《表6 同类研究对比：基于改进的卷积神经网络脑电信号情感识别》

  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

《基于改进的卷积神经网络脑电信号情感识别》

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

为了进一步验证本文CNN自动特征提取方法的科学性和优越性，将与同样采用SEED数据集的传统特征提取方法进行对比分析。文献[20]以微分熵（Differential Entropy，DE）为脑电信号的情感特征，结合深度信念网络（Deep Belief Network，DBN）进行通道选择，最终得到86.65%的分类精度；文献[21]提取了功率谱（Power Spectrum）、小波（Wavelet）和非线性动力学（Nonlinear Dynamics）特征以评估脑电数据和情绪状态之间的关联，通过线性动态系统（Linear Dynamical System，LDS）平滑法消除特征的无关噪声，利用线性判别分析（Linear Discriminant Analysis，LDA）特征降维，最终通过SVM获得最佳平均分类精度91.77%；文献[22]将一维脑电时域信息转换成二维的微分熵频域特征，结合分层卷积神经网络（Hierarchical Convolutional Neural Network，HCNN）做二次特征提取，获得了88.20%的识别精度。由表6可知，本文的CNN-RF方法在SEED数据集上取得了很明显的优势。