小编Adi*_*dre的帖子

我正在尝试根据 EEG 连接组数据识别 3（类）心理状态。数据的shape是99x1x34x34x50x130（原来是图形数据，现在用矩阵表示），分别代表[主题、通道、高度、宽度、频率、时间序列]。为了这项研究，只能输入连接组数据的 1x34x34 图像。从之前的研究中，发现 alpha 波段（8-1 hz）提供了最多的信息，因此数据集被缩小到 99x1x34x34x4x130。先前机器学习技术（如 SVM）的测试集准确度达到了约 75% 的测试准确度。因此，目标是在给定相同数据 (1x34x34) 的情况下实现更高的精度。由于我的数据非常有限，1-66 用于训练，66-99 用于测试（固定比率和 1/3 类分布），我想沿时间序列轴（第 6 轴）拆分数据，然后将数据平均为 1x34x34 的形状（例如 1x34x34x4x10，10 是时间序列的随机样本）。这给了我大约 1500 个用于训练的样本，以及 33 个用于测试的样本（测试是固定的，类分布是 1/3）。

模型：

SimpleCNN(
  (conv1): Conv2d(1, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
  (conv2): Conv2d(32, 32, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))    
  (pool1): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  (drop1): Dropout(p=0.25, inplace=False)
  (fc1): Linear(in_features=9248, out_features=128, bias=True)
  (drop2): Dropout(p=0.5, inplace=False)
  (fc2): Linear(in_features=128, out_features=3, bias=True)
)
CrossEntropyLoss()
Adam (
Parameter Group 0
    amsgrad: False
    betas: …

我曾尝试研究我的不变损失的情况，我找到的所有答案都特定于代码。我刚刚开始学习 CNN，大部分 CNN 来自一个示例，并进行了修改以适应我的数据集的需求。我正在尝试对 ECG 的类型（正常、心房颤动、其他、嘈杂）进行分类。当我尝试训练 CNN 时，损失保持不变，我认为这是因为我的 CNN 没有学习并且只输出零。到目前为止，我已经尝试改变学习率/损失函数并没有产生任何影响。

我是在Google Colab 上这样做的，因此可以随意编辑代码，并且不要忘记将运行时选项卡下的硬件加速更改为 GPU。

代码：

import os
import cv2
import numpy as np
from tqdm import tqdm
from scipy.io import loadmat
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt

if torch.cuda.is_available():
  device = torch.device("cuda:0")
  print("Running on GPU -", device )
else:
  device = torch.device("cpu")
  print("Running on CPU -", device )


REBUILD_DATA = True # processing data

class ECG_DATA(): …