《表2 不同模型分类准确率结果比较》
为了提取特征矩阵C的节点重要性特征,将其分别进行SVD和PCA,每段情绪EEG数据将会生成一个向量,在每个向量末尾加上情绪标签,作为机器学习训练的数据集,采用10折交叉检验进行机器学习分类。本研究采用K-最近邻算法(knearest neighbour,KNN)、决策树、SVM模型进行情绪二分类尝试,准确率结果如表2所示。本文采用SVD和PCA对矩阵进行特征提取作为SVM的输入,分别实现了75.3%和83.6%的情绪二分类准确率。SVD只取奇异值向量作为特征会丢失一定的信息,而与之相比,PCA压缩数据的同时让信息损失最小化,因此二分类准确率结果提升了将近8%。
图表编号 | XD00171434900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.25 |
作者 | 钱宇同、沈健、张家祯、何谈沁、黄丽亚 |
绘制单位 | 南京邮电大学射频集成与微组装技术国家地方联合工程实验室、南京邮电大学射频集成与微组装技术国家地方联合工程实验室、南京邮电大学射频集成与微组装技术国家地方联合工程实验室、南京邮电大学射频集成与微组装技术国家地方联合工程实验室、南京邮电大学射频集成与微组装技术国家地方联合工程实验室 |
更多格式 | 高清、无水印(增值服务) |