《表1 不同频带的分类准确率(%)》
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。
图表编号 | XD00171434500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 翟文鹏、张小内、侯惠让、孟庆浩 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |