《表2 本文算法与相关研究的识别性能比较》

  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

《基于希尔伯特振动分解和卷积神经网络的融合特征心电识别算法》

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

为了能验证本文提出算法相对其他相关研究的性能差异，本文与4个2019年以内国内外的算法做出了比较与分析，得到如表2所示的结果。观察可知：文献[4]是典型的基准点特征提取方法，方法基于相关系数和小波距离计算，算法计算复杂，只能应用于小规模识别场景，泛化能力差；文献[9]采用主要粒子群优化算法和概率神经网络，粒子群算法缺乏速度的动态调节且易陷入局部最优，不能有效解决离散及组合问题；文献[11]算法过程复杂，计算复杂度高，不能应用于大型识别场景；文献[24]引入了CNN网络，但是小波变换本身依赖研究者的先验选择小波函数，且提取的特征没有综合时频域及能量的特征信息。本文提出的算法识别性能较比较的文献中的算法有明显优势，有效证明了本文所提算法的可行性。