脑电数据的递归（CNN）模型

我想知道如何在EEG环境中解释循环架构。具体来说，我将其视为循环CNN（与LSTM等架构相反），但也许它也适用于其他类型的循环网络

当我读到R-CNN时，通常会在图像分类上下文中对它们进行解释。通常将它们描述为“随着时间的推移学习”或“包括time-1对当前输入的影响”

当使用EEG数据时，这种解释/解释会变得非常混乱。在此处可以找到在 EEG数据上使用R-CNN的示例

想象一下，我有一些训练示例，每个示例都包含一个1x512数组。该阵列在512个连续的时间点捕获1个电极的电压读数。如果将其用作循环CNN的输入（使用1D卷积），则模型的循环部分实际上并没有捕获“时间”，对吗？（如先前讨论的说明/解释所暗示），因为在这种情况下，时间已经被数组的第二维捕获了

因此，通过这样的设置，网络的循环部分实际上允许我们对常规CNN无法（如果不是时间）进行建模吗？

在我看来，循环仅意味着进行卷积，将结果添加到原始输入中，然后再次进行卷积。重复执行x个重复步骤。这个过程实际上有什么好处？

一般来说，网络的循环部分使您可以对长期和短期依赖性进行建模。因此，您的模型可以具有某种状态感。

如果您使用时间序列，这通常是有利的。例如，如果您有来自心率监测器的数据，并且喜欢在休息，压力和恢复之间进行分类。如果您的数据点说您的心律为130，则取决于您是从高负荷中恢复还是其他。

编辑：我忘记了你的第二个问题。

在我看来，循环仅意味着进行卷积，将结果添加到原始输入中，然后再次进行卷积。重复执行x个重复步骤。这个过程实际上有什么好处？

我可以考虑一些可能的答案。通过对重复部分进行卷积，可以对它进行过滤。因此，您会得到一个更清晰的信号，并且错误不会堆积太多。Vanilla rnn遭受梯度消失的折磨，因此这可能是他克服此问题的方法。此外，您正在将功能嵌入rcnn中，如他所说，这可以导致更多的利用途径。这使得它不太容易过度拟合，因此更具通用性。

• 1x512输入阵列的意思是：递归网络将电极电压处理512次，换句话说，您需要处理单个功能。
• 具有一项功能的CNN毫无用处。

请记住，CNN是特征检测器。卷积层的输出是一个矩阵，用于发信号通知检测到某些特征的位置。

因此，循环CNN是学习特征序列的递归神经网络，其中在训练过程中也会学习这些特征。