《表5 所提出方法与DBN-GC7的识别结果比较》

  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

《EEG情感识别中基于集成深度学习模型的多分析域特征融合》

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

由表4可以看出，基于DBN-GC的集成深度学习模型在DEAP数据集上的情感识别准确率表现优于大多数的深度模型.同时，F1得分也明显优于文献[18]的0.583 0和0.563 0.在效价指标上，所提出方法取得了0.782 2平均识别准确率（mean recognition accuracy，MRA），低于最高的0.814 1.可能的原因是Tripathi等的模型训练时受益于更充分的样本数量.所提出集成深度模型与表2中表现最好的DBN-GC7的识别结果对比如表5所示.可以看出，集成深度学习模型识别结果的均值都明显优于DBN-GC7唤醒度和效价的F1-得分的方差也小于DBN-GC7，这表明在情感识别任务中，EEG信号的时域特征、频域特征和时频特征具有互补性，并且所提出方法能够有效地结合EEG信号不同分析域的特征.