《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》
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。
图表编号 | XD00107095800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.15 |
作者 | 田莉莉、邹俊忠、张见、卫作臣、汪春梅 |
绘制单位 | 华东理工大学信息科学与工程学院自动化系、华东理工大学信息科学与工程学院自动化系、华东理工大学信息科学与工程学院自动化系、华东理工大学信息科学与工程学院自动化系、上海师范大学信息与机电工程学院自动化系 |
更多格式 | 高清、无水印(增值服务) |