《表3 各个模型在效价、唤醒度、优势度、喜欢度下的分类效果》
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
《分段复合多尺度模糊熵和IGWO-SVM的脑电情感识别》
几个分类模型的平均识别率对比如图5所示,GWO-SVM模型的情感识别率高于其他模型的情感识别率,说明灰狼算法对SVM优化的分类效果高于其他各个算法对SVM的优化效果。IGWO-SVM模型在效价、唤醒度、优势度和喜欢度上的分类效果均高于其他模型,证实本文对于GWO的改进是有效的。MSFE-IGWO模型在各个方面的情感识别率均低于IGWO-SVM模型,表示本文使用的PCMSFE比MSFE特征更具有识别性。表2为每个模型对一位被试者识别的时间。由表2可知,IGWO-SVM模型识别一名被试者的情感时间是最短的,说明IGWO-SVM模型可以缩短运行时间,提高情感识别的效率。表3为每个模型在效价、唤醒度、优势度、喜欢度下的情感识别率的平均值、标准差、最大值和最小值。从表3可知,IGWO-SVM模型在各个分类上的平均情感识别率均大于其他模型,标准差值小于其他大多数模型的标准差,最高情感识别率可达到100%。喜欢度的不同对效价、唤醒度的影响如图6所示,低喜欢度下的效价和唤醒度的分类效果比高喜欢度下的分类效果好,而且比在所有标签下的情感识别率高。可以看出,喜欢度的高低对效价和唤醒度的分类具有一定的影响,观看低喜欢度的视频会有更高的情感识别率。
图表编号 | XD00107244700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 魏雪、吴清 |
绘制单位 | 河北工业大学人工智能与数据科学学院、河北工业大学人工智能与数据科学学院 |
更多格式 | 高清、无水印(增值服务) |