결과
정규화 전후의 전형적인 HRV 특징의 히스토그램을 비교하였다. 왼쪽 그림은 정규화 전의 히스토그램을 나타내고 오른쪽 그림은 정규화 후의 히스토그램을 나타냅니다. 제안하는 방법은 이상치에 관계없이 대부분의 특징을 [0,1] 범위에 매핑할 수 있음은 자명하다. 이 우세한 전처리는 주체 독립 체계 내에서 수면 단계 분류에 효과적인 기능을 제공했다.
표는 피처 정규화를 사용하거나 사용하지 않는 주제별 체계 및 주제 독립적 체계에 대한 모든 개인의 혼동 행렬을 제공한다. 표의 숫자는 해당 에포크의 양을 나타낸다.
본 논문에서 제시하지 않은 개별 혼동 행렬에 따라 두 가지 체계를 기반으로 각 단계와 다른 단계를 분류하기 위한 정확도와 Cohen의 kappa 통계량 κ를 나타내었다. 또한, 전체 정확도와 κ 통계는 마지막 열에 나열되었다. 피처 정규화는 주제 독립 분류기의 성능을 상당히 향상시킬 수 있다. 따라서, 이 체계 내에서 기능 중요도 평가 및 기능 선택을 위한 기능은 처음에 정규화되었다.
피처 정규화를 사용한 주제별 체계 및 주제 독립적 체계 내에서 내림차순으로 중요도 측정을 확인할 수 있다.
정확도를 포함하는 분류기 성능과 Cohen의 kappa 통계량 κ , 피처 정규화를 사용한 주제별 체계 및 주제 독립 체계 내의 피처 수 간의 관계는 당연히 특정 값보다 특징 수가 적을수록 더 많은 특징을 선택할수록 성능이 크게 향상된다. 그러나 분류기는 숫자가 값을 초과할 때 상당한 개선을 누리지 못한다. 곡선에서 볼 수 있듯이 주제별 분류기에는 10의 값이 적합하다. 주제 독립 방식의 경우 10을 초과하면 성능이 여전히 느리게 증가하지만 주제별 분류 기준을 유지하기 위해 적절한 숫자를 10으로 선택했다. 처음 10개의 기능이 모든 기능의 앙상블과 상당히 유사하게 수행됨을 알 수 있다.
