0.前言：
在我们的工程实验中，我们建好了一个模型，数据输入的形状是我们不得不考虑的一个重要问题。我们查看论文，会发现EEG信号大多以a*a的shape作为输入，例如EEG.dara.shape=16*16，在(16,16)前再加上数据本身通道就成了（14，16，16）输入模型中再加上batch_size就变成了(batch_size,14,16,16)这就是4维信号了，但是单论数据来讲，他还是2维的，使用Conv2d网络训练即可。
但是，很少有论文会提及为何以这种shape作为输入，有的会一言两语提及，但是数据处理技术不公布，有的则连input.shape都没有。专门研究输入形状的论文也发表极少，一个研究方向的此类SCI文章几乎只有1~2篇甚至存世为0。这是一个发高水平文章的出发点，我查看了研究EEG.shape的论文，果然国外于2023.1.30日在JCR2区的一个很有分量的老牌期刊上发表了一篇研究shape的文章：Input Shape Effect on Classification Performance of Raw EEG Motor Imagery Signals with Convolutional Neural Networks for Use in Brain—Computer Interfaces，他研究的是我上篇博客提到的数据1维还是2维的输入对比，并没有将shape细分，若是细分的话工作量太大，这也是作者不做的原因吧。
本篇博客我会做一个消融实验，来说明四个问题，每个问题我会写上自己部分的结论，最后整个实验结论可以读者自己总结。
1.消融模型：
这里我建了三个CNN模型，结构如上，使用的数据是国外某实验室的脑力负荷数据集，该数据集14Channels，2.5minutes的数据量为19200，验证问题如下：
1、一维EEG信号是否需要升到二维
这里直接给出我的结论：需要升维，（batch_size,input_channels,H,W）可以探索H*W最佳输⼊尺⼨，ACC⽐（batch_size,input_channels,len(data)）要⾼不少。
Conv1d(batch_size,input_channels,len(data))
Conv2d(batch_size,input_channels,H,W)
Conv3d(batch_size,input_channels,D,H,W)
2、填充 or 直接分 （19200填充为19600分为a*a VS 19200直接分a*b）
数据分不成a*a的，也就是data开根号整除不了的，我们需要填充后开根号为a*a，或者直接把数据分开为a*b。
直接给出我的结论：数据填充后分为a*a⽐直接分为a*b更优： SGD：2.56%； Adam：0.71% 所以，若数据开根号整除不了，则需要向后填充使数据能够整除；若数据开根号能整除，则直接分为a*a。
3、填充方式(19200数据后⾯填充400个0变为19600 VS 前后填充200个0变为19600）
上总结：数据后⾯填充⽐前后填充更优：SGD 0.65% ； Adam：1.35%
4、优化器选择：SGD vs Adam
答：⽆论在哪个消融实验中，Adam优于SGD 2% 左右，但Adam需要更⼩的学习率，也验证了Adam对于Lr的不敏感性。这里结果证明并不是SGD不好，SGD难以训练，耗费时间较多，但是训练出来它最终的精度会比Adam高，我这里训练的次数少，所以SGD相当于没训练出来，但本次实验本质并不是探究到底哪个优化器更好的。
这里我说一下优化器选择根本策略：建议先用Adam训练模型，再使用SGD；若二选一，在一般情况下，选择Adam。
我画了个逻辑图，帮助你理清思路：
2.实验结果：以CNN-A模型为例
2.1 CNN-A结果（验证填充方式）
2.2 CNN-A结果（直接分 VS padding）
3. CNN-A、CNN-B、CNN-C对比：
使⽤Adam、np.pad(0,400)⽅式，以(batch_size,input_channels,140,140)的输⼊来对⽐CNN-A、CNN-B、CNN-C结果
CNN-A： ACC=0.9646
CNN-B： ACC=0.9399
CNN-C： ACC=0.9563
4.结语：
实验部分结论我写了一些，因为保密原因其他结论读者自行思考，严禁任何人以个人和机构名义以论文、学术讲座等形式发表本实验任何思路和结论，违者必究。
5.思考：
1）数据为何开根号整除为A*A形式输入效果好？试着想一下CNN模型最初用来做啥的，联想图片输入形式。
2）为何在后填充比前后填充效果好？
3） 三个模型为何CNN-A精度最高？