《表6 本文算法与其他算法分类结果对比》
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CSP-PSO-SVM的运动想象EEG信号特征提取与分类算法》
式中:p0为准确率。Kappa系数越高,则对应的识别率越高。将本文提出的算法分类结果与BCI竞赛第1名算法分类结果[19]及文献[22]中算法分类结果进行对比,结果如表6所示。由表6可知:在BCI竞赛中,第1名使用带通滤波器去除伪记进行预处理,再通过构建PW-CSP滤波提取特征,最后通过朴素贝叶斯Parzen窗口分类器进行分类,其分类结果的Kappa系数平均值为0.57,最大值为0.77,最小值为0.27;文献[22]采用KNN进行分类,其Kappa系数平均值为0.59,最大值为0.76,最小值为0.21;而本文采用的CSP-PSO-SVM方法所得Kappa系数平均值为0.60,最大值为0.91,最小值为0.34。由此可见,基于CSP-PSO-SVM的算法具有一定的优势。
图表编号 | XD00180699100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.26 |
作者 | 刘宝、唐雨琦、蔡梦迪、薄迎春、张月 |
绘制单位 | 中国石油大学(华东)信息与控制工程学院、中国石油大学(华东)信息与控制工程学院、中国电波传播研究所、中国石油大学(华东)信息与控制工程学院、中国石油大学(华东)信息与控制工程学院、中国石油大学(华东)信息与控制工程学院 |
更多格式 | 高清、无水印(增值服务) |