如何在Keras中为维度为(2505,10)的EEG数据设计CNN分类模型

AI 小北

2026-10-10

错误原因

Keras 中Conv2D层要求输入为4维张量，格式为(样本数, 高度, 宽度, 通道数)，你当前输入的数据集维度为(253, 2505, 10)，缺少了最后一维的图像通道维度（灰度图对应通道数为1），因此触发维度不匹配报错。

调整方案

1. 扩充数据集维度

在训练数据的最后一维新增通道维度，将3维数据转换为适配2D CNN的4维格式：

X_train = np.array(X_train)
# 新增最后一维的通道维度，转换后形状为 (样本数, 2505, 10, 1)
X_train = np.expand_dims(X_train, axis=-1)
# 若存在测试集，也需要做相同的维度扩充
# X_test = np.expand_dims(X_test, axis=-1)
y_train = np.array(y_train)

2. 补全模型结构

你当前的模型只有卷积和池化层，缺少输出分类结果的全连接部分，同时可以显式指定输入形状避免维度歧义，调整后的模型代码如下：

model = models.Sequential()
# 显式指定输入形状：(时间步长, 脑叶数, 通道数)
model.add(layers.Conv2D(32, (3, 3), activation='relu', padding='same', input_shape=(2505, 10, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same'))
# 展平卷积输出，接入全连接层
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
# 二分类输出层
model.add(layers.Dense(no_classes))

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

可选优化建议

针对二分类任务，你可以简化模型配置，降低冗余：

将输出层改为1个神经元搭配sigmoid激活，损失函数换成二元交叉熵，更适配二分类场景：

model.add(layers.Dense(1, activation='sigmoid'))
model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(),
              metrics=['accuracy'])