基于深度学习的心电信号分类、分割与去噪。（1）分类篇

STDECG

已于 2024-05-29 13:46:34 修改

阅读量1.2k

点赞数 34

分类专栏： PyTorch 文章标签： pytorch deep learning

于 2024-05-26 18:27:56 首次发布

本文链接：https://blog.csdn.net/STDECG/article/details/138514013

版权

PyTorch 专栏收录该内容

1 篇文章 1 订阅

订阅专栏

1、引言

无论是本科生还是硕士生，关于心电信号的课题主要就是围绕着这几个大方向，今天主要介绍心电信号的分类。

2、概述

对于心电信号分类，目前主流的做法是直接将心电信号输入到深度学习模型，使用模型来自动提取特征，之后再输入到全连接层进行分类。

使用深度学习模型的优势在于：1、模型可以自己根据心电信号的特点来学习到相关的特征，而无需进行复杂的人工特征提取；2、可以将计算机视觉（Computer Vision，CV）领域的一些方法和创新点应用到心电信号中，这样更好发文章（懂的都懂）。

3、使用深度学习模型来进行心电信号分类的基本流程

概括地说来，心电信号分类的基本流程包括数据集的读取，模型的搭建、在训练集上进行模型的训练和在测试集上进行模型的测试。

3.1、心电信号的采集/心电信号数据集的选择

对于心电信号来说，使用到的数据可以是私有数据集，也可以使用公开数据集。

对于私有数据集，这个不过多介绍，可以通过自己采集或者与医院的心内科合作。自己采集的通常是单导联或者2导联信号，医院的通常是标准12导联信号。

对于公开数据集，常用的数据集可以从PhysioNet 网站进行获取。包括MITDB（MIT-BIH Arrhythmia Database）、AFDB（MIT-BIH Atrial Fibrillation Database）、PTB-XL（PTB-XL, a large publicly available electrocardiography dataset）等等，具体需要使用什么数据集需要根据自己的课题来选择。此外，PhysioNet每年都会进行有关生理信号的比赛，比赛使用到的数据集也是经常用到的。包括CINC 2011（用于12导联心电信号的质量分类）、CINC 2017（用于四个类别的分类）、CINC 2020、CINC 2021和CINC 2024等。除去PhysioNet，国内的东南大学也会举办比赛，涉及到的数据集包括CPSC 2018、CPSC 2019、CPSC2020和CPSC 2021等。

还是一句话，具体需要使用哪个数据集，取决于要做的任务。心电信号的分类可以分为很多，包括常见的心电信号质量分类、心律失常分类、情绪识别和睡眠呼吸暂停等，需要根据自己的任务来选择适当的数据集。

3.2 心电信号的预处理

常见的心电信号预处理包括滤波（去噪）、分割（划分为长度均为5秒/10秒的片段）、重采样和标准化，这些都比较简单。

对于滤波，也是根据具体任务来进行，常见的包括使用带通滤波和小波变换。
分割也是为了使得输入到模型的信号长度一致，这样有利于进行模型的训练。此外，除去分割，也可以选择使用零填充将较短的信号填充到更长的长度。
重采样是为了统一来自不同数据集中心电信号的采样率，通常使用SciPy中的resample函数进行操作。
标准化同样是为了加速模型的训练，通常可以使用Z-Score或者Min-Max Normalization将心电信号进行标准化。

3.3 构建数据集

通过torch.utils.data.Dataset()实现读取数据集的心电信号及其对应的标签，然后通过torch.utils.data.DataLoader()来迭代读取Batch个Dataset对象。对应代码如下：

class ECGDataset(Dataset):
    def __init__(self, data_dir):
        super(ECGDataset, self).__init__()

        self.data_dir = data_dir
        self.npy_files = os.listdir(self.data_dir)

    def __getitem__(self, item):
        data, label = load_data(os.path.join(self.data_dir, self.npy_files[item]))

        return torch.from_numpy(data).float(), torch.as_tensor(label).type(torch.LongTensor)

    def __len__(self):
        return len(self.npy_files)

实例化一个dataset对象，并实例化一个dataloader：

train_dataset = ECGDataset(train_path)
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)

3.4 模型的搭建

与图像不一样，心电信号是一维时序信号，因此通常使用一维卷积（Conv1d）来进行特征提取。但正如前面所说，可以将CV领域的模型应用到心电信号中，一个技巧就是将其中的二维卷积（Conv2d）替换为Conv1d，同时其他如二维池化（MaxPool2d）等操作也需要替换为一维池化（MaxPool1d）。

以经典的ResNet为例，对于ResNet中的BasicBlock，将其中的卷积层、BN层替换为1维后，即可用于心电信号。

def conv3x3(in_planes, out_planes, kernel_size, stride):
    return nn.Conv1d(in_planes, out_planes, kernel_size, stride=stride, padding=3, bias=False)


class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = conv3x3(inplanes, planes, stride=stride)
        self.bn1 = nn.BatchNorm1d(planes)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(planes, planes)
        self.bn2 = nn.BatchNorm1d(planes)
        self.downsample = downsample
        self.stride = stride
        self.dropout = nn.Dropout(.2)

    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        if self.downsample is not None:
            residual = self.downsample(x)

        out += residual
        out = self.relu(out)

        return out

3.5 训练及预测

接下来，就可以定义一些训练和验证函数来进行模型的训练。

def train(model, train_loader, criterion, optimizer, device):
    model.train()
    train_loss, train_acc = 0.0, 0.0
    for data, labels in tqdm(train_loader):
        optimizer.zero_grad()
        outputs = model(data.to(device))
        loss = criterion(outputs, labels.to(device))
        loss.backward()
        optimizer.step()
        train_loss += loss.item()
        train_acc += (outputs.argmax(dim=1) == labels.to(device)).sum().item() / labels.size(0)
    train_loss /= len(train_loader)
    train_acc /= len(train_loader)
    return train_loss, train_acc


def evaluate(model, valid_loader, criterion, device):
    model.eval()
    valid_loss, valid_acc = 0.0, 0.0
    with torch.no_grad():
        for data, labels in tqdm(valid_loader):
            outputs = model(data.to(device))
            loss = criterion(outputs, labels.to(device))
            valid_loss += loss.item()
            valid_acc += (outputs.argmax(dim=1) == labels.to(device)).sum().item() / labels.size(0)
    valid_loss /= len(valid_loader)
    valid_acc /= len(valid_loader)
    return valid_loss, valid_acc

加载好训练集、验证集和测试集，实例化模型、损失函数、优化器后，便可以进行模型的训练。训练过程中的学习率、batch_size的大小，都需要进行参数调整。对于学习率，可以使用学习率调度程序实现动态调整；对于batch_size，可以使用网格搜索算法来遍历最合适的大小。此外，最好使用早停（Early Stopping）来及时终止模型的训练。

保存训练好的模型权重后，便可以加载模型权重，在测试集上进行测试，得到一些评价指标。常用的分类指标包括准确率、召回率、精确度和F1值，这些都是通过测试集上的结果来反映。此外，还可以绘制混淆矩阵或者使用一些类似主成分分析技术，以实现更直观的展示。