《表2 相关方法分类性能比较》

  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

《卷积神经网络及其分析在抑郁症判别中的应用》

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

在同一数据集（MPHCs EEG数据）上，应用不同的分类器进行抑郁状态分类，其分类性能指标显示在表2中。这些分类器中，除了MLRW[8]之外，本文重新实现了几个代表性的神经网络模型，包括Resnet-16[19]、Capsule Net[20]和Le Net[21]，所有分类器只是修改了模型的输入（20×32×32）和输出维度（1），其他关于神经架构及每一层的超参数都未加修改。该表显示：（1）本文提出的分类器在所有分类指标上都最优，同时较高的敏感度和特异度也昭示出分类器不仅能有效地筛选出抑郁症患者，同时也能有效地筛选出正常人；（2）分类器的性能与其模型的层数不相关，比如层数更多的Resnet和Capsule Net，并没有取得期望的性能指标，反而需要更长的时间进行训练，出现此情形的原因可能性是分类器过于复杂，在拟合数据时出现过分拟合，导致分类性能下降，如何使得分类器更好地拟合不同数据的非线性将极大地影响分类器的性能，而为了理解这一差异性将是理解神经网络黑盒的关键问题之一，这将作为未来研究的重点方向之一。