《表5 第二组数据集上不同方法在不同分类器下的分类性能》

  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

《面向阿尔茨海默病的脑网络多频融合图核》

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

为了对比提出的脑网络多频融合图核方法的分类性能的优越性，本文比较了现阶段常用的一些图核方法，分别是Shervashidze等人[30]提出的Weisfeiler-Lehman子树核、Weisfeiler-Lehman最短路径核和Weisfeiler-Lehman边核（将其分别表示为WL-subtree、WL-shortestpath和WL-edge），以及接标等人[21]提出的基于时域信号构建的脑功能网络的新型图核方法．此外，将直接提取脑功能网络节点的聚类系数等节点特征进行阿尔茨海默病与正常对照组分类的方法作为Baseline方法，并分别将这些不同的图核方法用在核SVM与核ELM分类器上进行阿尔茨海默病患者与正常对照组的分类，比较每种图核方法在不同分类器上所表现的分类性能，表4、表5分别给出了在两组数据集下采用不同方法进行实验的分类结果．