典型文献
基于随机森林算法的脑电情绪识别研究
文献摘要：
为了提高脑电情绪识别的准确率与效率,针对EEG信号数据冗余导致分类精确度低和效率低等不足,训练了一个随机森林(Random Forest,RF)模型进行脑电情绪识别,利用采集到的脑电信号特征提取后进行测试,并与长短期记忆网络(Long Short-Term Memory,LSTM)、K近邻(K-Nearest Neighbor,KNN)和logistic回归(Logistic Regression,LR)进行了比较.实验结果表明,RF识别分类的准确率达到97％以上,优于另外三种分类器,且平均每次训练RF用时521±10.3ms,预测用时仅为29.3±1.5ms,情绪识别效率较高,具有一定的理论与实际应用价值.
文献关键词：
脑电;情绪识别;随机森林;特征提取;机器学习
中图分类号：
作者姓名：
廖健熙;吕勇;王振宇;赵凯
作者机构：
嘉兴学院信息科学与工程学院,浙江 嘉兴 314001;万科思自控信息(中国)有限公司,浙江 嘉兴 314006
文献出处：
引用格式：
[1]廖健熙;吕勇;王振宇;赵凯-.基于随机森林算法的脑电情绪识别研究)[J].电脑与信息技术,2022(03):1-4
A类：
B类：
随机森林算法,脑电情绪识别,EEG,号数,数据冗余,Random,Forest,RF,脑电信号特征,信号特征提取,长短期记忆网络,Long,Short,Term,Memory,近邻,Nearest,Neighbor,KNN,logistic,Regression,LR,识别分类,分类器,3ms,5ms
AB值：
0.430149
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
