《表3 VI-BCI研究中VI任务(范式)、特征提取方法、分类方法及分类精度》
表3给出了VI-BCI研究中VI任务(范式)、特征提取方法、分类方法及分类精度.本研究对视觉想象抬腿和落腿动作的平均分类精度与Kosmyna et al[2]对视觉想象花和锤子和Neuper et al[7]对视觉想象自己手部运动和静息态的平均分类精度相比,网络属性特征、不同维度邻接矩阵特征和网络属性与邻接矩阵组合特征取得的分类结果均高于他们的分类结果,然而这些研究的特征提取和分类方法各不相同.本研究的平均分类精度与Koizumi et al[8]对视觉想象无人机在三个平面(上/下,左/右,前/后)中运动的三类任务的平均分类精度相比,网络属性特征取得的分类结果均低于Koizumi et al[8]的结果,而节点度+邻接矩阵组合特征、二维、四维、六维、八维互信息邻接矩阵作为特征向量取得的分类结果要高于Koizumi et al[8]的结果.与Sousa et al[9]对视觉想象静态点、垂直上下两个方向运动的动态点以及上下左右四个方向运动的动态点的三类VI任务的平均分类精度相比,网络属性特征与网络属性与邻接矩阵组合特征取得的分类结果均低于Sousa et al[9]的结果,六维、八维互信息邻接矩阵作为特征向量取得的分类结果要高于Sousa et al[9]的结果.与Yamanoi[10]对视觉想象机器人十种不同动作的平均分类精度相比,网络属性特征与网络属性与邻接矩阵组合特征取得的分类结果均低于Yamanoi[10]的结果,八维互信息邻接矩阵作为特征向量取得的分类结果要高于Yamanoi[10]的结果.本研究和文献[8-10]的研究结果相比,分类精度有所提高.然而,这些研究的特征提取方法不同.
图表编号 | XD00192290900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.30 |
作者 | 李昭阳、龚安民、伏云发 |
绘制单位 | 昆明理工大学信息工程与自动化学院、昆明理工大学脑认知与脑机智能融合创新团队、中国人民武装警察部队工程大学信息工程学院、昆明理工大学信息工程与自动化学院、昆明理工大学脑认知与脑机智能融合创新团队、云南省计算机技术应用重点实验室 |
更多格式 | 高清、无水印(增值服务) |