《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》
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%。
图表编号 | XD00154978200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.25 |
作者 | 蒋明峰、鲁薏、李杨、项宜坤、张鞠成、王志康 |
绘制单位 | 浙江理工大学信息学院、浙江理工大学信息学院、浙江理工大学信息学院、浙江理工大学信息学院、浙江大学医学院附属第二医院、浙江大学医学院附属第二医院 |
更多格式 | 高清、无水印(增值服务) |