《表1 脑电数据分类结果:基于非负CP分解模型的边界规避任务中脑电特征提取方法研究》
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
《基于非负CP分解模型的边界规避任务中脑电特征提取方法研究》
CP分解对组分数m取值比较敏感,m取值过低得不到具有物理意义的成分。因此,为了详细地分析m取值对脑电分类结果的影响,找到最佳组分数(best m),本研究以S4和S5受试者为例,以AUC折线图的形式评价脑电分类结果。当m取2~20时,得到的AUC折线图如图3所示,从中可以直观地看到m取值对应的分类效果。在一定范围内,随着m取值的增大,S4和S5的AUC值偏向增加并趋于平缓,S4和S5的best m值分别是12和16,这表明针对特定受试者合理确定m的取值,可得到更好的分类效果。表1中给出了10名受试者的best m所对应的分类结果和经典CSP提取特征的分类结果(均值±标准差),分类器为SVM。其中,ACC为准确率,best m对应的ACC为95.5%±3.0%,AUC值为0.978 2±0.012 1,而CSP提取特征的ACC为93.7%±3.1%。从ACC和AUC值的角度看,S4和S6的脑电分类效果更好。本研究比较了SVM与其他3种分类器的分类效果,分别是决策树(CT)、线性判别分析(LDA)和逻辑回归(LR);3种分类器的分类结果如表2所示,分别为92.6%±3.8%、94.1%±2.9%和94.2%±1.9%。由于SVM的分类准确率均值较高,故选用SVM实现特征分类。
图表编号 | XD00218359200 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 付荣荣、于宝、孙洁娣 |
绘制单位 | 燕山大学电气工程学院、燕山大学电气工程学院、燕山大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |