《表1 ELM和SVM算法单次识别实际和想象右手握力变化的准确率》
基于上述材料和方法,EEG数据经过预处理及特征提取后,采用SVM和ELM分类器进行分类.本文中的“单次识别”指将数据集内所有的试验看作样本(本文共有20×90=1800个试验),建立一个统一的识别模型对每个试验的任务标签进行识别.由于EEG存在“主体依赖”问题,单次识别准确率普遍偏低,但更加实用化.对实际执行握力或想象握力使用留一交叉验证法计算三个类别的识别结果:19个被试(1710个连续试验)用于训练,一个被试用于测试(90个试验);每个受试者只进行一次测试,另外19个受试者用于训练,重复20次;最终识别率是20次测试的平均值.表1中,SVM对三种握力变化及其想象的平均分类准确率分别为86.3%±5.5%和83.7%±3.8%,ELM对三种握力变化及其想象的平均分类准确率分别为82.3%±2.1%和80%±1%,证明SVM和ELM对三种不同力度的实际或想象手部握紧任务都能有效地进行识别,而且SVM的分类结果更好.
图表编号 | XD00136557400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.30 |
作者 | 陈睿、伏云发 |
绘制单位 | 昆明理工大学信息工程与自动化学院、昆明理工大学信息工程与自动化学院 |
更多格式 | 高清、无水印(增值服务) |