20、脑电图信号分类与道路事故分析

脑电图信号分类与道路事故分析

脑电图信号分类研究

模型评估与存在问题

在脑电图（EEG）信号分类研究中，有研究利用波士顿CHB - MIT数据集对提出的模型进行评估。该方法在数据集上取得了较高的平均灵敏度93.61%和平均特异性91.85%。不过，与其他EEG分类方法相比，虽然结果良好，但该研究未能展示模型的处理时间等性能指标。而且，还有一些模型取得了更好的结果，却缺乏详细说明。

多方法分类结果分析

为了全面了解各类EEG信号分类方法，研究人员选取了准确性、灵敏度和特异性三个主要指标进行研究和比较。大部分研究论文都聚焦于准确性指标，因为它在分类方法中起着关键的评估作用。研究人员将32种分类方法根据其提出的分类方式分为七组，并将结果（准确性、灵敏度和特异性）展示在七个表格中：
|分类方法|表格内容|
| ---- | ---- |
|支持向量机（SVM）分类|展示了不同作者使用SVM对EEG信号分类的准确性和灵敏度，如Shen等使用国际10 - 20系统收集的EEG信号，准确性为94.67%；Li和Shen使用科罗拉多州立大学的数据集，准确性为93%等。|
|人工神经网络（ANN）分类|呈现了不同作者使用ANN分类的准确性，如George等使用(KITS)、(TUH)数据集，准确性为97.4%；Guo等使用波恩大学的BONN数据集，准确性为99.6%等。|
|卷积神经网络（CNN）分类|给出了不同作者使用CNN的准确性，如Raghu等使用坦普尔大学医院EEG语料库，准确性为88.3%；Ramakrishnan等使用波恩大学的BONN数据集和波士顿儿童医院CHB - MIT数据集，准确性为98%等。|