The data used in this study is reco

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục trong quá trình các đối tượng thao tác với các nhân vật để thu thập hình dạng trong trò chơi bằng cách điều khiển chuyển động của họ. Vì vậy, giữa các giá trị của tín hiệu thu được tại các thời điểm liên tiếp trong một khoảng thời gian có thể tồn tại mối quan hệ, mối liên hệ. Dữ liệu đầu vào của mô hình được mô tả trong Bảng II, trong đó các tác giả coi từng giá trị của tỷ lệ theta/beta cao và theta/beta thấp tại các thời điểm liên tiếp cách nhau 0,1 giây (trong khoảng thời gian 0,5 giây) là một giá trị riêng biệt. tính chất của mẫu. Thuật toán LDA thực hiện chuyển đổi các đặc điểm của dữ liệu từ không gian có chiều cao hơn sang không gian có chiều thấp hơn, đây có thể là lý do làm giảm hiệu suất của mô hình. Ngoài ra, mô hình SVM tạo ra các siêu phẳng phi tuyến tính để phân tách dữ liệu, trong khi LDA sử dụng các ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt về kết quả phân loại giữa hai mô hình, đặc biệt đối với dữ liệu có sự thay đổi đột ngột và thiếu tính đều đặn, chẳng hạn như dữ liệu EEG của bệnh nhân ADHD.

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục trong quá trình đối tượng thu thập các hình dạng trong trò chơi bằng cách điều khiển hành động của nhân vật. Do đó, có thể có mối quan hệ và kết nối giữa các giá trị của tín hiệu thu được tại các thời điểm liên tục trong một khoảng thời gian. Dữ liệu đầu vào cho mô hình này được thể hiện trong Bảng II, trong đó tác giả coi mỗi giá trị của tỷ lệ θ/cao và θ/thấp tại các điểm thời gian liên tục cách nhau 0,1 s (trong khung thời gian 0,5 s) là một đặc điểm khác nhau của mẫu. Thuật toán LDA thực hiện chuyển đổi các đặc tính dữ liệu từ không gian cao sang không gian thấp, có thể là lý do tại sao hiệu suất mô hình bị giảm. Ngoài ra, mô hình SVM tạo ra một siêu phẳng phi tuyến tính để tách dữ liệu, trong khi LDA sử dụng ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt trong kết quả phân loại giữa hai mô hình, đặc biệt là đối với những người có

Dữ liệu được sử dụng trong nghiên cứu này được ghi lại liên tục khi các đối tượng thao tác các nhân vật để thu thập các hình dạng trong trò chơi bằng cách điều khiển chuyển động của họ. Do vậy, có thể có mối quan hệ và liên kết giữa các giá trị tín hiệu nhận được tại một thời điểm liên tiếp trong một chu kỳ. Dữ liệu nhập vào mô hình được trình bày trong bảng II, trong đó các tác giả xem tỷ lệ β/ cao β và β/ thấp β của các điểm thời gian liên tiếp có khoảng cách 0,1 giây (trong khoảng thời gian 0,5 giây) như là các đặc điểm riêng của mẫu. Thuật toán LDA thực hiện việc chuyển đổi các đặc tính dữ liệu từ không gian có kích thước cao sang không gian có kích thước thấp, có thể là nguyên nhân của việc giảm hiệu suất của mô hình. ngoài ra, mô hình svm tạo ra các siêu mặt phẳng phi tuyến tính để tách dữ liệu, trong khi lda sử dụng các ranh giới quyết định tuyến tính. Điều này sẽ dẫn đến sự khác biệt trong kết quả phân loại giữa hai mô hình, đặc biệt là đối với dữ liệu có đột biến và thiếu sự thường xuyên, chẳng hạn như dữ liệu EEG của bệnh nhân ADHD.