《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》

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

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。