介绍
生物医学信号在研究和数据科学领域始终发挥着重要作用。就卷积神经网络 (CNN) 而言,这种特殊算法在定义深度学习 (DL) 等最复杂和最高级算法的架构方面发挥着重要作用。
谈到深度学习,大多数开源编码与图像类型相关,属于二维数据(关于维度细节及其类型相关请参阅:https://www.analyticsvidhya.com/blog/2021/07/artificial-neural-network-simplified-with-1-d-ecg-biomedical-data)
这篇特别的文章给出了一个一维数据的清晰画面,以及我们需要从二维数据或一维数据中使用哪些基本层。
卷积神经网络
我们已经在下面的文章中详细讨论了卷积神经网络 (CNN),其中包含带有 Python 代码的图像处理领域(与计算机视觉相关)。请查看链接以获得更好的理解:
https://www.analyticsvidhya.com/blog/2021/07/convolution-neural-network-better-understanding/
在简单的 CNN 中可以解释为,
CNN 算法的一些重要层或步骤,
卷积层(CNN中最重要的层)
激活函数(Boosting power,尤其是ReLu层)
池化(像PCA一样降维)
Flattening(将矩阵形式转换为单个大列)
激活层——SOFTMAX层(主要是输出层,概率分布)
全连接(取决于目标/因变量)
二维到一维数据
对于 CNN,我们将使用一些基本层,它们为 LeNet 5、Alexnet、Inception 等大多数算法奠定了基础,例如我们将使用的图像分析,一些基本块或基本的部分,我也给了如何在一维数据中使用的方法,
卷积层——Conv2D(二维)——Conv1D(一维)
最大池层——MaxPool2D(二维)——MaxPool1D(一维)
展平层——Flattening(1维和2维)
Drop-Out 层——Dropout(一维和二维)
全连接层&输出层——Dense
从上面的讨论我们可以得出结论,在功能方面不会有任何区别,但在特定于应用程序方面有点不同。
这是我们在将数据集提供给模型/特征提取过程之前在编写代码时需要保留的另一个最重要的概念,我们的数据应该是
上述归一化过程截图概念的来源是:
https://github.com/anandprems/cnn/blob/main/cnn_cifar10.ipynb
谈到图像,对于像 ECG 这样的一维数据或任何时间序列数据,我们需要为 DL 算法格式重塑我们的数据,
图片来源:作者
上述重塑过程截图的概念取自一维数据,
https://github.com/anandprems/mitbih_cnn/blob/main/mitbih_cnn.ipynb
第一维指的是输入