《表4 在Case 2中不同特征下SVM与RF的分类结果》
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。
图表编号 | XD0025797400 严禁用于非法目的 |
---|---|
绘制时间 | 2018.10.30 |
作者 | 陈朋、张建华、文再治、夏家峻、李建荣 |
绘制单位 | 华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院、华东理工大学信息科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |