《表2 感官评定标准：基于1DCNN-XGBoost混合模型的癫痫脑电分类》

  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1DCNN-XGBoost混合模型的癫痫脑电分类》

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

/%

为了讨论1DCNN-XGBoost混合模型的分类效果，以75%样本或特征作为训练集，25%为测试集分别建立1DCNN、XGBoost和1DCNN-XGBoost模型，重复进行10次实验，取其均值，具体结果如表2所示。可以看出，本文模型相较于单纯的1DCNN和XGBoost模型，各项指标均有明显提升，准确率分别提高了1.08%和4.14%，召回率分别提高了1.5%和4.76%，F1值分别提高了1.09%和4.1%，相比于较高的分类准确率而言，其性能有了很大提升。实验结果不仅充分说明了1DCNN算法在癫痫脑电信号的特征提取和分类研究中具很高的潜在应用价值，更证明了1DCNN-XGBoost混合模型能充分发挥1DCNN和XGBoost算法各自的性能，其效果优于单个的1DCNN和XGBoost模型，能自动提取特征，并且具有更好的准确率和稳定性。