脳波データの再発（CNN）モデル

私は、EEGコンテキストでリカレントアーキテクチャを解釈する方法を知りたいです。具体的には、これを（LSTMのようなアーキテクチャーとは対照的に）再帰CNNと考えていますが、他のタイプの再帰ネットワークにも適用される可能性があります

R-CNNについて読んだとき、それらは通常、画像分類のコンテキストで説明されています。それらは通常、「時間をかけて学習する」または「現在の入力に対するtime-1の影響を含む」と表現されます。

この解釈/説明は、EEGデータを扱うときに本当に混乱します。脳波データで使用されているR-CNNの例はここにあります

それぞれが1x512アレイで構成されるトレーニング例があるとします。このアレイは、512の連続した時点で1つの電極の電圧測定値を取得します。これを（1D畳み込みを使用して）再発CNNへの入力として使用すると、モデルの再発部分が実際に「時間」をキャプチャしていませんよね？（前述の説明/説明によって暗示されるように）このコンテキストでは、時間はすでにアレイの2番目の次元によってキャプチャされているため

このように設定すると、ネットワークの繰り返し部分によって、通常のCNNが（時間でない場合でも）できないことを実際にモデル化できるようになりますか？

再発とは、たたみ込みを実行し、その結果を元の入力に追加し、再度たたみ込みを行うことを意味するだけのようです。これはx回の反復ステップで繰り返されます。このプロセスは実際にどのような利点をもたらしますか？

ネットワークの繰り返し部分により、一般的に言えば、長期および短期の依存関係をモデル化できます。したがって、モデルにはある程度の状態感覚を持たせることができます。

これは通常、timeseriesを使用している場合に有利です。たとえば、心拍数モニターからのデータがあり、休息、ストレス、回復の間で分類したい場合。データポイントで心拍数が130と表示されている場合、高負荷から回復しているか、それとも他の何かから回復しているかによって異なります。

編集：2つ目の質問を忘れました。

再発とは、たたみ込みを実行し、その結果を元の入力に追加し、再度たたみ込みを行うことを意味するだけのようです。これはx回の反復ステップで繰り返されます。このプロセスは実際にどのような利点をもたらしますか？

私はいくつかの可能な答えを考えることができました。繰り返しの部分を複雑にすることで、フィルターをかけます。そのため、よりクリーンな信号が得られ、エラーはそれほどスタックしません。バニラrnnは、消える勾配の爆発に苦しんでいるので、これはそれを克服する彼のアプローチかもしれません。さらに、機能をrcnnに埋め込んでいるため、彼が述べたように、より多くの悪用経路につながる可能性があります。これにより、過剰適合しにくくなり、より一般化できます。

• 1x512入力配列とは、再帰ネットワークが電極電圧を512回処理することを意味します。つまり、処理する機能は1つです。
• 1つの機能を持つCNNは役に立たない。

CNNは機能検出器であることを忘れないでください。たたみ込み層の出力は、特定の特徴が検出された場所を示す行列です。

したがって、リカレントCNNは一連の特徴を学習するリカレントニューラルネットワークであり、これらの特徴はトレーニング中にも学習されます。