《表3 文献[14]与本文方法分类准确率对比》

  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

《脑电时空多特征融合的数字图形界面认知负荷评价方法》

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

从表3可以看出，考虑了EEG时域特征的MIX比Multi-CNN在各个被试上均取得了较高的分类准确率，说明MIX具有一定的泛化能力和鲁棒性；Att-BLSTM-W/O和Att-BLSTM在获取原始EEG时间序列中的时域信息后，各个被试分类准确率和平均分类准确率均有提升，原因是文献[14-15]通过划分时间窗口，将EEG在不同时间窗口内的频域信息与空间信息结合生成EEG图片，再将EEG图片输入LSTM来获得EEG的时域信息，获取的时域信息较少，同时忽略了原始EEG信号本身就是高分辨率的时间序列.而Att-BLSTM-W/O和Att-BLSTM直接处理原始的高分辨率的EEG信号，所以取得了更好的效果.从表3还可以看出，相对于Att-BLSTM-W/O，Att-BLSTM在各个被试上均获得提升，这是因为Att-BLSTM能更加准确地获取时域信息.