脑电数据（EEG/SEEG）处理-特征可视化

       在之前的文章中，我已经介绍了利用CNN神经网络来进行脑电特征的提取及识别。我的课题是有关癫痫的脑电特征分析，在实际的实验中你会发现，你的神经网络很容易过拟合，可以将实验抽象为分类任务，可以分为两个方向来进行训练：

1. 将所有的数据划按照一定的比例划分为两个部分（eg.7:3），一部分用于训练，一部分用于测试。
2. 将数据按照人来进行划分，假设有n个人，n-k个人作为训练街，但是后面的k个人作为验证集。

在实验中你会发现用一种方法模型的准确率都是很高的，但是当你使用第二种的方法你模型的效果就很差，特别是在少样本的情况之下。在博主的实验中，用一般的CNN神经网络，第一种方法准确率达到了99.85%， 但是用第二种方式进行训练，准确率只有：52%左右。因此这就会引人深思：为什么会出现这种情况? 以及第一种方法学习到的和第二种方法学习到的特征到底是什么？

因此可视化其中的特征，以及根据特征进行分析是十分有必要的。首先可以看看相关的脑电的能量谱图：

正常睡眠的能量谱图

癫痫发作前睡眠能量谱图​​
​​​

 

以上的能量谱图的纵坐标是对应特定的信道，横坐标是取得时间窗口。这是一个整体的均值。

我们可以简单的划分为这个两个部分，input神经网络进行训练。

神经网路的最后一层全连接层会学习到抽象的特征信息，并且这些信息是和特征所在的位置有关系的。将学习到的特征进行拼接，可以得到时序的热力图。因此可以得到特征的位置。因此可以对此特征进行分析。

 

经过一层的特征

 

经过两层的特征

 

可视化的特征

特征抽取能够有助于研究模型可解释相关工作。

之后我还会整理关于特征分析的相关工作。