【本周实验】

实验

目的：使用AE架构的异常检测模型 ->加入开放集识别

几乎所有的基于机器学习的识别算法都以闭集识别的方式实施，即训
练集和测试集中的样本类别都属于已知类别。而在健康监测场景中，给定数据中标签的种类可能远远少于现实场景中可能发生的真实异常状况的类别，因此将心电信号的异常检测问题推广到开放集识别(Open Set Recognition,OSR)的场景下，是对远程动态心电信号检测任务的另一挑战。

架构主要分为两个模块，第一个模块属于模型的预训练部分，通过AE架构，提取中间值，第二个模块通过分类器，进行异常检测。（论文《Recent Advances in Open Set Recognition: A Survey》中，如二分类的分类器的目的是以区分“正常样本”和“异常样本”时，分类器也称为异常检测器）

相比起初代AE+LSTM架构，这个架构在模型训练以及准确率上有一定提升。
从闭集的异常检测到开集的异常检测，首先是数据集的不同，训练数据集（由于验证集也会参与模型的调整，所以深度学习中，将验证集归属到训练集中）和测试数据集需要调整。

数据集四种
基本类别：
（1）已知类（KKC），即具有明显标记的正训练样本的类（也用作其他KKC的负样本），甚至具有相应的边信息，