使用小波分析和深度学习对心电图 (ECG) 进行分类

创作时间:

作者:

@小白创作中心

使用小波分析和深度学习对心电图 (ECG) 进行分类

引用

来源

https://www.cnblogs.com/mcu-ai-QH/articles/18168618

本文介绍了一种使用小波分析和深度学习对心电图（ECG）信号进行分类的方法。通过结合连续小波变换（CWT）和深度卷积神经网络（CNN），特别是利用预训练的GoogLeNet模型进行迁移学习，可以有效地对心电图信号进行分类。这种方法避免了从头开始训练深度CNN所需的大量计算资源和数据，具有较高的实用价值。

数据集与预处理

本示例使用了开源的ECG数据集，具体来自PhysioNet，包含三类人群的ECG数据：心律失常者（ARR）、充血性心力衰竭者（CHF）和正常窦性心律者（NSR）。数据集包含162份ECG录音，其中：

心律失常者：96份录音
充血性心力衰竭者：30份录音
正常窦性心律者：36份录音

数据集可以从PhysioNet公开获取，也可以从GitHub仓库下载。下载后，需要解压缩并加载到MATLAB工作区中。

特征提取：连续小波变换（CWT）

为了将时间序列数据转换为适合CNN处理的图像形式，我们使用连续小波变换（CWT）生成尺度图。尺度图是信号CWT系数的绝对值，可以提供信号的时频表示。

Fs = 128;
fb = cwtfilterbank(SignalLength=1000, SamplingFrequency=Fs, VoicesPerOctave=12);
sig = ECGData.Data(1,1:1000);
[cfs,frq] = wt(fb,sig);
t = (0:999)/Fs;
figure
pcolor(t,frq,abs(cfs))
set(gca,"yscale","log")
shading interp
axis tight
title("Scalogram")
xlabel("Time (s)")
ylabel("Frequency (Hz)")

生成的尺度图如下所示：

迁移学习：使用预训练的GoogLeNet

由于从头开始训练深度CNN需要大量的计算资源和数据，本示例采用迁移学习的方法，使用预训练的GoogLeNet模型。GoogLeNet最初是用于将图像分类至1000个类别，我们重用其网络架构，以基于时间序列数据的CWT图像对ECG信号进行分类。

网络结构调整

替换丢弃层：将网络中的最终丢弃层pool5-drop_7x7_s1替换为概率为0.6的丢弃层。
替换全连接层：将全连接层loss3-classifier替换为新的全连接层，其中滤波器的数量等于类的数量。
替换分类层：将分类层替换为没有类标签的新分类层。

训练网络

使用随机梯度下降（SGDM）算法进行训练，设置以下参数：

批次大小：15
最大轮次：20
初始学习率：1e-4
验证数据：imgsValidation
验证频率：10
显示训练进度

options = trainingOptions("sgdm", ...
MiniBatchSize=15, ...
MaxEpochs=20, ...
InitialLearnRate=1e-4, ...
ValidationData=imgsValidation, ...
ValidationFrequency=10, ...
Verbose=1, ...
Plots="training-progress");

模型评估

使用验证数据评估网络的分类性能：

[YPred,~] = classify(trainedGN,imgsValidation);
accuracy = mean(YPred==imgsValidation.Labels);
disp("GoogLeNet Accuracy: "+num2str(100*accuracy)+"%");

实验结果表明，使用迁移学习的GoogLeNet模型在ECG信号分类任务上取得了93.75%的准确率。