Je travaille à l'analyse des données EEG, qui devront éventuellement être classées. Cependant, obtenir des étiquettes pour les enregistrements coûte quelque peu cher, ce qui m'a amené à envisager des approches non supervisées, afin de mieux utiliser nos quantités assez importantes de données non étiquetées.
Cela conduit naturellement à envisager des encodeurs automatiques empilés, ce qui peut être une bonne idée. Cependant, il serait également judicieux d'utiliser des réseaux de neurones convolutifs, car une sorte de filtrage est généralement une approche très utile de l'EEG, et il est probable que les époques considérées devraient être analysées localement, et non dans leur ensemble.
Existe-t-il un bon moyen de combiner les deux approches? Il semble que lorsque les gens utilisent CNN, ils utilisent généralement une formation supervisée, ou quoi? Les deux principaux avantages de l'exploration des réseaux de neurones pour mon problème semblent être l'aspect non supervisé et le réglage fin (il serait intéressant de créer un réseau sur les données de population, puis de peaufiner pour un individu, par exemple).
Alors, est-ce que quelqu'un sait si je pourrais simplement pré-entraîner un CNN comme s'il s'agissait d'un encodeur automatique "paralysé", ou serait-ce inutile?
Dois-je envisager une autre architecture, comme un réseau de croyances profondes, par exemple?