《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》
提示：宽带有限、当前游客访问压缩模式
此外，本文作者采用Kappa系数对测试分类结果进行评估，针对不同的受试者研究结果如表6所示。
| 图表编号 | XD00119578200 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.12.15 |
| 作者 | 胡章芳、崔婷婷、罗元、张毅、魏博 |
| 绘制单位 | 重庆邮电大学光电工程学院、重庆邮电大学光电工程学院、重庆邮电大学光电工程学院、重庆邮电大学先进制造学院、重庆邮电大学先进制造学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 不同分类算法和不同信号指标下的识别准确率》2020.12.30
- 《表6 使用NGBDI、Ex G以及红色二阶矩图像进行面向对象分类的总体分类精度以及Kappa系数》2020.12.28
- 《表3 不同算法在Washington DC Mall数据集上的分类精度（±前的数字表示总体分类精度，%；±后的数字表示总体分类精度的标准差，%；括号内的数字表示Kappa系数）》2020.01.25
- 《表1 不同算法在Indian Pines数据集上的分类精度（±前的数字表示总体分类精度，%；±后的数字表示总体分类精度的标准差，%；括号内的数字表示Kappa系数）》2020.01.25
- 《表3 脑电信号分类器算法比较》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4 不同算法模型对四类运动想象脑电信号的平均分类识别率对比》2019.12.15
- 《表6 3组数据不同算法下的分类结果》2019.11.05
- 《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》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》2019.11.15
- 《表2 Indian Pines地区数据在各算法下的OA和Kappa系数》2019.10.10
- 《表3 Pavia City数据集在不同DA方法下的分类精度和Kappa系数(Source→Target)》2019.10.01
- 《表2 不同滑动窗口下的总体分类精度、Kappa系数、罗布麻精度》2019.01.01
- 《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6 20名被试者对各方案在各指标下的评价》2019.11.20
- 《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