《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》

  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EEG脑网络下肢动作视觉想象识别研究》

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

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.