我是一名学生正致力于一个涉及使用EEG数据进行谎言检测的项目 . 我将处理来自2个通道的原始EEG数据，并将在受试者回答问题的持续时间内记录EEG数据 . 因此，数据将是存储在csv文件中的2-by-variable长度数组，其保存来自两个传感器中的每一个的传感器读数 . 例如，它看起来像这样：
Time (ms) | Sensor 1 | Sensor 2|
--------------------------------
10 | 100.2 | -324.5 |
20 | 123.5 | -125.8 |
30 | 265.6 | -274.9 |
40 | 121.6 | -234.3 |
....
2750 | 100.2 | -746.2 |
我想根据这些数据预测主题是说谎还是说实话（因此，二元分类 . ）我计划简单地将其视为结构化数据和基于此的培训 . 然而，在第二个想法，由于几个原因，这根本不起作用：
-
数据组织的顺序与连续时间数据相关 .
-
数据的长度是可变的，因为它的时间数据和主题说谎/说出真相的时间是不一致的 .
-
我不知道如何处理多个数据通道 .
我该如何设置此类数据的培训模型？我认为这是一个“时间序列分类”问题，但我不确定 . 任何形式的帮助将不胜感激 . 先感谢您！
1 回答
在做了一些研究后，我决定使用 LSTM network ，在TensorFlow上运行Keras框架 . LSTM处理时间序列数据，Keras层允许将多个特征时间序列数据馈送到网络中，因此如果任何人遇到与我类似的问题，那么LSTM或RNN就是可行的方法 .