Trabalho com a análise de dados de EEG, que eventualmente precisarão ser classificados. No entanto, a obtenção de rótulos para as gravações é um tanto cara, o que me levou a considerar abordagens não supervisionadas, a fim de utilizar melhor nossas quantidades bastante grandes de dados não rotulados.
Isso naturalmente leva a considerar os autoencoders empilhados, o que pode ser uma boa ideia. No entanto, também faria sentido usar redes neurais convolucionais, uma vez que algum tipo de filtragem é geralmente uma abordagem muito útil para o EEG, e é provável que as épocas consideradas sejam analisadas localmente e não como um todo.
Existe uma boa maneira de combinar as duas abordagens? Parece que, quando as pessoas usam a CNN, geralmente usam treinamento supervisionado, ou o quê? Os dois principais benefícios de explorar redes neurais para o meu problema parecem ser o aspecto não supervisionado e o ajuste fino (seria interessante criar uma rede com dados populacionais e, em seguida, ajustar um indivíduo, por exemplo).
Então, alguém sabe se eu poderia pré-treinar uma CNN como se fosse um autoencoder "aleijado" ou isso seria inútil?
Devo considerar outra arquitetura, como uma profunda rede de crenças, por exemplo?