EEGMMIDB_CNN

Data

实验采用的是网上的开源数据，数据的地址为：https://www.physionet.org/pn4/eegmmidb/

实验采用的是Subject1-Subject9的想象运动的数据集：

# subject=1-9, run=04,06,08,10,12,14
S00[subject]R[run]

说明：

• 每次run持续2min, 采样频率160Hz, 采样点大概有20000左右
• run 04 08 12 是想象左右手的运动：rest(10080)、left(5328)、right(4592)
• run 06 10 14 是想象上下双拳和双脚的运动：rest(10080)、fists(5328)、feet(4592)
• 数据是采用的64个电极采集的，故有64维（数据的列）
• 数据的行是时间，每一个时间点一个sample，每个sample最后一维（64）维是label [0:64]
• 原始数据中，label为1，2，3：1代表休息，2代表（左手运动/双拳运动），3代表（右手运动/双脚运动）*

实验数据：

• 每一个subject都有一份整合好的数据：S1_data 为subject 1的数据
• 每一个subject数据的shape为(29920,65),最后一列为label
• 从run04,06,08,10,12,14中的rest选择1800，然后组成最后的rest(10080),label为1;
• 从04,08,12中的left,right各选择1776,1531，然后组成最后的left(5328),right(4592),label为2,3;
• 从06,10,14中的fists,feet各选择1776,1531，然后组成最后的fists(5328),feet(4592),label为4,5;

CNN网络结构

结果比较

Subject	SUB1	SUB2	SUB3	SUB4	SUB5	SUB6	SUB7	SUB8	SUB9
准确率	0.9274	0.8901	0.9140	0.8722	0.8671	0.8864	0.9274	0.9034	0.9311

算法复杂度

时间复杂度：O(M * N + P * D + S * T)

• M * N 为第一个卷积层后的输出尺寸 (64 * 20)
• P * D 为第二个卷积层后的输出尺寸 (32 * 40)
• S * T 为全连接层的输入神经元数 * 输出神经元数 (640 * 320)