习的视频异常检测系统，通过自动提取视频中的地理和时间元素，消除了手动特征工程的需求，实现了对复杂和动态视频模式的准确检测。

• 提出了一种混合ResNet-50和LSTM方法的DL模型，用于视频异常检测，该模型结合了图像处理、时序依赖性捕获和迁移学习的优势，提高了视频异常检测系统的性能和准确性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“长短期残差”获取全部论文合集

码字不易，欢迎大家点赞评论收藏