《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》

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

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。