我有一个分类问题的时间序列数据集。这些数据包含了脑电信号,这些信号通过脑电信号沿2秒的频率(Hz)采集。类被划分为不同的文件(因此每个文件只包含一个类)。这是一个典型的脑-计算机接口( BCI )分类问题,据我所知,这是分类的常用方法。
我想知道为分类器算法准备数据的正确方法,因为我没有X,Y值,例如一个常见的分类问题,而且数据是时间依赖的。欢迎任何解释/材料。
我也在考虑使用scikit-learn MLPClassifier
。
发布于 2020-02-18 17:37:19
欢迎来到社区!
好吧..。这个答案需要一些解释。这与MLPclassfier或其他python函数无关。它是专门针对生物信号的信号处理/分析的背景.
对于不同的生物信号,如EEG,已有很长一段时间的特征提取研究。例如,在您的问题中,BCI,您可能知道P300P300等常见的特性(我已经非常过时了)。你可以看看最近的评论文章。)因此,通常您从这些信号中提取特征并使用它们作为分类器的输入(您提到的那些X、Y值)。我稍微解释一下:
从信号中提取特征的方法有很多。它们要么是从时域或频域或时频域的信号中提取出来的。
看看这些链接,并得到一个概述。
但是对于特定的生物信号,你不需要重新发明轮子。undefined的方法由来已久。特别是对于BCI,还有一些评论可以帮助您找到好的特征提取和分类方法。
最后,我的观点是,MLPclassifier只是一个python函数。根据我作为一名来自生物医学数据分析的ML科学家的经验,问题更多的是“该怎么办?”在“怎么办?”之前。希望能帮上忙。如果您有更多的问题,请评论,以便我可以更新我的答案。
祝好运!
https://datascience.stackexchange.com/questions/68255
复制相似问题