一维卷积神经网络分类绘图

### 关于一维卷积神经网络分类结果的可视化

对于一维卷积神经网络（1D CNN）分类结果的可视化，可以采用多种方式来帮助理解模型的工作机制以及其决策过程。一种常用的方法是通过热力图展示不同时间步长的重要性。

#### 使用Grad-CAM进行可视化的例子

为了更好地解释CNN如何做出预测，可以应用梯度加权类激活映射(Grad-CAM)[^1]技术到1D CNN上：

import numpy as np
from tensorflow.keras.models import Model
import matplotlib.pyplot as plt

def get_last_conv_layer(model):
    """获取最后一个卷积层"""
    conv_layers = [layer for layer in model.layers if 'conv' in layer.name]
    return conv_layers[-1]

def make_gradcam_heatmap(img_array, model, last_conv_layer_name, pred_index=None):
    grad_model = Model(
        [model.inputs], [model.get_layer(last_conv_layer_name).output, model.output]
    )

    with tf.GradientTape() as tape:
        last_conv_layer_output, preds = grad_model(img_array)
        if pred_index is None:
            pred_index = tf.argmax(preds[0])
        class_channel = preds[:, pred_index]

    grads = tape.gradient(class_channel, last_conv_layer_output)

    pooled_grads = tf.reduce_mean(grads, axis=(0, 1))

    heatmap = last_conv_layer_output @ pooled_grads[..., tf.newaxis]
    heatmap = tf.squeeze(heatmap)

    heatmap = tf.maximum(heatmap, 0) / tf.math.reduce_max(heatmap)
    
    return heatmap.numpy()

# 假设已经有一个训练好的1DCNN模型叫做`model`
last_conv_layer_name = get_last_conv_layer(model).name

img_array = ... # 输入数据形状应为(batch_size, time_steps, features)，batch_size通常设置为1用于单样本分析
pred_index = ... # 类别索引

heatmap = make_gradcam_heatmap(img_array[np.newaxis,...], model, last_conv_layer_name, pred_index=pred_index)

plt.figure(figsize=(8, 3))
plt.plot(np.arange(len(heatmap)), heatmap)
plt.title('Heatmap showing important timesteps')
plt.xlabel('Time Steps')
plt.ylabel('Importance Score');

这段代码展示了如何创建一个函数来生成给定输入的时间序列重要性得分，并绘制这些分数作为热力图的一部分。这有助于识别哪些时间段对最终分类贡献最大。

此外，在处理像EEG信号这样的时序数据时，还可以考虑其他形式的可视化，比如傅里叶变换后的频谱图或者小波变化后的尺度-频率表示等[^4]。