《表3 跨被试方法：基于脑电信号与集成分类器的心理负荷评估》
提示：宽带有限、当前游客访问压缩模式
从表2可以发现使用不同的支持向量机参数可以得到更高的训练精度与测试精度。用跨被试的方法将8个被试数据中的7个作为训练数据集，1个作为测试数据集，实验8次结果如表3所示。
| 图表编号 | XD00110603100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.11.15 |
| 作者 | 顾浩、尹钟 |
| 绘制单位 | 上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 特征列表：基于脑电信号特征提取的睡眠分期方法研究》2021.01.15
- 《表1 特征优选结果：一种集成多分类器的面向地理对象遥感影像变化回溯分析方法》2020.10.01
- 《表2 评价指标：基于朴素贝叶斯分类器的高压开关柜状态评估方法》2020.06.25
- 《表3 脑电信号分类器算法比较》2019.12.15
- 《表2 提取脑电信号α波段后不同特征提取方法的脑卒中分类的实验结果》2019.12.15
- 《表1 原始脑电信号不同特征提取方法的脑卒中分类的实验结果》2019.12.15
- 《表5 6名受试者基于不同算法模型下训练的脑电信号最大分类识别率》2019.12.15
- 《表6 6名受试者基于不同脑电信号分类算法下的Kappa系数对比》2019.12.15
- 《表3 癫痫脑电信号分类结果比较》2020.01.01
- 《表5 算法对比：基于脑电信号与集成分类器的心理负荷评估》2019.11.15
- 《表4 训练时间：基于脑电信号与集成分类器的心理负荷评估》2019.11.15
- 《表3 脑电信号自动识别分类实验的各个指标》2019.05.15
- 《表4 主成分分析结果：基于集成分类器的新疆哈萨克族早期食管癌X线图像的分型研究》2019.07.31
- 《表1 相似度指标对比：基于子成分分解的脑电信号去噪方法比较研究》2019.07.22
- 《表2 运行时间表：基于子成分分解的脑电信号去噪方法比较研究》2019.07.22
- 《表3 模糊积分集成分类器与其他集成分类器的精度Tab.3 Accuracies of fuzzy integral ensemble classifier and other ensemble classifiers》2019.01.30
- 《表3 分类结果比较：基于深度学习的ADHD儿童和正常儿童脑电信号分类研究》2019.02.01
- 《表2 数据集：基于深度学习的ADHD儿童和正常儿童脑电信号分类研究》2019.02.01
- 《表1 自识别分类结果：基于脑电信号的图像清晰度评价方法》2018.06.01
- 《表2 互识别分类结果：基于脑电信号的图像清晰度评价方法》2018.06.01