《表2 在Case 1和Case 2下提取小波特征得到的最终分类结果》

  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

为了探究基线特征对最终分类结果的影响，分别在不使用基线特征（Case 1）和使用基线特征（Case 2）的情形下提取小波特征和非线性动力学特征。为了使最终分类准确度更加可靠，采用5折交叉验证得到每个被试的平均分类准确度。首先将60s的脑电数据分割成15段无重叠的片段，每段包含4s的数据，所以每个被试的样本总数为40×15=600。训练集样本数为480，测试集样本数为120。小波分解后得到每个子频带的特征维数为32×3=96，所有子频带的总特征维数为96×5=480。近似熵和样本熵特征维数分别为32。由于RF分类器比KNN和NB的准确度更高，并且比SVM更有效率，所以本文使用RF分类器，最终分类结果见表2、表3，其中NDR表示没有进行特征降维的情况。每种降维方法的参数设置如下:（1）KSR与LPP中使用高斯核函数。（2）KSR中正则化方式采用L2范数，正则化参数设置为0.01。（3）LPP最近邻设置为5，距离采用欧氏距离。（4）特征选择方法mRMR和Relieff的维数分别设置为20。（5）PCA的特征贡献度设置为0.98。