《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》
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.
图表编号 | XD00165476700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.01 |
作者 | 晁浩、刘永利、连卫芳 |
绘制单位 | 河南理工大学计算机科学与技术学院、河南理工大学计算机科学与技术学院、河南理工大学计算机科学与技术学院 |
更多格式 | 高清、无水印(增值服务) |