《表2 不同模型分类准确率结果比较》

  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

《基于加权K-阶传播数的情绪脑网络分类研究》

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

为了提取特征矩阵C的节点重要性特征，将其分别进行SVD和PCA，每段情绪EEG数据将会生成一个向量，在每个向量末尾加上情绪标签，作为机器学习训练的数据集，采用10折交叉检验进行机器学习分类。本研究采用K-最近邻算法（knearest neighbour，KNN）、决策树、SVM模型进行情绪二分类尝试，准确率结果如表2所示。本文采用SVD和PCA对矩阵进行特征提取作为SVM的输入，分别实现了75.3%和83.6%的情绪二分类准确率。SVD只取奇异值向量作为特征会丢失一定的信息，而与之相比，PCA压缩数据的同时让信息损失最小化，因此二分类准确率结果提升了将近8%。