《表3 在Case 1和Case 2下提取近似熵和样本熵特征的最终分类结果》
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。
图表编号 | XD0025797600 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) |