《表7 提取GC特征与传统特征进行分类识别Table 7 The GC feature values and traditional feature values are extracted for

  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

《基于脑电信号间Granger因果关系特征的情感识别》

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

注:p<0.05，结果均具有显著性意义

提取GC特征与传统特征进行分类识别的对比结果如表7所示，accuracy与F1-score大体一致，说明了分类和识别结果是可靠的。在V、A、D三个维度上的分类识别结果也近似，使用PSD、AI、香农熵和能量这4种方法提取特征的平均识别率为80%左右，本文提出的GC特征的平均识别率为96%（p<0.05），比提取传统特征进行情感分类的识别率高。对比每个提取特征方法的最终识别率与单个频段以及频段组合下特征的识别率，4种传统特征的识别率提高了约10%，GC特征的识别率提高了约20%，可以发现，相比于传统的4个特征提取方法，用识别率较高的频段下的GC特征来分类更有助于情感识别率的提高，说明最终送入分类器的特征向量中不同频段下的GC特征相互之间有着更显著的差异性，更有助于区分积极与消极情感，表明本文提出的提取EEG信号间GC特征的方法有助于提高针对独立被试的情感分类识别率。