《表2 不同机器学习模型的结果对比》

  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

《基于事件相关电位(ERPs)和机器学习的考试焦虑诊断》

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

不同机器学习算法比较的结果见表2。由于这一批数据正反两类的数目并不均衡，这里我们使用在测试集上的准确率和F1-score来评价模型的优劣，F1-score是样本类别不均衡下一种衡量模型好坏的评价指标，它是基于查准率与查全率的调和平均来定义的，在这一实验中，高考试焦虑人群的数量远多于低考试焦虑人群，因此在高考试焦虑人群上的准确性可能会掩盖低考试焦虑的部分，相对于单一的准确性而言F1-score更加全面的衡量了模型在高、低考试焦虑这两类人群上的准确性。通过对不同模型间的各类重要指标进行比较（表2），我们发现CNN在这一分类任务上的各个重要指标都显著高于其他算法。例如，宿云、胡斌、徐立新、张晓炜和陈婧（2015）在研究中提到的用随机森林对EGG信号进行分类的方法，虽然随机森林构建更快，需要调整的参数也更少，但是它在某些噪音较大的分类问题上容易过拟合，且偏向于划分取值较多的特征，因此在当前数据上表现不佳，同时也有研究指出，神经网络往往比随机森林得到的结果更优一些（Strier&Shechter，2016）。因此我们认为，在对于脑电信号的处理方面，卷积神经网络确实有独特的优势。