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

Table 4

Cross-validation performance results for different algorithms in Exp.3.

Feature extraction

Subj.1 (%)

Subj.2 (%)

Subj.3 (%)

Subj.4 (%)

Subj.5 (%)

Subj.6 (%)

Subj.7 (%)

Subj.8 (%)

Subj.9 (%)

Subj.10 (%)

Average (%)

None

43.33 m = 1

79.67 m = 1

58.31 m = 2

50.66 m = 2

48.33 m = 2

41.00 m = 2

57.60 m = 2

42.36 m = 1

39.33 m = 1

84 m = 1

54.45

LDA

39.33 m = 1

73.67 m = 1

50.00 m = 1

45.00 m = 1

43.34 m = 1

40.33 m = 1

54.77 m = 1

39.67 m = 1

39.00 m = 1

75.33 m = 1

50.04

2DLDA

41.13 m = 1

72.33 m = 1

52.67 m = 1

47.52 m = 1

45.67 m = 1

39.83 m = 1

54.93 m = 1

40.33 m = 1

39.13 m = 1

77.33 m = 1

51.09

DLPP

41.67 m = 2

75.33 m = 1

52.67 m = 2

46.00 m = 2

49.33 m = 2

39.33 m = 1

56.00 m = 2

39.67 m = 2

39.67 m = 1

81.67 m = 1

52.13

2DDLPP

41.67 m = 1

78.00 m = 1

55.33 m = 2

47.33 m = 2

45.33 m = 1

40.67 m = 1

55.33 m = 2

41.67 m = 2

40.33 m = 2

79.67 m = 1

53.13

B2DDLPP

45.67 m = 1

80.67 m = 2

59.33 m = 2

51.67 m = 2

52.82 m = 2

45.00 m = 2

59.70 m = 2

44.40 m = 2

42.33 m = 1

86.33 m = 1

56.79

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