《表5 单独提取各频段组功率谱密度、不对称系数特征进行分类识别Table 5 The power spectral density and asymmetric coefficient feature
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》
注:p<0.05,结果均具有显著性意义
对于计算PSD、AI、香农熵和能量这4种特征,本文也分别将EEG信号分解为θ、α、β、γ4个频段,并将频段之间进行了组合,然后分别计算各个频段以及组合频段下的特征,再分别单独用每个频段以及频段组合的特征来进行情感的分类识别。结果如表5、6所示,可以发现在不同频段下这4种方法计算所得的特征在情感识别率上没有特别明显的差别,但γ-β、γ-α、γ-θ、β-α、β-θ、α-θ这6个频段组合下特征的情感识别率相对较高,因此本文将这个6个频段组合下的特征进行拼接作为最后的特征向量,送入SVM分类器进行分类与识别。
图表编号 | XD0016989600 严禁用于非法目的 |
---|---|
绘制时间 | 2018.06.01 |
作者 | 赵亮、方芳、王伟、董寅冬 |
绘制单位 | 合肥工业大学计算机与信息学院、合肥工业大学管理学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |