循环神经网络RNN——利用LSTM对脑电波信号进行分类，Keras实现

本文对脑电波信号进行分类。人类大脑在接受不同的刺激（光照、声音）时，脑电波的形状是不一样的。

因而，想通过对脑电波进行学习，从而判断大脑接受了哪种刺激。

我们在人的大脑上安装了32个芯片，芯片的分布如下图所示。这些芯片每隔一定的秒数就会测得信号、这些信号就是脑电波信号。显然，脑电波数据是时间序列。

脑电波的时间序列如下：

每一条脑电波都对应了一种刺激（共6种），结构如下：

本文构建了LSTM模型来对脑电波数据进行分类，深度学习平台采用的keras。核心代码如下：

# code for building an LSTM with 100 neurons and dropout. Runs for 50 epochs

model = Sequential()

model.add(LSTM(100, return_sequences=False, input_shape=(time_steps, n_features)))

参数解释：

1）每个脑电波信号都由time_steps个单元组成，而每个单元用n_features维的向量表示。

2）return_sequences：布尔值，默认False，控制返回类型。若为True则返回整个序列，否则仅返回输出序列的最后一个输出 

model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
model.fit(X_train, y_train, batch_size=16, epochs=50)

score = model.evaluate(X_test, y_test, batch_size=16)

模型核心结构如下图所示：

(1)V1为32维的向量

(2)通过第一个LSTM输出为维度100，而return_sequences=True，我们可以获得time_steps个100维的向量,最后因为return_sequences=False，所以只输出了最后一个红色的向量

（3）为输入数据施加Dropout。Dropout将在训练过程中每次更新参数时随机断开一定百分比（p）的输入神经元连接，Dropout层用于防止过拟合。

keras.layers.core.Dropout(p)

• p：0~1的浮点数，控制需要断开的链接的比例

(4)100维度的红色的向量输入到Dense层（全连接层），激活函数是sigmod

(5)全连接层的输出是类标向量