《表1 卷积神经网络架构：基于事件相关电位(ERPs)和机器学习的考试焦虑诊断》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于事件相关电位(ERPs)和机器学习的考试焦虑诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:通过三次卷积操作提取了数据的特征，将数据矩阵的大小进行压缩，但是数据的深度加深，每次池化操作之后都使用了relu函数对数据矩阵进行逐元素激活，最后加上一个全连接层将每一个样本进行分类。

本研究使用的卷积神经网络架构见图4。本文中使用的CNN的输入数据维度是64×2×5，其中64代表64个不同位置的电极点，2代表任务条件（即威胁词和中性词下不同的脑电信息），5代表5种ERP成分（即P1，P2，N2，P3和LPP成分）。将原始数据输入到卷积层Conv1做卷积计算，即用一个较小的卷积核（也叫卷积矩阵）在数据矩阵上根据给定的步长（这里步长为1）进行滑动，将对应位置的元素进行相乘求和。在如图中输入数据矩阵为64×2×5的情况下，用16个5×5的卷积核来进行卷积操作，每一个卷积核都进行卷积操作就得到16个64×2的矩阵（这里我们使用补全的卷积方式，于是数据矩阵的大小并不发生改变），这16个矩阵分别代表16种原数据的不同特征，在深度学习中我们称为通道数。可以看出卷积是一种局部操作，通过一定大小的卷积核作用于局部数据区域来提取局部信息，这里卷积核的大小是事先给定的，里面的参数由模型学习而来，这些特性使得CNN的参数可以共享，减少了参数个数，并且在数据发生平移变换的时候，模型仍能捕捉到相似的特征。为了满足不同任务的需要，近年来，许多不同的卷积核如空洞卷积也被提出（Yu&Koltun，2015）。