《表3 不同主成分特征维度的分类性能比较》

  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

《一种基于压缩域的穿戴式心电信号直接特征提取与分类方法》

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

由表5可知，传感率越大，两种方法的准确度均越高，也就是说，随着传感率的增加，分类器的性能越来越好。例如，当传感率SR为0.4时，两种方法的平均准确度分别为85.13%和91.86%；当传感率SR为0.8时，平均准确度分别为98.23%和98.94%。正如我们所预料的，与在非压缩域上的分类性能相比，SLS-SVM分类器在压缩域上的分类性能有所下降。例如，当传感率SR为0.5时，在非压缩域上特征提取与分类方法的准确度为96.11%，而在压缩域上直接特征提取与分类方法的准确度为92.39%。这是因为在压缩域上分类方法是对压缩后的心电信号直接进行特征提取与分类，跳过了心电信号重构步骤。然而，我们也很容易发现:随着传感率的增加，压缩域上分类的准确度非常接近于在非压缩域上的分类结果。例如，当传感率SR为0.7，0.8和0.9时，压缩域上分类的平均准确度分别为98.05%，98.23%和98.41%，与非压缩域上分类的平均准确度98.76%，98.94%和99.12%相差非常少。因此，我们可以得出结论，当传感率为0.7时，与在非压缩域上的心电信号分类准确度98.76%相比，本章所提出的压缩域上直接对压缩后的心电信号进行特征提取与分类方法的准确度可以达到98.05%。也就是说，与在非压缩域上对重构后的心电信号进行特征提取与分类的结果相比，虽然文章提出的压缩域上分类方法的准确度稍有些下降，但却可以压缩掉约30%的心电数据，非常适合于具有低功耗和实时性需求的可穿戴式健康监测系统。