我有一个实验，它是在两种条件下完成的。对于每个条件，实验进行了 26 次。实验的输出是一个包含 70 个时间索引的图。我想训练一个分类器来预测，给定一个情节，它属于哪个条件。下图显示了在不同颜色识别的两种条件下进行的实验的输出。实际实验从索引 35 开始，因此可以看出，无论条件如何，在此之前的实验结果都没有差异。这些图表示来自一个通道（电极）的 EEG 的功率谱密度。
我正在尝试训练一个忽略低于 35 的特征的 svm 分类器。考虑到每个条件的高可变性，分类器很难做到这一点。一件事是，对红色图和蓝色图进行平均会产生明显不同的行为，从第二个图中可以看出。我想提高分类器的准确率，超过 65%。LSTM 适合这类问题吗？还有其他建议吗？
一个快速的答案是，由于您有时间序列数据，如果您想建模/利用每个系列中的值之间的时间依赖性，LSTM 通常是合适的。LSTMs 现在与 CNNs 相结合以获得更好的性能。你可以参考这个问答：什么是时间序列数据分类的最佳方法？我应该使用 LSTM 还是任何其他方法。唯一的问题是，您的数据集似乎非常小，考虑到神经网络需要计算的参数数量，这通常会导致过度拟合。LSTM 所需的训练样本数量实际上有一个下限（请参阅：LSTM 模型中的参数数量）。也许你可以找到在类似数据上训练的预训练 RNN/LSTM，你可以使用它们。
一般来说，可以（并且可能应该）尝试任何分类算法（尤其是那些在时间序列数据上表现良好的分类算法）。对于 SVM，我希望您尝试过不同的内核。至少有一篇论文讨论了不同 SVM 内核在时间序列分析中的相对优点：http ://www-ai.cs.uni-dortmund.de/EVENTS/FGML2001/FGML2001-Paper-Rueping.pdf 。
如果您还没有这样做，我还建议您研究适用于其他人的时间序列数据（尤其是 EEG 数据）的特征提取策略。交叉验证网站上至少有一个关于此主题的问答：https ://stats.stackexchange.com/questions/66027/time-series-classification-very-poor-results 。