《表5 不同特征组合的SH与NSH分类结果对比》

  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

以固定R波个数对ECG信号进行分段之后，采用文献[17]的特征提取方式和分类器，获取10个小波系数的样本熵特征，分别采用SVM、kNN、RFA分类器学习分类，其Acc如表5所示，表中F表示特征个数。表5表明，当F大于3时，固定R波个数与固定时间窗口相比，前者在3种分类器下均表现为更高的分类准确率，尤其是在SVM中表现更明显。另外，当分段方式为固定R波个数时，在相同的特征组合下，SVM、kNN、RFA分类器的分类准确率相差不大，在F大于7时，它们的准确率均在95%以上。综上分析，固定R波个数能更好的实现SH/NSH的分类。