《表2 传统机器学习方法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

尽管本文方法在CL分类上已经具有较高的分类准确率，但仍具有局限性.首先，本文在提取时域信息时将整段的EEG信号作为输入，计算复杂度较高，不太适用于处理时间序列较长的海量样本；其次，在时间序列数据处理相关领域，用于处理与上下文相关时间序列的模型也在迭代增强，如Transformer模型突破了RNN这类循环模型不能并行计算的限制，且采用自注意力机制可以产生更具可解释性的模型；最后，本文对于注意力机制带来的好处没有给出一个说服力的解释.今后将考虑把Transformer模型用于EEG时间序列的分析，并通过可视化分析阐述注意力机制产生的作用.