《表2 不同分类器的OSA片段识别》
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
《基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法》
如表2所示,HMM可以显著改善SVM(RBF核,c=2,γ=1/2)或ANN(输入层10维-隐藏层1维-输出1维)的性能。具体而言,ANN-HMM将识别准确率从78.3%提高到83.0%,SVM和SVM-HMM的识别准确率分别为78.6%和84.7%。HMM显著提高了ANN的敏感性(91.5%),同时提高了SVM的特异性(94.5%)。尽管SVM-HMM的识别准确率与决策融合(84.7%)几乎相同,但低敏感性(68.8%)可能会严重限制分类性能。这可以直接表现在AUC中,决策融合的AUC是0.869,而SVM-HMM的AUC仅是0.819。对比5种分类器的综合指标F1分数,其中决策融合分类器的得分最高。结果表明,HMM算法和决策融合可以提高该研究的识别准确率。因为PhysioNet的apnea-ECG数据库已经由官方划分为训练集和测试集,本研究对该网络进行了近似的二折交叉验证,将原测试集分为无标签数据(8 776片段)和带标签数据(8 346片段),无标签数据用于预训练,带标签数据用于微调,然后使用原训练集进行网络测试,交叉验证的准确率、敏感性和特异性分别为81.9%、81.6%和82.1%,验证结果显示该网络具备了一定的鲁棒性。
图表编号 | XD00160945500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.20 |
作者 | 覃恒基、刘官正 |
绘制单位 | 中山大学生物医学工程学院、广东省传感技术与生物医疗仪器重点实验室、广东省便携式普及型先进实用医疗器械工程技术研究中心、中山大学生物医学工程学院、广东省传感技术与生物医疗仪器重点实验室、广东省便携式普及型先进实用医疗器械工程技术研究中心 |
更多格式 | 高清、无水印(增值服务) |