《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》
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.
图表编号 | XD00163087400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 郑瑞凌、张俊松 |
绘制单位 | 厦门大学信息学院人工智能系艺术认知与计算实验室、厦门大学信息学院人工智能系艺术认知与计算实验室 |
更多格式 | 高清、无水印(增值服务) |