《表5 基于二维时频图和CNN模型的信号质量三分类结果》

  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

《穿戴式心电信号质量的三分类评估方法》

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

本研究对比了多特征SVM机器学习和Zhao等[22]提出的基于二维时频图和CNN模型的结果，表4为本研究方法和对比方法的F测度分类结果，表5给出了对比方法的具体三分类结果混淆矩阵。针对3类不同质量的信号表现，新的基于多特征SVM机器学习方法在A类数据上表现略差于基于二维时频图和CNN模型的方法（F测度0.909 vs 0.919），但在B和C类上远远超出了对比方法（B类数据F测度0.827 vs 0.779，C类数据F测度0.973 vs 0.946）。总体而言，A和C类数据分类F测度较高（均高于90%），但是B类数据F测度较低，原因可能来源于B类数据的划分规则较难界定，不如A类和C类清晰。基于二维时频图和CNN模型的对比方法最终在3类的整体准确度为90.1%，比本研究提出的融合多特征指标和SVM分类器的方法低2.2%（90.1%vs.92.3%）。