pythonのニューラルネットワークでsin波の分類をしたい

前提・実現したいこと

大学の研究において脳波の解析をしています。
実験のシュミレーションデータの解析を行なっているのですが、うまくできません。
研究室の中ではこの分野を行なっているのは自分しかいなくて、先輩方には頼ることができない状況なのでここで質問させていただきます。

手順１：周波数が10と80のsin波を作成し、合成する。これを訓練データとする。
手順２：周波数が80のsin波を作成し、テストデータとする。

発生している問題・エラーメッセージ

実験結果のaccuracy（判別制度）がうまく結果が出ない

該当のソースコード

import matplotlib.pyplot as plt
import numpy as np

#周波数が10のsin波を作成
x1 = np.linspace(0, 10*np.pi, 1600000)
x1 = np.array(x1)
x1train = np.sin(x1)

#周波数が80のsin波を作成
x2 = np.linspace(0, 80*np.pi, 1600000)
x2 = np.array(x2)
x2train = np.sin(x2)
plt.plot(x1,x1train)
plt.show()
plt.plot(x2,x2train)
plt.show()

#2つの波を合成
x3 = np.linspace(0, 80*np.pi, 3200000)
x_train = np.concatenate([x1train,x2train])
plt.plot(x3,x_train)
plt.show()

#実験データが（40,5000,16,1）というサイズなので合わせています。
x_train.resize(40,5000,16,1)


#訓練データのラベル付け（周波数が10の部分は0、周波数が80の部分は1とする）
y_train = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]
y_train = np.asarray(y_train).astype('float32')


#テストデータの作成
z  = np.linspace(0, 80*np.pi, 800000)
z1 = np.sin(z)
x_test = np.array(z1)
x_test.resize(10,5000,16,1)

#テストデータのラベル付け（テストデータは周波数80なので1）
y_test = [1,1,1,1,1,1,1,1,1,1]
y_test = np.asarray(y_test).astype('float32')




import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_circles
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
from keras.models import Sequential
from keras.layers.core import Dense
from keras import optimizers
from keras.models import Sequential
from keras.layers import Dense, Activation, Flatten, Dropout


model = Sequential()
model.add(Dense(3, activation='relu',input_shape=(5000, 16, 1)))
model.add(Dense(3, activation='relu'))
model.add(Flatten())
model.add(Dense(2, activation='softmax'))
model.compile(optimizer='rmsprop',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.summary()

history = model.fit(x_train, y_train, validation_data=(x_test, y_test), epochs=20)

metrics = ['loss', 'accuracy']  # 使用する評価関数を指定

plt.figure(figsize=(10, 5))  # グラフを表示するスペースを用意

for i in range(len(metrics)):

    metric = metrics[i]

    plt.subplot(1, 2, i+1)  # figureを1×2のスペースに分け、i+1番目のスペースを使う
    plt.title(metric)  # グラフのタイトルを表示

    plt_train = history.history[metric]  # historyから訓練データの評価を取り出す
    plt_test = history.history['val_' + metric]  # historyからテストデータの評価を取り出す

    plt.plot(plt_train, label='training')  # 訓練データの評価をグラフにプロット
    plt.plot(plt_test, label='test')  # テストデータの評価をグラフにプロット
    plt.legend()  # ラベルの表示

plt.show()  # グラフの表示