一个基于卷积神经网络（CNN）的心电图（ECG）心律失常分类模型

最新推荐文章于 2025-06-06 11:58:50 发布

原创

最新推荐文章于 2025-06-06 11:58:50 发布 · 1k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#cnn #分类 #人工智能

数据加载与预处理：
- 使用 wfdb 库加载 MIT-BIH 心律失常数据库中的心电信号数据。
- 应用低通滤波器去除高频噪声，确保信号的平滑性。
- 通过峰值检测提取心跳信号，并对心跳进行截取和标记。
标签生成：
- 读取心电图的注释信息，根据心跳的类型（正常或异常）为每个心跳生成相应的标签。
数据填充与格式转换：
- 将提取的心跳信号填充到相同的长度，以便于输入到模型中。
- 将数据划分为训练集和测试集，并使用随机过采样（RandomOverSampler）处理类别不平衡问题。
模型构建与训练：
- 定义一个包含两个卷积层和池化层的 CNN 模型，用于提取时序特征。
- 使用二元交叉熵损失函数和 Adam 优化器编译模型，并训练模型。
模型评估与预测：
- 在测试集上评估模型的性能，计算损失和准确率。
- 进行预测并将结果与真实标签进行对比，输出每个片段的实际和预测标签。
可视化：
- 绘制实际标签和预测标签的对比图，展示模型的分类效果。
- 可视化训练过程中的准确率和损失变化，帮助分析模型的学习情况

import wfdb
from scipy.signal import butter, filtfilt, find_peaks
import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from imblearn.over_sampling import RandomOverSampler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

# 低通滤波器，去除高频噪声
def butter_lowpass_filter(data, cutoff, fs, order=5):
    nyquist = 0.5 * fs
    normal_cutoff = cutoff / nyquist
    b, a = butter(order, normal_cutoff, btype='low', analog=False)
    y = filtfilt(b, a, data)
    return y

# 加载数据
def load_data(record_path):
    record = wfdb.rdrecord(record_path)
    return record

# 处理心拍数据
def preprocess_data(record):
    filtered_signal = butter_lowpass_filter(record.p_signal[:, 0], cutoff=50, fs=record.fs)
    peaks, _ = find_peaks(filtered_signal, height=0.5, distance=record.fs * 0.6)

    heartbeat_length = int(record.fs)  # 1 秒的长度
    heartbeats = []
    valid_peaks = []

    for peak in peaks:
        start = peak - heartbeat_length // 2
        end = peak + heartbeat_length // 2