《表2 是否含有DE特征的分类精度对比》

  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

《基于特征编码和卷积神经网络的注意力状态检测》

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

提取DE特征和不提取DE特征的10个样本的实验结果如表2所示。从总的预测精度平均值来看，提取DE特征的预测精度要比没有提取DE特征的高约2%，说明DE特征含有更丰富的信息。此外，为了证实FECNN模型的优越性，本研究用3个模型分别对10个样本进行预测，并计算10个样本的平均预测精度。从表2可以看出，针对不同的样本，FECNN模型的识别精度都高于DNN和Le Net-5模型；在含有DE特征的实验中，FECNN模型的平均预测精度为95.12%±2.88%，均高于DNN和Le Net-5模型的预测精度。在不含DE特征的实验中，FECNN模型的平均预测精度为93.12%±3.38%，也均高于DNN和Le Net-5模型的预测精度。