《表4 在Case 2中不同特征下SVM与RF的分类结果》

  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

《基于核谱回归与随机森林的脑电情感识别》

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

结合上述结论，研究4种分类器在使用基线特征（Case 2）情形下的有效性。特征降维方法仍然采用前述的5种降维方法以及不降维。图4示出了使用小波变换提取Gamma子频带特征得到的结果，图5示出了基于非线性动力学特征得到的结果。KNN分类器的近邻参数设置为6。SVM分类器使用径向基核函数，对于核函数中的参数，使用网格搜索算法选出最佳参数组合:C∈{2-8，2-7，…，27，28}和γ∈{2-8，2-7，…，27，28}。随机森林分类器设置决策树:ntree=500，属性mtry=槡m，其中m是属性的总数。由图可知，SVM和RF的平均分类准确度要高于KNN和NB的平均分类准确度。当降维方法为KSR时，分类器的准确度最高。由于SVM参数的优化过程相对较慢，使用RF的经验参数便可以获得与SVM几乎相同的分类准确度。表4示出了不同特征提取和特征降维方法组合下SVM和RF的分类结果，表中a表示使用Gamma子频带小波特征，b表示使用近似熵和样本熵特征。可以发现非线性动力学特征和KSR组合时SVM的分类准确度为92.8%，RF的分类准确度为92.7%，对于每个被试者来说，SVM的平均训练时间为15.49s，RF的平均训练时间为1.94s。前者大约是后者的8倍。