卷积神经网络 - CNN 用一维心电图信号说明

介绍

生物医学信号在研究和数据科学领域始终发挥着重要作用。就卷积神经网络 (CNN) 而言，这种特殊算法在定义深度学习 (DL) 等最复杂和最高级算法的架构方面发挥着重要作用。

谈到深度学习，大多数开源编码与图像类型相关，属于二维数据（关于维度细节及其类型相关请参阅：https://www.analyticsvidhya.com/blog/2021/07/artificial-neural-network-simplified-with-1-d-ecg-biomedical-data）

这篇特别的文章给出了一个一维数据的清晰画面，以及我们需要从二维数据或一维数据中使用哪些基本层。

卷积神经网络

我们已经在下面的文章中详细讨论了卷积神经网络 (CNN)，其中包含带有 Python 代码的图像处理领域（与计算机视觉相关）。请查看链接以获得更好的理解：

https://www.analyticsvidhya.com/blog/2021/07/convolution-neural-network-better-understanding/

在简单的 CNN 中可以解释为，

CNN 算法的一些重要层或步骤，

1. 卷积层（CNN中最重要的层）

2. 激活函数（Boosting power，尤其是ReLu层）

3. 池化（像PCA一样降维）

4. Flattening（将矩阵形式转换为单个大列）

5. 激活层——SOFTMAX层（主要是输出层，概率分布）

6. 全连接（取决于目标/因变量）

二维到一维数据

对于 CNN，我们将使用一些基本层，它们为 LeNet 5、Alexnet、Inception 等大多数算法奠定了基础，例如我们将使用的图像分析，一些基本块或基本的部分，我也给了如何在一维数据中使用的方法，

1. 卷积层——Conv2D（二维）——Conv1D（一维）

2. 最大池层——MaxPool2D（二维）——MaxPool1D（一维）

3. 展平层——Flattening（1维和2维）

4. Drop-Out 层——Dropout（一维和二维）

5. 全连接层&输出层——Dense

从上面的讨论我们可以得出结论，在功能方面不会有任何区别，但在特定于应用程序方面有点不同。

这是我们在将数据集提供给模型/特征提取过程之前在编写代码时需要保留的另一个最重要的概念，我们的数据应该是

上述归一化过程截图概念的来源是：

https://github.com/anandprems/cnn/blob/main/cnn_cifar10.ipynb

谈到图像，对于像 ECG 这样的一维数据或任何时间序列数据，我们需要为 DL 算法格式重塑我们的数据，

图片来源：作者

上述重塑过程截图的概念取自一维数据，

https://github.com/anandprems/mitbih_cnn/blob/main/mitbih_cnn.ipynb

第一维指的是输入