Andere Kunden interessierten sich auch für
![Analyse et interprétation des arythmies Signaux ECG]( "Analyse et interprétation des arythmies Signaux ECG")
Analyse et interprétation des arythmies Signaux ECG39,99 €![Eine galtungstheoretische Interpretation des Phänomens der Madrasa-Absolventen in Bezug auf Gewalt]( "Eine galtungstheoretische Interpretation des Phänomens der Madrasa-Absolventen in Bezug auf Gewalt")
Eine galtungstheoretische Interpretation des Phänomens der Madrasa-Absolventen in Bezug auf Gewalt54,90 €![Analyse von V.S.O.-Operationsmodellen im Bildungswesen in Kamerun]( "Analyse von V.S.O.-Operationsmodellen im Bildungswesen in Kamerun")
Analyse von V.S.O.-Operationsmodellen im Bildungswesen in Kamerun71,90 €![Zusammenhang zwischen Wertepräferenzen und schulischen Leistungen]( "Zusammenhang zwischen Wertepräferenzen und schulischen Leistungen")
Zusammenhang zwischen Wertepräferenzen und schulischen Leistungen71,90 €![Vergleichende Analyse des E-Learning in der tunesischen Hochschulbildung]( "Vergleichende Analyse des E-Learning in der tunesischen Hochschulbildung")
Vergleichende Analyse des E-Learning in der tunesischen Hochschulbildung39,90 €![Analyse der Faktoren, die die Akzeptanz von Blended Learning beeinflussen]( "Analyse der Faktoren, die die Akzeptanz von Blended Learning beeinflussen")
Analyse der Faktoren, die die Akzeptanz von Blended Learning beeinflussen26,90 €![Analyse der Kriterien von Lehrern]( "Analyse der Kriterien von Lehrern")
Analyse der Kriterien von Lehrern60,90 €
Die verschiedenen Klassifizierungsalgorithmen können verwendet werden, um extrahierte Merkmale aus dem EKG-Signal zu klassifizieren. Eine hohe Klassifikationsleistung hängt davon ab, wie gut die Merkmalsvektoren im Merkmalsraum getrennt werden können.Die vorgeschlagene Architektur bietet eine EKG-basierte Arrhythmie-Klassifizierung mit robusteren Merkmalen und einem regressionsbasierten Klassifikator. Es schlägt eine effektive automatisierte Klassifizierung von Herzrhythmusstörungen unter Verwendung der MIT-BIH-Arrhythmiedatenbank und des lokalen klinischen Datensatzes vor. Das vorgeschlagene Verfahren hat den Incremental Support Vector Regression Classifier mit 320 Proben verschiedener Arrhythmien trainiert. Die vorgeschlagene Methode wurde getestet und mit den gebräuchlichsten Klassifikatoren wie künstlichen neuronalen Netzwerken, Support Vector Machine und Minimum Distance Classifier verglichen. Aus der Konfusionsmatrix geht hervor, dass unser vorgeschlagener Algorithmus gut für das Problem der Erkennung mehrerer Klassen funktioniert. Die vorgeschlagene Architektur verwendet sowohl Zeit- als auch Frequenzbereichsmerkmale für Klassifizierungszwecke. Aufgrund der Verwendung von Statistiken höherer Ordnung wird unser Klassifizierungsproblem einfacher als herkömmliche morphologische Merkmale. Der vorgeschlagene Algorithmus lieferte selbst bei kleineren Lerndaten eine hohe Leistung.