《表2 脉象分类结果:基于递归图和卷积神经网络的脉象分析识别》
%
为了进一步验证本文提出方法的有效性,本文对无阈值递归图特征提取和分类进行探索,并与现有的脉象信号分类研究进行对比。无阈值递归图的特征采用了局部二值模式(Local Binary Pattern,LBP)和梯度方向直方图(Histogram of Oriented Gradien,HOG)。LBP的参数设置为圆形邻域(8,2),划分10×10个子区域,提取特征维度为1×3 776;HOG采用大小为80×80的单元格,块大小为2×2,提取的特征维度为1×2 916,分类器SVM的核函数为高斯核函数,结果如表2所示。从结果可以看出,采用LBP和HOG相比传统的时域、频域特征分类效果有所提升。就准确率而言,LBP和HOG相比时域特征分别提高了1.71%、1.24%;对于敏感性,LBP要比时域特征提高3.71%;在特异性上,HOG相比时域特征和小波特征分别提升了2.20%、1.96%。这说明脉象信号的无阈值递归图包含丰富的生理病理信息,通过特征提取可以获得与传统特征相当甚至更好的分类效果。
图表编号 | XD00134391700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 颜建军、陈松晔、燕海霞、王忆勤、郭睿 |
绘制单位 | 华东理工大学机械与动力工程学院、华东理工大学机械与动力工程学院、上海中医药大学四诊信息综合实验室、上海中医药大学四诊信息综合实验室、上海中医药大学四诊信息综合实验室、上海中医药大学交叉科学研究院 |
更多格式 | 高清、无水印(增值服务) |