使用EEGnet实现SSVEP脑电信号的分类实践

使用EEGnet对SSVEP脑电信号进行分类，EEGnet是一个深度可分离卷积结构。

经过学习，有以下几点实践经验可以总结：

1、原始脑电信号的质量很重要，前期需要对信号进行去噪。

2、对于样本较少的数据，送入模型训练的信号的采样频率不宜过高，不然对分类准确率有影响。原始采样频率为1000HZ的信号可以降采样为4个250HZ的信号，扩充了训练样本，也提升了模型的分类准确性。

3、输入模型的脑电信号要对原信号*1000进行信号放大，如果不放大深度模型在梯度下降的时候可能因为数值过小而发生梯度小时的现象。

4、训练过程中采用验证集关注模型是否发生了过拟合，如果模型在训练集上表现比验证集上好，那就是发生了过拟合，增大数据量或者降低模型的大小是可行的解决方案，增大数据量是最简单粗暴有效的解决方案。

5、训练过程中可以采用K-fold交叉验证的方式找到最优的模型。