《表3 本文CSP+SVM和FBCSP+SVM方法的基本参数》

  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

《基于时空特征学习卷积神经网络的运动想象脑电解码方法》

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

根据表2，我们构建出每个被试的TSCNN网络结构，并训练出各自的识别模型。同时，在相同的数据集上，分别训练CSP+SVM和FBCSP+SVM方法的识别模型。本文CSP+SVM和FBCSP+SVM方法的基本参数如表3所示。表4给出所有被试在3种分类模型下的识别率和相应的Kappa系数结果。目前，在BCI Competition IV-2a公开数据集上排名第一的竞赛结果为平均分类识别率达67.75%和平均Kappa系数为0.570(http://bbci.de/competition/iv/results/），而本文CSP+SVM和FBCSP+SVM方法获得的结果与之相当，说明训练的CSP+SVM和FBCSP+SVM识别模型已达到最优结果。从整体上看，与传统的CSP+SVM和FBCSP+SVM方法相比，本文所提TSCNN解码方法能够显著提高EEG的识别率和Kappa系数。TSCNN的平均解码精度达到80.09%，比CSP+SVM和FBCSP+SVM分别提高了13.75%和10.99%。同时，对于单个被试如3和9，TSCNN可达到的最高识别率分别为92.75%和92.80%。从统计学角度看，相比于CSP+SVM和FBCSP+SVM方法，TSCNN解码方法对识别率具有显著影响（P<0.01和P<0.05，Wilcoxon signed-rank test）。这说明对于运动想象EEG时空特征的学习有助于提升信号的识别率。此外，TSCNN方法获得的Kappa系数大多位于0.6～0.9之间，且均值为0.735，表明该解码方法具有高度的一致性。然而，CSP+SVM和FBCSP+SVM方法计算的Kappa系数均值都小于0.6，说明这些方法仅具有一般或中等的一致性。类似地，从统计学角度看，相比于CSP+SVM和FBCSP+SVM方法，TSCNN解码方法能够显著提升Kappa系数（P<0.001和P<0.001，Wilcoxon signed-rank test）。这进一步验证了本文所提方法的有效性。