Loading...
机构名称:
¥ 1.0

摘要 - 机器学习方法/机器学习的使用对于开发人眼状态的识别非常重要,尤其是脑电图(EEG)信号处理的问题以识别眼睛状态。在先前的研究中,所使用的方法可以是监督学习和无监督学习之间的一种组合方法,以及使用监督学习的单一方法。在这项研究中,脑电图的分类使用一种具有监督学习的方法,使用方法:k-neartemest neghbors(k-nn),随机森林和1D卷积神经网络(1D CNNS)。使用四种尺寸(即精度,回忆,精度和F1得分)测量三种分类方法的性能。从实验结果中获得的是,与所使用的四种尺寸的其他两种方法相比,K-NN方法具有最佳性能,其中每个尺寸的值为:准确性= 82.30%;召回= 82.30%;精度= 82.36%; F1得分= 82.30%。k-nn比其他两种方法更适合分类脑电图,因为数据集中的所有输入属性都有实际数字数据类型。

perbandingan metoda k-nn,随机森林dan 1d CNN untuk

perbandingan metoda k-nn,随机森林dan 1d CNN untukPDF文件第1页

perbandingan metoda k-nn,随机森林dan 1d CNN untukPDF文件第2页

perbandingan metoda k-nn,随机森林dan 1d CNN untukPDF文件第3页

perbandingan metoda k-nn,随机森林dan 1d CNN untukPDF文件第4页

perbandingan metoda k-nn,随机森林dan 1d CNN untukPDF文件第5页

相关文件推荐

2025 年
¥1.0
2023 年
¥1.0
2025 年
¥1.0
2023 年
¥2.0
2023 年
¥1.0
2020 年
¥1.0
2021 年
¥1.0
2023 年
¥5.0
2024 年
¥1.0
2024 年
¥1.0
2023 年
¥1.0
2021 年
¥1.0
2025 年
¥1.0
2025 年
¥1.0
2011 年
¥22.0