《表3 SH与NSH的分类结果（%）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合静态小波变换的自适应窗口可除颤节律检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

选择5折交叉验证评估模型性能，重复进行100次，并对文献[1]提到的CUDB库的异常片段进行删除。表1给出了不同k值，k-NN在CUDB、VFDB混合数据库中的分类结果。从表1中看出，当k取值为3时，k-NN分类准确率、特异性最高，分别为96.41%、97.62%，k取值为5时，k-NN有最高灵敏度，为94.42%。表2是RFA在混合数据库中的分类结果，NT表示树的数目。从表2中发现，当NT为13时，RFA分类准确率、灵敏度最高，分别为96.94%、95.69%，NT为8、10时，获得最高特异性，为97.91%。研究发现，有较好的特异性往往比灵敏度重要，因为没有病人能够承受错误的除颤，这可能会导致病人心脏的骤停[21]。因此，算法应该尽可能的提高NSH节律的识别率，即有更高的特异性。在分类CUDB、VFDB数据库时k-NN分类器选取k=3，RFA分类器选取NT=10。表3为CUDB、VFDB以及混合数据库的分类结果。观察表3，在CUDB、VFDB两个数据库中，SVM均有最高Acc、Se，而RFA的Sp最高，混合数据库中，SVM分类效果最好，各项指标均为最高。