我猜想1D信號表示時間序列數據，其中假設值之間存在時間依賴性。在這種情況下，卷積神經網絡（CNN）是可能的方法之一。此類數據最流行的神經網絡方法是使用遞歸神經網絡（RNN），但您也可以使用CNN或混合方法（準遞歸神經網絡，QRNN），如 Bradbury et al（2016）所述。，並在下面的圖中進行了說明。還有其他方法，例如單獨使用注意力，如 Vaswani等人（2017年）所述的Transformer網絡中，有關時間的信息是通過 Fourier系列特徵傳遞的。

對於 RNN，您將使用一個單元格，該單元格將先前的隱藏狀態和當前輸入值作為輸入，以返回輸出和另一個隱藏狀態，因此信息會通過隱藏狀態流動。使用CNN，您將使用一定寬度的滑動窗口，它將看起來像數據中的某些（學習過的）模式，並將這些窗口彼此堆疊，以便更高級別的窗口看起來用於較低級別模式中的模式。使用此類滑動窗口可能有助於查找諸如重複數據中的模式（例如季節性模式）之類的內容。 QRNN層混合了這兩種方法。實際上，CNN和QRNN架構的優點之一是它們比RNN更快。

您當然可以使用CNN對一維信號進行分類。由於您對睡眠階段分類感興趣，請參見本文。它是一個稱為DeepSleepNet的深度神經網絡，它使用1D卷積層和LSTM層的組合將EEG信號分類為睡眠階段。

這是架構：

網絡有兩個部分：

• R代表性學習層： 它由兩個並行的捲積網絡組成。這兩個網絡之間的主要區別是內核大小和最大池窗口大小。左邊的使用內核大小= $ F_s / 2 $ span>（其中 $ F_s $ span>是信號），而右邊的則使用內核大小= $ F_s \ times 4 $ span>。這背後的直覺是，一個網絡試圖學習“精細”（或高頻）特徵，而另一個網絡試圖學習“粗”（或低頻）特徵。
• S順序學習層：來自卷積層的嵌入（或學習的特徵）被合併並饋入LSTM層，以學習嵌入之間的時間依賴性。

最後，有一個5向softmax層將時間序列分為對應於睡眠階段的五種類別之一。

我想強調在處理長序列時使用堆疊式混合方法（CNN + RNN）：

• 您可能已經知道，一維CNN對時間步長的順序並不敏感（不超過本地範圍）。當然，通過在彼此之上堆疊許多卷積和池化層，最終的層能夠觀察到原始輸入的更長子序列。但是，這可能不是建模長期依賴關係的有效方法。儘管CNN與RNN相比非常快。

• 另一方面，RNN對時間步長敏感，因此可以很好地建模時間依賴性。但是，眾所周知，它們在建模非常長期的依存關係方面較弱，因為時間步長可能具有時間依存關係，並且時間步長在輸入中很遠。此外，當時間步長很高時，它們非常慢。

因此，一種有效的方法可能是以這種方式組合CNN和RNN：首先，我們使用卷積和池化層來減少輸入的維數。這將為我們提供具有較高功能的原始輸入的壓縮圖像。然後，我們可以將此較短的1D序列饋送到RNN，以進行進一步處理。因此，我們同時利用了CNN的速度和RNN的表示能力。儘管，與其他方法一樣，您應該針對特定的用例和數據集進行試驗，以了解其是否有效。

以下是此方法的粗略說明：

  --------------------------
--
-一維長序列-
--
--------------------------
            |
            |
            v
=========================
= =
=轉化+匯總層=
= =
=========================
            |
            |
            v
---------------------------
--
-簡短表示-
-     （更高層次       -
-CNN功能）-
--
---------------------------
            |
            |
            v
==========================
= =
=（RNN圖層的堆棧）=
= =
==========================
            |
            |
            v
==============================
= =
=分類器，回歸器等=
= =
==============================
 

FWIW，我建議您從本文中檢查時間卷積網絡（我不是作者）。他們有一個很好的想法，可以使用CNN來處理時間序列數據，對時間順序敏感，可以對任意長序列進行建模（但沒有內存）。