《表3“热”执行功能分类结果(%)》

  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

《基于皮尔逊最优电极选择的ADHD患者脑电特征提取及分类研究》

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

最后，比较各个分类器的平均准确率和执行效率，见表4。采用频域特征的传统分类器算法性能要低于采用时域特征的算法性能（机器配置：i3-4170 3.7 Hz，Windows7 64，4 G内存，显卡：HD graphics 4400），传统分类器算法耗时较高，但同类特征间的算法耗时具有不确定性，组合分类器算法的性能比较适中。实验表明：分类器SVM、LDA、BP、Adaboost、Bagging需要手动选择脑电特征，并且其特征较为单一。而改进后的组合分类器可用于多特征的选择分类，特征选择无需人工干预，能自动学习特征，且准确率比单特征分类准确率更高。组合分类器中LDA-SVM分类准确率达到了88.88%，执行效率较BP-SVM耗时更少，更适用于本实验。