《表2 预训练模型提取特征与时域/频域特征相结合的分类结果》

  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

《基于短时心电信号的疲劳驾驶检测算法》

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

为进一步提升分类效果，加入了人工提取的时域/频域特征，将其与降维后的预训练模型提取的特征共同训练，分类结果如表2所示.为便于表达，表中时域/频域特征用T/F指代.可以看出，由于部分时域/频域特征存在误差，SVM在使用VGG-16预训练模型所提取的特征与时域/频域特征共同训练后，其准确率以及F1-score均出现了下降；而RF分类器的分类结果在两种衡量标准下都取得了相较于SVM而言更好的结果.尤其在使用Inception＿V3预训练模型所提取的特征与时域/频域特征共同训练后，准确率达到了最大值0.91.这进一步证明了RF分类器相较于SVM而言在面对噪声样本时具有更高的鲁棒性.