EEG Signal Classification Using Manifold Learning and Matrix-Variate Gaussian Model

Table 2

Cross-validation performance results for different algorithms in Exp.1.

Feature extraction

Subj.1 (%)

Subj.2 (%)

Subj.3 (%)

Subj.4 (%)

Subj.5 (%)

Subj.6 (%)

Subj.7 (%)

Subj.8 (%)

Subj.9 (%)

Average (%)

None

84.72 m = 3

57.70 m = 1

87.23 m = 2

54.93 m = 4

63.81 m = 2

50.71 m = 4

88.61 m = 1

87.84 m = 4

81.05 m = 1

72.88

LDA

79.22 m = 1

51.78 m = 1

79.57 m = 1

50.38 m = 1

63.94 m = 1

44.81 m = 1

85.91 m = 1

75.04 m = 1

74.34 m = 1

67.22

2DLDA

83.27 m = 1

55.19 m = 2

78.44 m = 2

50.33 m = 1

67.32 m = 2

44.56 m = 1

86.10 m = 1

77.43 m = 2

74.97 m = 1

68.62

DLPP

80.55 m = 2

55.56 m = 1

84.38 m = 1

54.17 m = 2

63.20 m = 1

50.69 m = 2

88.19 m = 1

80.55 m = 2

80.21 m = 2

70.83

2DDLPP

84.03 m = 1

56.40 m = 1

86.60 m = 1

52.71 m = 3

65.89 m = 2

49.66 m = 2

88.97 m = 1

81.79 m = 2

80.98 m = 1

71.89

B2DDLPP

86.80 m = 2

61.11 m = 1

89.61 m = 1

58.64 m = 2

71.91 m = 2

53.48 m = 1

90.61 m = 1

85.38 m = 4

83.68 m = 1

75.69

For each method and each subject, optimal related to FBCSP’s output and the optimal dimension () are presented.