我尝试完成的任务是将EEG信号分类为4个可能的类别。数据被分成试验。受试者被要求思考进行四种动作中的一种，分类任务是根据EEG信号预测他们在想什么。

我有大约2500个试验。每个试验有22个EEG传感器输入通道和1000个时间步。我的基线是一个单层MLP，验证准确率约为45%。

由于keras的LSTM需要对y进行独热编码，我在训练前将0,1,2,3映射到相应的独热编码（y_total_new）。起初，我手动创建了80/20的训练/测试分割，但后来选择让keras来进行分割（validation_split=0.2）。

这是我第一次尝试LSTM实验。我从100个单元开始。我添加了一个具有四个神经元的全连接层以映射到输出类别，并使用categorical_crossentropy作为我的损失函数。到目前为止，使用LSTM，我无法获得超过25%的验证准确率。如果我将以下代码运行50个周期而不是3个，LSTM会过拟合数据，但验证准确率保持在0.25左右。

由于这是我第一次使用LSTM，我想知道是否有人能提供我可能错过的设计提示或指导我正确的方向。

from keras.models import Sequentialfrom keras.layers import Dense, Dropoutfrom keras.layers import Embeddingfrom keras.layers import LSTMtime_steps = 1000n_features = 22model = Sequential()model.add(LSTM(1000, return_sequences=False, input_shape=(time_steps, n_features)))model.add(Dropout(0.2))model.add(Dense(22, activation='tanh'))model.add(Dense(4, activation='sigmoid'))model.compile(loss='categorical_crossentropy',              optimizer='adam',              metrics=['accuracy'])model.fit(X, y_total_new, validation_split=0.2, batch_size=16, epochs=50)#score = model.evaluate(X_test, y_test_new, batch_size=16)

回答：

你有没有尝试在模型的第一层添加卷积层？我现在正在使用这种方法来将EMG信号分类为53个类别。卷积层应该能自动从数据中学习特征，然后将这些特征输入到LSTM层中。有几种可能的架构，DeepConvLstm就是其中之一：

DeepConvLstmArch

DeepConvLstm论文：Deep Convolutional and LSTM Recurrent Neural Networks for Multimodal Wearable Activity Recognition