Capítulo 4 Construcción del modelo CNN+LSTM
Este capítulo presentará en detalle el diseño arquitectónico del modelo híbrido CNN+LSTM propuesto, con el objetivo de combinar la capacidad de extracción de características de las redes neuronales convolucionales (CNN) con la capacidad de modelado de series temporales de las redes de memoria a largo plazo (LSTM) en el aprendizaje profundo, logrando así un modelado efectivo de datos de series temporales complejos.
4.1 Marco general del modelo
Como se muestra en la Figura 6, el modelo CNN+LSTM consta de dos partes:
Capa CNN: utilizada para extraer características espaciales de los datos de entrada.
Capa LSTM: utilizada para capturar dependencias a largo y corto plazo en series temporales.
La entrada del modelo son los datos de series temporales preprocesados (representados por una matriz bidimensional o tridimensional), y la salida es el resultado de la predicción objetivo.
4.2 Diseño de la capa CNN
La capa CNN incluye múltiples bloques convolucionales, cada bloque convolucional compuesto por una operación convolucional, normalización y función de activación. La configuración específica de los parámetros es la siguiente:
Número de núcleos convolucionales: 64 (1ª capa), 128 (2ª capa)
Tamaño del filtro: 3×3
Paso: 1
Método de agrupación: agrupación máxima, paso de 2
Función de activación: ReLU
4.3 Diseño de la capa LSTM
La capa LSTM se utiliza principalmente para extraer características de series temporales. El modelo adopta una estructura LSTM unidireccional y aumenta la capacidad de expresión del modelo apilando múltiples unidades LSTM. La configuración específica de los parámetros es la siguiente:
Número de unidades: 128 (1ª capa), 64 (2ª capa)
Dropout: 0.5 (para prevenir el sobreajuste)
Función de activación: tanh
4.4 Salida del modelo y función de pérdida
La salida final del modelo, después de pasar por una capa completamente conectada, utiliza la función Softmax para la clasificación. La función de pérdida seleccionada es la pérdida de entropía cruzada (Categorical Crossentropy), y el optimizador elegido es Adam.
Capítulo 5 Resultados experimentales (sección de rendimiento del modelo)
Este capítulo mostrará el rendimiento del modelo en el conjunto de datos experimental y verificará la efectividad del modelo mediante análisis visual.
5.1 Proceso de entrenamiento del modelo
La Figura 7 muestra la curva de pérdida de entrenamiento del modelo, de la cual se puede observar que el modelo entró en un estado estable después de una fase de convergencia rápida. La curva de precisión de entrenamiento (Figura 8) muestra que el modelo exhibe una buena capacidad de aprendizaje en el conjunto de entrenamiento.
5.2 Análisis de la matriz de confusión
Para verificar el efecto de predicción del modelo en diferentes categorías, se generaron matrices de confusión (Figuras 9 y 10) en los conjuntos de datos HMC e ISRUC, respectivamente. De los resultados se puede observar que:
En el conjunto de datos HMC, la precisión de identificación del modelo para la categoría A alcanzó el 98%, mientras que la tasa de clasificación errónea para la categoría C fue mayor;
En el conjunto de datos ISRUC, la precisión de predicción del modelo en todas las categorías alcanzó más del 90%.
5.3 Comparación del rendimiento del modelo
La Figura 14 muestra la comparación del rendimiento de CNN+LSTM con otros modelos de referencia (como CNN pura, LSTM pura, etc.). Los resultados experimentales indican que:
El modelo CNN+LSTM supera significativamente a otros modelos en términos de precisión y valor F1;
El modelo tiene una fuerte capacidad de modelado para datos de series temporales complejos y presenta un mejor rendimiento de generalización.
Capítulo 6 Deficiencias del modelo y direcciones de optimización
Aunque el modelo CNN+LSTM mostró un buen rendimiento en los experimentos, todavía existen algunas deficiencias:
Riesgo de sobreajuste: cuando la cantidad de datos de entrenamiento es pequeña, el modelo es propenso al sobreajuste.
Alta complejidad computacional: debido a que el modelo contiene una gran cantidad de operaciones convolucionales y recurrentes, los requisitos de recursos computacionales en aplicaciones prácticas son altos.
Para abordar los problemas anteriores, se proponen las siguientes direcciones de optimización:
Diseño ligero: reducir la complejidad computacional disminuyendo la profundidad de la red o introduciendo estructuras de capa más eficientes (como MobileNet).
Aumento de datos: mejorar la capacidad de generalización del modelo expandiendo los datos de entrenamiento (como recorte aleatorio, adición de ruido, etc.).
Capítulo 7 Conclusión (sección del modelo)
El modelo híbrido CNN+LSTM propuesto en este estudio ha demostrado un rendimiento excelente en tareas de análisis de datos de series temporales. A través de la verificación experimental, el modelo ha logrado una alta precisión de predicción en conjuntos de datos complejos, lo que demuestra un buen valor de aplicación práctica. Aunque todavía existen algunas deficiencias, el rendimiento del modelo se puede optimizar aún más en el futuro mediante métodos como el diseño ligero y el aumento de datos.
El tema de nuestro concurso de modelado estadístico: Identificación automática de etapas del sueño basada en señales EEG y análisis de la calidad del sueño entre poblaciones. Lo anterior es parte del contenido del artículo, por favor ayúdeme a dibujar un diagrama esquemático de la estructura del modelo.
