《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》

  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

《基于递归图和卷积神经网络的脉象分析识别》

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

%

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。