实现基于深度学习ECG心电信号分类，用多个数据集（MIT-BIH心率不齐数据库、 ...

基于深度学习的ECG心信号分类

对人体的心电信号进行分类，判断出被测试者心跳是否正常，或患有什么样的心脏疾病，终极实现心电数据的分类。此中包罗CNN,LSTM,GRU等模子对比。

数据集利用的是以下四个数据集的合并：

• MIT-BIH心率不齐数据库
  
• MIT-BIH ST变革数据库
  
• 欧盟ST-T心电数据库
  
• 心脏性猝死动态心电数据库
  
  
  实现基于深度学习的ECG心电信号分类，我们可以利用多个数据集（MIT-BIH心率不齐数据库、MIT-BIH ST变革数据库、欧盟ST-T心电数据库和心脏性猝死动态心电数据库）来练习和评估模子。我们将对比不同的模子，如CNN、LSTM和GRU，以确定哪种模子在心电信号分类任务上体现最佳。
  

项目概述

以下是项目标详细步调：

• 数据网络与预处理：
  
  
  
  • 下载并合并四个数据集。
    
  • 对数据进行清洗和预处理，包罗去噪、归一化等。
    
  
  
• 特性提取：
  
  
  
  • 将原始心电信号转换为得当模子输入的形式。
    
  
  
• 模子构建：
  
  
  
  • 构建CNN、LSTM和GRU模子。
    
  • 练习并评估每个模子的体现。
    
  
  
• 结果分析：
  
  
  
  • 比力不同模子的性能指标，如准确率、精确率、召回率、F1分数等。
    
  
  
• 可视化：
  
  
  
  • 可视化练习过程中的损失和准确率曲线。
    
  • 可视化肴杂矩阵。
    
  
  
• 摆设：
  
  
  
  • 创建一个简朴的GUI界面来进行及时猜测。
    
  
  

数据集下载与合并

首先，我们需要下载并合并四个数据集。这里假设你已经下载了这些数据集，并将它们存储在一个文件夹中。
数据集路径配置

1. % Configuration
2. data_folder = 'path/to/data'; % Path to the folder containing datasets
3. output_folder = 'path/to/output'; % Path to save preprocessed data and models

复制代码

数据预处理

加载和预处理数据

1. [<title="Data Preprocessing for ECG Classification">]
2. function [X_train, y_train, X_val, y_val, X_test, y_test] = preprocess_ecg_data(data_folder)
3.     % Load datasets
4.     mitbih_arrhythmia = load(fullfile(data_folder, 'mitbih_arrhythmia.mat'));
5.     mitbih_st_change = load(fullfile(data_folder, 'mitbih_st_change.mat'));
6.     eu_stt = load(fullfile(data_folder, 'eu_stt.mat'));
7.     sudden_cardiac_death = load(fullfile(data_folder, 'sudden_cardiac_death.mat'));
9.     % Extract signals and labels
10.     signals = {};
11.     labels = {};
13.     % MIT-BIH Arrhythmia Database
14.     if isfield(mitbih_arrhythmia, 'signals') && isfield(mitbih_arrhythmia, 'labels')
15.         signals{end+1} = mitbih_arrhythmia.signals;
16.         labels{end+1} = mitbih_arrhythmia.labels;
17.     end
19.     % MIT-BIH ST Change Database
20.     if isfield(mitbih_st_change, 'signals') && isfield(mitbih_st_change, 'labels')
21.         signals{end+1} = mitbih_st_change.signals;
22.         labels{end+1} = mitbih_st_change.labels;
23.     end
25.     % EU ST-T Database
26.     if isfield(eu_stt, 'signals') && isfield(eu_stt, 'labels')
27.         signals{end+1} = eu_stt.signals;
28.         labels{end+1} = eu_stt.labels;
29.     end
31.     % Sudden Cardiac Death Database
32.     if isfield(sudden_cardiac_death, 'signals') && isfield(sudden_cardiac_death, 'labels')
33.         signals{end+1} = sudden_cardiac_death.signals;
34.         labels{end+1} = sudden_cardiac_death.labels;
35.     end
37.     % Concatenate all signals and labels
38.     all_signals = vertcat(signals{:});
39.     all_labels = vertcat(labels{:});
41.     % Normalize signals
42.     all_signals = zscore(all_signals);
44.     % Split data into train, validation, and test sets
45.     cv = cvpartition(size(all_signals, 1), 'HoldOut', 0.2);
46.     idx_train = training(cv);
47.     idx_test = test(cv);
49.     X_train = all_signals(idx_train, :);
50.     y_train = all_labels(idx_train);
51.     X_test = all_signals(idx_test, :);
52.     y_test = all_labels(idx_test);
54.     % Further split training set into training and validation sets
55.     cv_inner = cvpartition(sum(idx_train), 'HoldOut', 0.2);
56.     idx_train_inner = training(cv_inner);
57.     idx_val_inner = test(cv_inner);
59.     X_val = X_train(idx_val_inner, :);
60.     y_val = y_train(idx_val_inner);
61.     X_train = X_train(idx_train_inner, :);
62.     y_train = y_train(idx_train_inner);
63. end

复制代码

模子构建与练习

我们将构建CNN、LSTM和GRU模子，并比力它们的性能。
CNN模子

1. [<title="CNN Model for ECG Classification">]
2. function model_cnn = build_cnn_model(input_shape, num_classes)
3.     layers = [
4.         inputLayer(input_shape)
5.         convolution2dLayer([1 16], 16, 'Padding', 'same')
6.         batchNormalizationLayer
7.         reluLayer
8.         maxPooling2dLayer(2, 'Stride', 2)
9.         
10.         convolution2dLayer([1 32], 32, 'Padding', 'same')
11.         batchNormalizationLayer
12.         reluLayer
13.         maxPooling2dLayer(2, 'Stride', 2)
14.         
15.         fullyConnectedLayer(num_classes)
16.         softmaxLayer
17.         classificationLayer];
18.    
19.     options = trainingOptions('adam', ...
20.         'MaxEpochs', 20, ...
21.         'MiniBatchSize', 128, ...
22.         'InitialLearnRate', 0.001, ...
23.         'Plots', 'training-progress', ...
24.         'Verbose', false);
25.    
26.     model_cnn = trainNetwork(X_train, categorical(y_train), layers, options);
27. end

复制代码

LSTM模子

1. [<title="LSTM Model for ECG Classification">]
2. function model_lstm = build_lstm_model(input_shape, num_classes)
3.     layers = [
4.         sequenceInputLayer(input_shape(2))
5.         lstmLayer(128, 'OutputMode', 'last')
6.         dropoutLayer(0.5)
7.         fullyConnectedLayer(num_classes)
8.         softmaxLayer
9.         classificationLayer];
10.    
11.     options = trainingOptions('adam', ...
12.         'MaxEpochs', 20, ...
13.         'GradientThreshold', 1, ...
14.         'InitialLearnRate', 0.001, ...
15.         'SequenceLength', 'longest', ...
16.         'Plots', 'training-progress', ...
17.         'Verbose', false);
18.    
19.     model_lstm = trainNetwork(X_train, categorical(y_train), layers, options);
20. end

复制代码

GRU模子

1. [<title="GRU Model for ECG Classification">]
2. function model_gru = build_gru_model(input_shape, num_classes)
3.     layers = [
4.         sequenceInputLayer(input_shape(2))
5.         gruLayer(128, 'OutputMode', 'last')
6.         dropoutLayer(0.5)
7.         fullyConnectedLayer(num_classes)
8.         softmaxLayer
9.         classificationLayer];
10.    
11.     options = trainingOptions('adam', ...
12.         'MaxEpochs', 20, ...
13.         'GradientThreshold', 1, ...
14.         'InitialLearnRate', 0.001, ...
15.         'SequenceLength', 'longest', ...
16.         'Plots', 'training-progress', ...
17.         'Verbose', false);
18.    
19.     model_gru = trainNetwork(X_train, categorical(y_train), layers, options);
20. end

复制代码

模子评估与结果分析

评估每个模子并在图表中展示的结果。
评估函数

1. [<title="Model Evaluation Function">]
2. function evaluate_models(model_cnn, model_lstm, model_gru, X_val, y_val)
3.     % Evaluate CNN model
4.     YPred_cnn = classify(model_cnn, X_val);
5.     accuracy_cnn = sum(YPred_cnn == y_val) / numel(y_val);
6.     disp(['CNN Accuracy: ', num2str(accuracy_cnn)]);
7.    
8.     % Evaluate LSTM model
9.     YPred_lstm = classify(model_lstm, X_val);
10.     accuracy_lstm = sum(YPred_lstm == y_val) / numel(y_val);
11.     disp(['LSTM Accuracy: ', num2str(accuracy_lstm)]);
12.    
13.     % Evaluate GRU model
14.     YPred_gru = classify(model_gru, X_val);
15.     accuracy_gru = sum(YPred_gru == y_val) / numel(y_val);
16.     disp(['GRU Accuracy: ', num2str(accuracy_gru)]);
17.    
18.     % Plot confusion matrices
19.     figure;
20.     subplot(1, 3, 1);
21.     cm_cnn = confusionchart(categorical(y_val), YPred_cnn);
22.     title('Confusion Matrix (CNN)');
23.    
24.     subplot(1, 3, 2);
25.     cm_lstm = confusionchart(categorical(y_val), YPred_lstm);
26.     title('Confusion Matrix (LSTM)');
27.    
28.     subplot(1, 3, 3);
29.     cm_gru = confusionchart(categorical(y_val), YPred_gru);
30.     title('Confusion Matrix (GRU)');
31. end

复制代码

主脚本 main_script.m

将全部步调整合到主脚本中。

1. [<title="Main Script for ECG Classification">]% Main Script for ECG Classification% This script preprocesses the ECG data, builds and trains CNN, LSTM, and GRU models,% evaluates their performance, and visualizes the results.clear;clc;% Configuration
2. data_folder = 'path/to/data'; % Path to the folder containing datasets
3. output_folder = 'path/to/output'; % Path to save preprocessed data and models
4. % Preprocess data[X_train, y_train, X_val, y_val, X_test, y_test] = preprocess_ecg_data(data_folder);% Reshape data for CNNinput_shape_cnn = [1, size(X_train, 2)];X_train_cnn = permute(X_train, [2, 1, 3]);X_val_cnn = permute(X_val, [2, 1, 3]);% Build and train CNN modelmodel_cnn = build_cnn_model(input_shape_cnn, length(unique(y_train)));% Build and train LSTM modelinput_shape_rnn = size(X_train, 2);model_lstm = build_lstm_model(input_shape_rnn, length(unique(y_train)));% Build and train GRU modelmodel_gru = build_gru_model(input_shape_rnn, length(unique(y_train)));% Evaluate modelsevaluate_models(model_cnn, model_lstm, model_gru, X_val_cnn, y_val);

复制代码

利用说明

• 配置路径：
  
  
  
  • 将 data_folder 设置为存放数据集的目录路径。
    
  • 将 output_folder 设置为生存预处理数据和模子的目标目录路径。
    
  
  
• 运行脚本：
  
  
  
  • 在 MATLAB 命令窗口中运行 main_script.m。
    
  • 脚本会自动读取 data_folder 中的数据集，对数据进行预处理，构建并练习CNN、LSTM和GRU模子，并评估其性能。
    
  
  
• 注意事项：
  
  
  
  • 确保全部须要的工具箱已安装，特别是 Deep Learning Toolbox 和 Signal Processing Toolbox。
    
  • 根据需要调整参数，如 MaxEpochs 和 MiniBatchSize。
    
  
  

示例

假设你的数据文件夹结构如下：

1. data/
2. ├── mitbih_arrhythmia.mat
3. ├── mitbih_st_change.mat
4. ├── eu_stt.mat
5. └── sudden_cardiac_death.mat

复制代码

而且每个 .mat 文件中都有 signals 和 labels 变量。运行 main_script.m 后，MATLAB 将体现每个模子的准确性，并天生肴杂矩阵图表。
总结

通过上述 MATLAB 代码，你可以轻松地对心电信号进行分类，并对比不同模子的性能。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。