《表4 与其他分类结果的比较》

  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

《模糊熵和深度学习在精神分裂症中的应用研究》

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

将本文的方法与其他关于精神分裂症的分类研究进行比较。比较结果如表4所示。文献[12]中通过记录多通道脑磁图（MEG）信号，并提取了最具识别性的δ、θ和α波段的功率谱值作为特征，使用SVM分类器进行分类，分类准确率为91.8%；文献[13]中采用互信息技术进行通道选择，该技术用于确定信息量更大的通道，从而获取更好的识别能力，自相关（AR）系数、频带功率以及分形维数作为信号的特征，最后使用Adaboost分类器进行分类，结果为91.94%；文献[14]中使用一种栈式自动编码器对患者和健康被试的功能性磁共振成像（f MRI）数据进行分类，分类准确率为92.00%；文献[15]中将离散小波变换（DWT）应用于EEG信号，提取的相对小波能量特征被传递到分类器用于分类，最后通过SVM、多层感知器以及K-最近邻分类器实现98%的分类准确率。但是本研究相较于以上研究，分类准确率得到了明显的提升。