标签：eeg Python labels MATLAB samples TensorFlow net fpre size

第一步：准备数据

clc;
clear;
warning off;

samples=[];
labels=[];
for i=3:3
    load(strcat('/Users/thrive/Library/Mobile Documents/com~apple~CloudDocs/发文章/code/dataset/classify/eeg',num2str(i),'.mat'))
    samples=cat(3,samples,eeg.tasksamples);
    labels=cat(1,labels,eeg.tasklabels);
end

x=zeros(size(samples,1),size(samples,2),1,size(samples,3));
x(:,:,1,:)=samples;%MATLAB里边需要增加一维，看一下网络结构就知道了
y=labels(:,2);%n*1

第二步：导入网络并预测数据

classname={'task1','task2'};
net=importKerasNetwork('net/tf/tfmlp.h5','Classes',classname);%使用这个函数需要安装一个工具，根据提示来即可
net.Layers%查看网络结构
pre=classify(net,x);

最后看一下混淆矩阵

fpre=zeros(size(y));
pree=find(pre=='task1');
fpre(pree)=1;
plotconfusion(transpose(y),transpose(fpre),'
 
 
标签：eeg,Python,labels,MATLAB,samples,TensorFlow,net,fpre,size	

来源： https://blog.csdn.net/qq_37813206/article/details/115322989 


本站声明：
1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；

2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；

3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；

4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；

5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。