在之前的文章中，我已經介紹了利用cnn神經網路來進行腦電特徵的提取及識別。我的課題是有關癲癇的腦電特徵分析，在實際的實驗中你會發現，你的神經網路很容易過擬合，可以將實驗抽象為分類任務，可以分為兩個方向來進行訓練：
將所有的資料劃按照一定的比例劃分為兩個部分（eg.7:3），一部分用於訓練，一部分用於測試。
將資料按照人來進行劃分，假設有n個人，n-k個人作為訓練街，但是後面的k個人作為驗證集。
在實驗中你會發現用一種方法模型的準確率都是很高的，但是當你使用第二種的方法你模型的效果就很差，特別是在少樣本的情況之下。在博主的實驗中，用一般的cnn神經網路，第一種方法準確率達到了99.85%， 但是用第二種方式進行訓練，準確率只有：52%左右。因此這就會引人深思：為什麼會出現這種情況? 以及第一種方法學習到的和第二種方法學習到的特徵到底是什麼？
以上的能量譜圖的縱座標是對應特定的通道，橫座標是取得時間視窗。這是乙個整體的均值。
我們可以簡單的劃分為這個兩個部分，input神經網路進行訓練。
神經網路的最後一層全連線層會學習到抽象的特徵資訊，並且這些資訊是和特徵所在的位置有關係的。將學習到的特徵進行拼接，可以得到時序的熱力圖。因此可以得到特徵的位置。因此可以對此特徵進行分析。
特徵抽取能夠有助於研究模型可解釋相關工作。
資料清洗及特徵處理
import numpy as np import pandas as pd df pd.read csv train.csv 檢視每個特徵缺失值個數 df.info df.isnull sum df.dropna df.fillna 對age列的資料缺失值進行處理 df df age none 0...
pytorch 對小鼠的腦電資料進行睡眠狀態三分類
3.分類結果 本文採用pytorch框架，用實驗室採集到老鼠大腦資料來學習一波多分類。我的資料是26只老鼠的mat形式的腦電資料，每個老鼠有15個通道，每個老鼠在不同的睡眠狀態擷取30段資料，每一段資料長為10s。這裡採集的睡眠狀態有三種，分別是awake,rem,和sws 這裡為了更好的獲取時域和...
SSVEP腦機介面及資料集處理
穩態視覺誘發電位 steady statevisual evoked potentials,ssvep 屬於視覺誘發電位 visual evoked potentials,vep 是指當人眼受到乙個恆定頻率 通常大於4hz 的視覺刺激時，大腦視覺皮層會自動產生與刺激頻率及其諧波頻率同頻率的響應。ss...