《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》

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

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。