时空特征如何融合？LSTM+Resnet有奇效，SOTA方案预测准确率超91%

LSTM有着不错的时序信息提取能力，ResNet有着不错的空间特征信息提取能力。如果现在有时空特征融合的创新需求，我们是否能将LSTM和ResNet两者的优点融合起来呢？

随着这个思路下去，LSTM + ResNet混合模型横空出世，在各个需要时空特征融合的交叉领域夺得SOTA。比如一种基于监督对比学习与混合神经网络架构的癫痫发作预测新方法。

该方法创新性地融合了ResNet特征提取器与LSTM时序建模模块，在CHB-MIT标准数据集上取得了突破性表现。实验结果表明，该模型在15分钟预发作时间窗的预测任务中，以91.90%的准确率和89.64%的敏感性刷新了当前最优性能指标。

我精心整理的10篇LSTM + ResNet的论文将为大家提供全面的模型创新方法思路。

点击【AI十八式】的主页，获取更多优质资源！

A ResNet-LSTM hybrid model for predicting epileptic seizures using a pretrained model with supervised contrastive learning

方法

1. 数据预处理

   • 使用短时傅里叶变换（STFT）将原始EEG信号转换为包含时频信息的频谱图，以解决EEG数据的复杂性和不规则性问题。

   • 通过滑动窗口算法进行过采样，缓解数据不平衡问题。

   • 截取0-60 Hz频段数据，去除高频噪声干扰。