《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》

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

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。