使用脑电图 (EEG) 数据进行深度学习答案

【问题标题】：Deeplearning with electroencephalography (EEG) data使用脑电图 (EEG) 数据进行深度学习
【发布时间】：2018-11-01 00:13:18
【问题描述】：

我正在制作一个卷积网络模型，我想用它对 EEG 数据进行分类。该数据是一个实验，其中参与者被 3 个不同类别的图像唤起，每个类别有 2 个子类。为了简要说明数据集的大小，一个子类具有给定参与者的 ±300 个 epoch（这适用于所有子类）。

现在我的问题是：我的训练数据集中有 5 个参与者，我将每个参与者的数据的 15% 放入测试数据集中。即使使用同一个参与者来训练模型，我是否可以将 15% 视为看不见的数据？

欢迎任何意见！

【问题讨论】：

【解决方案1】：

这取决于您要测试的内容。测试集用于估计泛化（即在看不见的数据上的性能）。所以问题是：

这实际上取决于您的目标或您试图提出的主张。我可以考虑两种方法的情况：

想想需要为每个用户重新训练的 BCI。在这里，您将测试来自同一个人的数据。
另一方面，如果您提出一个非常笼统的主张（例如，我可以解码来自整个人群的某个大脑区域的一些相关信号），那么拥有一个由未包含在训练集中的参与者组成的测试集将有助于更有力地支持您的主张。（但问题是这是否有效。）

【讨论】：

分类器目前对来自受过培训的参与者的排除测试数据进行分类的准确率为 95%。但是当我尝试对被排除在培训之外的参与者进行分类时，分类是随机的。这更像是一项实验性研究，看看将 CNN 与 EEG 数据结合使用时会发生什么。