《表1 不同频带的分类准确率（%）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于小波能量矩的嗅觉脑电信号识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文对10名受试者的EEG信号数据依次处理，每名受试者的数据形式为455×120。455，代表13种气味分别进行35次试验获得的样本总数，即13×35=455；120，代表在每个样本中，对30个EEG信号通道（去除2个参考电极通道）分别提取θ、α、β和γ频带的特征得到的特征总数，即30×4=120。首先，针对每名受试者的EEG信号依次提取WEM、PSD、近似熵、样本熵及小波熵特征；然后，从每名受试者的每组（对应13种气味共有13组）35次试验数据中随机选取20次试验数据作为训练样本，剩余15次试验数据作为测试样本，分别利用k-NN、SVM、RF和决策树分类器进行气味分类，重复计算10次分类结果的平均值作为最终分类结果。其中，k-NN分类器采用相关距离度量，最优k值通过十折交叉验证确定，搜索范围为[1，20]，步长为1；SVM分类器采用径向基核函数、惩罚参数c和核参数g使用网格搜索法获取最优值，搜索范围为2[-8，8]，步长为20.5，并采用十折交叉验证确定；RF分类器以分类回归树（classification and regression tree，CART）为基分类器，CART树完全成长，不剪枝，森林大小设定为100；决策树分类器采用CART树和后剪枝策略。