论文思路

数据预处理

1. 傅里叶变换 （时间域变换为频域）
2. 归一化（零归一化，批归一化，层归一化）
3. 数据增强操作。

激活函数

1. startRule
2. ReLU

模型架构

1. 编码器——解码器
2. 残差连接（基于ResNet）
3. MLP
4. 双输入卷积神经网络。

损失函数

1. 交叉熵损失函数

优化函数

1. SGD
2. RMSprop

评估指标

怎么进行评估，

True Positives (TP)：正类别样本中被正确预测为正类别的数量。True Negatives (TN)：负类别样本中被正确预测为负类别的数量。False Positives (FP)：负类别样本中被错误预测为正类别的数量。False Negatives (FN)：正类别样本中被错误预测为负类别的数量。

1. ACC （准确率） ( TP+TN ) / (TP+TN+FP+FN)
2. pression (精确率) (TP/TP+FP)
3. Recall (Sensitivity，灵敏度) (TP / TP+FN )
4. F1-score (F1 值) （2 x (precision x Recall)/(precision + Recall )）
5. Specificity (特异性) （TN / (TN + FP )）
6. 混淆矩阵

数据输入

1. 双输入卷积神经网络 （傅里叶信号+归一化信号）

实验补充

1. 横向实验：按照8：2的数据划分来进行验证。
2. 做消融实验，三个（原模型，删去）
3. 验证不同的时间长度的正确性。

创新点

1. 双数据输入，对数据采用不同的数据预处理，比如FFT(傅里叶变换)，小波变换，零归一化.
2. 在公开数据集上验证处理不同的数据预处理方法对实验结果的好坏。
3. 对比私有数据集，验证自己模型的稳健性（鲁棒性）。
4. 使用图像处理的模型结构。
5. 公开数据集的二分类结果，对比论文。
6. 验证选取合适的数据预处理方法是合适的。(注：数据预处理+深度学习模型架构。)

优化思路

1. 数据经过PSD处理，而后按照通道进行拼接，做一维卷积
2. 时间域做带通滤波，分离5个通道，然后使用卷积神经网络做分类。