我有一个分类问题的时间序列数据集。数据包含通过 EEG 电极沿 2 秒的频率 (Hz) 收集的脑信号。这些类被划分在不同的文件中（因此每个文件只包含一个类）。这是一个典型的 BCI（脑机接口）分类问题，据我所知，这是分类分类的常用方法。
我想知道为分类器算法准备数据的正确方法，因为我没有常见的分类问题应该有的 X、Y 值，并且数据是时间相关的。欢迎任何解释/材料。
我也在考虑使用scikit-learn MLPClassifier。
使用时间序列数据进行分类的正确方法是什么？
数据挖掘
机器学习
分类
scikit-学习
时间序列
监督学习
2022-02-20 17:22:27
1个回答
欢迎来到社区！
嗯……答案需要解释一下。这与 MLPclassfier 或其他 python 函数无关。它是关于专门针对生物信号的信号处理/分析的背景。
对于 EEG 等不同的生物信号，长期以来一直在进行特征提取研究。例如，在您的问题中，BCI，您可能知道P300等常见功能（我已经过时了。您可能会查看最近的评论论文。）。因此，通常您从这些信号中提取特征并将它们用作分类器的输入（您提到的那些 X、Y 值）。我稍微解释一下：
一般来说
有从信号中提取的通用特征方法。它们要么从时域或频域或时频域的信号中提取。
查看这些链接并获得概述。
脑电图
但是对于特定的生物信号，您不需要重新发明轮子。EEg 信号分析方法的历史悠久。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。根据我作为最初来自生物医学数据分析的 ML 科学家的经验，问题更多是关于“做什么？” 在“怎么办？”之前。我希望它有所帮助。如果您有更多问题，请发表评论，以便我更新我的答案。
祝你好运！
其它你可能感兴趣的问题