菜鸡踩的坑s

【代码】【节律psd】

最开始一直想不通，两种方法都是五折交叉验证，为什么第二种准确率稳定得低于第一种，还一直在想是不是分类时候代码有问题，后来导师让我把第二种保存好的数据直接导入代码一，看下结果，结果当然还是不好。方法二：先划分train set和test set；最后将五折train、test、val set全都保存待训练（这里的代码不全，只是表达大概意思）在MI分类中使用FBCSP+SVM，基于这个方法写了两个分类的.py文件实现，在数据划分上大差不差（都是CV5），但是结果却相差很多。

最近要用到，但是一点基础都没有，故开个文章记录一下笔记。

根据官方文档，这是一个软间隔分类器，对于在边界内的点有惩罚系数C，C的取值在0-1之间，默认值为1.0。C越大代表这个分类器对在边界内的噪声点的容忍度越小，分类准确率高，但是容易过拟合，泛化能力差。默认为False,决定最后是否按概率输出每种可能的概率，但需注意最后的预测函数应改为clf.predict_proba。默认为None,给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C=1，即前面指出的参数C.默认为-1，最大迭代次数，如果为-1，表示不限制。python中svm使用。

以为是导入braindecode的版本太新了，于是在braindecode官网上找代码对应版本，一直找不到，最后从github上找到了代码的使用指南。使用HGD数据集时，需要从braindecode中调用。一直显示ModuleNotFoundError。我使用这个方法可以跑通。

参考。

我这个问题仅限于这个数据集，因为我的损失函数一直保持在0.69附近，准确率在0.5附近，就一直以为是代码哪里出了问题，搜了很多方法也没有改进。使用BCIC 2a数据集来训练网络，不管是验证集还是测试集准确率均在0.5左右，当然训练集也不会高到哪里去，在0.5和0.65之间摆动。我自己心知肚明，我自己搭的网络很垃圾，基本上就是几个卷积层，把网络建的深了之后，现在准确率一眼看过去就是增长了。BCIC 2a数据集本来就很小，并且其他方法在这个数据集上的准确率也并没有达到很高。

对model.predict进行修改，使之只返回一个值，即可成功运行。在模型训练结束进行预测时，出现这个问题。

不懂是什么原因，反正在class后面加上get_config就行。我的class整体代码如下。

‘NHWC’指定输入和输出数据的格式为[batch, height, width, channels]的顺序，不是默认值，所以是。，"NCHW"表示data将被存储为[batch,channels, height, width] 的顺序。在cpu运行代码时，发现，出现此类问题。

其实现在还没搞懂token_emb和pos_emb的区别，目前做的是EEG，目的是求时间序列之间的相关性。返回x+positions是（none, 1, 197, 20）所以是x和positions数值相加而不是增加维度？输入的是（none, 1, 197, 20）max_len：输入的时间序列长度 197。embed_dim：输入的脑电通道数20。

时域特征提取：对同一脑电通道下时序序列进行卷积空域特征提取：对同一时间点下脑电通道进行卷积。

每位受试者2个session，每个session6个run，每个run48个trail，包含四类MI行为，每类行为12个trails，相当于每位受试者每类MI行为共有2*6*12=144trails采集人工噪声：在每一session开始时，对受试者记录5min基准信号以估计EOG影响：• 睁眼2min（注视屏幕上的十字）、闭眼1min、眼球运动1min每一个 trail 的平均时间大约为8s：• 0-2s：黑色屏幕上出现固定十字，伴随着提示音；