《表3 SVM在θ、α频段下的分类结果》

  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

《基于脑网络参数优化的青少年抑郁症患者与健康人群分类识别研究》

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

为了对两组受试者进行分类，分别提取整体的网络参数和优化后的网络参数作为特征，并构建了6个特征矩阵，利用支持向量机（support vector machine，SVM）算法进行分类，并采用留一交叉验证法（高斯核函数）作比较。如表3所示，从整体来看，将优化后的参数作为分类特征，精度都有所提升，其中α频段下的分类精度都高于θ频段。从参数优化前后的分类效果来看，在θ频段下，使用强度的AUC进行分类，精度只提升了2%，使用平均特征路径长度的AUC进行分类，精度提升了11%，使用平均聚类系数的AUC进行分类，精度则提升了18%；在α频段下，使用强度的AUC作为特征，精度比优化前提升了7%，使用平均特征路径长度的AUC作为特征，精度提升了13%，使用平均聚类系数的AUC作为特征，精度提升了10%。