《表1 数据集III分类结果》
/%
为了证明本文所提方法在运动想象脑电分类任务中的有效性,特将本文方法与集成学习中的经典算法AdaBoost、Bagging作为对照试验,再加一组对比试验是把本文方法步骤的基分类器替换为k近邻(k-Nearest Neighbor,KNN)分类器,对比结果如表1所示。纵向结果显示,本文提取的多域特征比起同样算法提取的单一特征能够有效提高分类正确率;横向结果表明,基于特征随机子空间的集成学习分类方法能够有效实现运动想象脑电信号分类,不仅在运动想象脑电分类研究当中有很高的正确率且高于AdaBoost、Bagging这2类经典集成学习算法的分类正确率;对比整个表中结果,不难发现本文方法取得了最高正确率90.71%,即基于多域特征的随机子空间集成学习在运动想象脑电分类任务当中是有效的。
图表编号 | XD00157715500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.18 |
作者 | 邓欣、龙灿、米建勋、张博宪、孙开伟、王进 |
绘制单位 | 重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室、重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室、重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室、重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室、重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室、重庆邮电大学计算机科学与技术学院数据工程与可视计算重点实验室 |
更多格式 | 高清、无水印(增值服务) |