15、近红外光谱技术助力神经自适应游戏缓解疼痛的研究

近红外光谱技术助力神经自适应游戏缓解疼痛的研究

1. 分类分析：fNIRS 与游戏分数数据对比

在对神经自适应游戏的研究中，我们对不同数据来源的分类效果进行了深入分析。首先，仅使用近红外光谱（fNIRS）数据进行分类分析，结果如下表所示：
| 测量指标 | Easy v Optimal | | Easy v Impossible | | Optimal v Impossible | |
| — | — | — | — | — | — | — |
| | LDA | SVM | LDA | SVM | LDA | SVM |
| Acc | 81.00% | 86.40% | 82.60% | 88.74% | 77.34% | 91.09% |
| BER | 18.81% | 13.62% | 17.07% | 11.22% | 22.45% | 8.78% |
| F1 | 80.19% | 86.42% | 82.12% | 88.60% | 77.01% | 91.07% |

从表中可以看出，与仅使用游戏分数进行分类相比，仅使用 fNIRS 数据在所有三种对比中都表现出更优的分类水平。例如，支持向量机（SVM）的 F1 分数范围从 86.42% 到 91.07%。值得注意的是，与线性判别分析（LDA）相比，SVM 在准确率（Acc）和 F1 分数上都更高。

随后，我们将游戏分数数据和 fNIRS 数据相结合进行分类，结果如下：
| 测量指标 | Easy v Optimal | | Easy v Impossible | | Optimal v Impossible | |
| — | — |