《表1 不同特征向量平均正确识别率与方差(%)》

  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

《基于脑功能网络和样本熵的脑电信号特征提取》

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

本文选择支持向量机（SVM）对左右手运动想象EEG进行分类。从B，C，D，E和G每名受试者的样本数据中，各随机取50组左手运动想象和50组右手运想象样本，合计500组样本作为训练集，余下的500组样本作为测试集。分别将脑功能网络特征（4维）、样本熵（2维）、脑功能网络特征与样本熵的组合（6维）作为特征向量输入SVM对左、右手运动想象EEG进行分类，分类前先对特征向量进行归一化处理，SVM的核函数选择高斯核函数。采用10倍交叉验证确定最佳的惩罚因子c=2.46，核参数g=0.28。为了减小因训练集不同而产生的误差，进行20次分类实验，取20次实验的平均正确识别率。表1为用不同特征向量重复20次分类的平均正确识别率。