1 min —> 60 s
2s –> 1一个点
1min —> 30个点
20min —> 600

现在采集到的数据一个周期5880个点
设置的是2000ms采集一个点。

重新理解LSTM结构

把lstm里面的四个激活单元，当作是全连接网络。

california dataset

x.shape (20640,8)
y.shape (20640,)

model.add(keras.layers.Dense(layer_size, activation=’relu’,
input_shape=(8,)))

数据

-MedInc        median income in block
- HouseAge      median house age in block
- AveRooms      average number of rooms
- AveBedrms     average number of bedrooms
- Population    block population
- AveOccup      average house occupancy
- Latitude      house block latitude
- Longitude

1
2
3
4
5
6
7

|MedInc|HouseAge|AveRooms|AveBedrms|Population|AveOccup|Latitude|Longitude
	0	1	2	3	4	5	6	7
0	7.0671	11	7.64354067	0.980861244	1774	4.244019139	37.34	-121.78
1	2.3267	12	5.016483516	1.267857143	1677	2.303571429	33.14	-117.19
2	1.9893	19	4.083499006	1.0944334	2971	2.953280318	32.79	-116.97
3	4.1026	25	3.549682875	0.993657505	1314	2.778012685	33.65	-117.92
4	3.8333	48	5.234200743	1.096654275	891	3.312267658	37.76	-122.5

读取一个csv文件的数据，放在列表里面。
并把这个列表的数据放到一个DataFrame里，这是一个多列的矩阵。可以参考

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

#creating and plotting the data

#creating some data - we will create a sinus and a sinus * sinus function
shift = 7
trainLength = 800
totalLength = 1200

data = np.empty((1,totalLength,2)) #0 to 1199

#x for the first sinus
base1 = np.array(range(totalLength))*(30*math.pi/totalLength) #30*pi means 15 complete oscilations
#the first sinus
data[0,:,0] = np.sin(base1)

#x for the second sinus - this reflects in a sinus with a different frequency
base2 = 0.8*base1


#the first * the second sinus 
data[0,:,1] = (np.sin(base1)+np.sin(base2))/2

print('data: ', data.shape)

这样做的目的可以把原始的csv数据，放到一个csv里面，这样方便观察数据。

其实手动放置现有的数据是很方便的，可以不用浪费时间研究这个函数。。。

坑

“TypeError: unhashable type: ‘numpy.ndarray’”

再利用for循环读取一个文件夹里的csv的时候，报的错误。

原因：csv文件名有中文。。。。。。
注：报的错误真的好坑啊。。。

LSTM分析EEG

然而，脑电序列通常较长，直接用来训练LSTM模型所需的计算资源非常大且学习到的信息类型单一，而且忽略了许多对情绪识别非常重要的信息，如频域信息和非线性动力学信息。为此提出一种新的基于LSTM的情绪识别模型。脑电信号被分成多个非重叠的信号段，并从每段信号中提取多种时域，频域和非线性动力学特征，这些特征沿时间连接成特征序列并用来训练LSTM分类模型。在DEAP数据集上验证了该模型在愉悦度，唤醒度和喜欢度上的二分类准确率，其中每个情绪维度分为低和高两类。实验结果表明，该模型在愉悦度和喜欢度上的分类准确率均优于已有方法，在唤醒度上的分类准确率仅次于最先进的成果。

一些大数据比赛

看论文：
https://doi.org/10.1007/978-3-030-20521-8_12