《表6 各类算法依据Cin C2017挑战赛评价指标的分类效果比较》

  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

《基于金字塔卷积结构的深度残差网络心电信号分类方法研究》

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

为了进一步地验证本文提出算法的性能，本文采用CinC2017提出的宏平均F1作为评价标准，在相同数据集来源下进行模型性能对比。Zihlmann等[2]提出了一个24层的CNN(24-CNN）和一个24-CNN与3层长短期记忆网络相结合的27层卷积递归神经网络（27-layer convolution recurrent neural network，27-CRNN）模型，本文将DRN、24-CNN、27-CRNN、PC3-DRN以及PC6-DRN进行比较，结果如表6所示。DRN在3类ECG数据上的分类性能相较于24-CNN和27-CRNN都得到了提升；含有PC层的算法也得到了更进一步的提升，并且PC层中金字塔层数多的网络分类性能更佳；PC6-DRN在房颤心律上的F1值为0.851，相较于其他算法提升显著，说明了PC层对房颤心律的分类效果极佳。为更好地验证本文方法的有效性，本文采用准确度进行算法性能评价，得到24-CNN为80.5%，27-CRNN为79.9%，而本文提出的PC6-DRN为85.7%，相较于24-CNN和27-CRNN分别高出5.2%和5.8%。