感谢您对我在一项分析中应用的策略的评论/帮助。简而言之，我的情况是：

1) 我的数据具有生物来源，在 120 秒内收集，来自受试者，每次都接受可能的三种刺激之一（响应标签 1 到 3），以随机方式，每秒一个刺激（试验）。采样频率为 256 Hz 和 61 个不同的传感器（输入变量）。所以，我的数据集有 120x256 行和 62 列（1 个响应标签 + 61 个输入变量）；

2）我的目标是确定每个刺激是否存在潜在模式。为此，我想使用深度学习神经网络来检验我的假设，但不是以传统方式（从单个观察/行预测刺激）。

3）我的方法是划分整个数据集，在每行洗牌（避免任何时间偏差）之后，在训练和验证集（50/50）中，然后运行深度学习算法。该部门不分离试验事件 (120)，因此每个训练/验证集应包含来自同一试验的数据（行）（但绝不是同一行）。如果每个刺激都有一个主导模式，则验证混淆矩阵错误应该很低。如果每次试验都有一个主导模式，则验证混淆矩阵错误应该很高。因此，验证混淆矩阵错误是我对每个刺激存在隐藏模式的指标；

如果您能就我的逻辑的有效性向我提供任何意见，我将不胜感激。我想强调的是，我并不是试图根据行输入来预测刺激。

谢谢。