简介这是一份基于一维卷积神经网络1DCNN的多类一维信号分类源码包面向深度学习入门者、生物医学信号处理方向学生及相关研究人员重点解决在MIT-BIH心律失常数据集上按心拍进行自动分类的问题。压缩包内13个文件全部为MATLAB的.m脚本代码量精简但结构完整覆盖一维卷积层设置、激活函数选择、前向传播、反向传播、梯度更新、训练与测试等核心环节并提供ReLU、Sigmoid、Tanh切换选项可直接运行或按需扩展。包体约8KB紧凑清晰适合逐行阅读核心算法也便于嵌入到自己的实验中。已有650人学习下载可用于快速建立对1DCNN处理一维信号的整体认识。借助这套代码既能完成从ECG心电特征提取到心律失常类别判别的完整流程也能迁移到肌电EMG等其他一维生理信号分类任务中。1. 为什么1DCNN成了心电分类的默认基线心内科医生每天要盯大量动态心电图单靠人工判读既慢又容易漏掉偶发的早搏。自动心电分类的目标是把连续多导联信号切成心跳片段再判断每段属于正常、室上性异位、室性异位还是融合波。传统做法是手工设计特征比如RR间期、QRS宽度、T波形态再交给SVM但特征表达力在复杂波形上很快就到瓶颈。1DCNN直接吃原始波形用一维卷积在时间轴上自动学习局部形态几分钟训练就能在公开心律失常数据集上达到95%以上的F1推理速度也比LSTM快一个数量级所以现在很多工业级系统都把它当作默认基线模型。这篇内容就是顺着从卷积原理、数据预处理到训练调参、验证部署的完整链路走下来。同样的结构换几个参数也可以复用到肌电信号EMG分类因为EMG同属低频时序生理数据。适合刚接触医疗AI的工程师也适合想把手工特征方案替换成端到端模型的团队。2. 1DCNN的卷积核是怎么“读心电”的结构设计与最小实现2.1 一维卷积如何捕获P波、QRS波群与T波心电信号是一维时间序列每个心动周期由P波、QRS波群、T波组成波形宽度和相对幅值是诊断的关键。一维卷积与二维卷积的区别在于卷积核只沿时间轴滑动权重张量形状为(out_channels, in_channels, kernel_size)。卷积核在信号上滑动时做点积等价于一组可学习的匹配滤波器。第一个卷积层的任务通常是检测陡峭的上升沿、宽大的波峰或负向凹槽对应QRS波群的起始和结束堆叠几层后高层卷积能组合出“高尖峰后紧跟负波”这类对应特定心律失常的复合形态。池化的作用是下采样并引入平移不变性这样QRS波即使错位几个采样点输出特征也不会骤变。从参数效率上看一维卷积远比全连接层划算。假设输入长度是500全连接第一层就要500 × 1024权重在医疗小数据集上几乎必然过拟合而kernel_size5的卷积只有5 × in_channels × out_channels个参数且权重共享。所以常见的1DCNN分类器会刻意控制全连接层深度只让它对卷积特征做线性组合。2.2 一个可直接运行的1DCNN模型定义下面是一个用PyTorch写的轻量级心电分类模型输入形状为(batch, channels, seq_len)默认单导联。import torch import torch.nn as nn class ECGNet(nn.Module): def __init__(self, in_channels1, num_classes5): super().__init__() # block1: kernel_size5适合捕获QRS波群的陡峭沿 self.block1 nn.Sequential( nn.Conv1d(in_channels, 32, kernel_size5, padding2), nn.BatchNorm1d(32), nn.ReLU(), nn.MaxPool1d(kernel_size2) ) # block2: 通道数翻倍特征开始组合 self.block2 nn.Sequential( nn.Conv1d(32, 64, kernel_size5, padding2), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(kernel_size2) ) # block3: 小卷积核堆叠扩展上下文感受野 self.block3 nn.Sequential( nn.Conv1d(64, 128, kernel_size3, padding1), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(kernel_size2) ) # block4: 进一步压缩长度输出通道到256 self.block4 nn.Sequential( nn.Conv1d(128, 256, kernel_size3, padding1), nn.BatchNorm1d(256), nn.ReLU(), nn.MaxPool1d(kernel_size2) ) # 全局平均池化把任意长度序列压缩成1个特征向量 self.global_pool nn.AdaptiveAvgPool1d(1) self.classifier nn.Linear(256, num_classes) def forward(self, x): x self.block1(x) x self.block2(x) x self.block3(x) x self.block4(x) x self.global_pool(x) # (batch, 256, 1) x x.view(x.size(0), -1) # (batch, 256) return self.classifier(x)核心参数这样理解kernel_size5在360Hz采样率下覆盖约14ms正好匹配QRS波群的局部陡峭段padding2保持序列长度不变把降采样交给池化层。如果采样率变成500Hzkernel_size要相应增大到7否则感受野过短。通道数按32、64、128、256倍增是容量与算力的常见折中。分类器只有一个全连接层避免在特征已经稠密时引入额外过拟合。前向里用了AdaptiveAvgPool1d(1)好处是输入序列长度可以不是固定值——训练时用432点部署时遇到512点也能跑。2.3 kernel_size、padding与感受野的权衡kernel_size是第一层最该调的超参。心电各波段持续时间不同P波约80~100msQRS波约80~120msT波约160~200ms。第一层卷积核如果能覆盖一个完整的P波或QRS波后续层就能直接学到“是否符合典型形态”而不是拼凑碎片。以360Hz采样率计算80ms约等于29个采样点所以第一层用21或31比用5更常见。大核代价是参数多、训练慢但第一层输入通道只有1实际开销可控。下表给出不同采样率下的第一层kernel_size建议供直接抄作业采样率 (Hz)QRS波宽度采样点第一层kernel_size备注25020~3015~21常规动态心电36029~4321~31MIT-BIH常见采样率50040~6031~41现代记录仪100080~12061~81高分辨科研数据第二个权衡点是padding策略。常用的paddingsame保证卷积后长度不变但边界补零会引入虚假的“低频归零”信息。心电信号是连续周期性的补零不如反射填充modereflectPyTorch的nn.Conv1d目前不支持自定义填充模式只能在forward里手动F.pad(x, pad, modereflect)。如果嫌麻烦也可以让卷积适当减小长度再用池化和全连接去吸收长度差异。最后提到感受野计算堆叠两个kernel3的卷积等价于一个kernel5的卷积但参数量更少所以追求深度的网络会倾向小核堆叠而不是一味加大核。3. 从原始波形到训练样本心电信号预处理与数据分割3.1 读取与滤波去除基线漂移和工频干扰公开心电数据集大多使用WFDB格式比如MIT-BIH心律失常库每条记录包含双导联48分钟信号采样率360Hz。读取需要wfdb库代码很直接。import wfdb import numpy as np from scipy.signal import butter, filtfilt record wfdb.rdrecord(mitdb/100, channels[0]) signal record.p_signal[:, 0] # 取第一导联 fs record.fs # 360 Hz拿到原始信号后第一步是带通滤波。心电有效能量集中在0.5~45Hz低于0.5Hz的是呼吸导致的基线漂移高于45Hz的主要是肌电噪声。用二阶Butterworth零相位滤波避免波形相位偏移def bandpass(signal, fs, low0.5, high45, order3): nyq fs * 0.5 b, a butter(order, [low/nyq, high/nyq], btypeband) return filtfilt(b, a, signal) signal_filtered bandpass(signal, fs)filtfilt和lfilter的区别值得强调filtfilt正向反向各做一次输出没有相位延迟R峰的位置不会偏移。如果用lfilter整段波形会延迟约几十个采样点后续按R峰截窗时标签就会错位。order3是折中再大会让滤波器过渡带太陡容易在QRS边界引入振铃伪迹。对于50Hz或60Hz工频干扰带通已经把高于45Hz的成分滤掉不必再用陷波器。滤波后要做幅值归一化。不同患者的心电幅值差异很大直接从0.5mV到2mV都有。最简单的是整条记录z-scoremean signal_filtered.mean() std signal_filtered.std() signal_norm (signal_filtered - mean) / stdz-score会改变绝对幅值但对形态分类没有影响因为医生看的是Q波与R波的比值和波形时宽。如果后续任务需要保留绝对幅值判断比如ST段抬高幅度计算则改用中位数与IQR缩放减少异常值干扰。3.2 基于R峰定位的样本切割心电分类通常按心跳级别进行所以需要先定位QRS波群中的R峰。wfdb库提供xqrs_detect算法直接调用即可r_peaks, _ wfdb.xqrs_detect(signal_filtered, fs, verboseFalse)得到R峰位置后以每个R峰为中心截取固定长度窗口。窗口长度要能覆盖一个完整的P-QRS-T周期。心率60~120次/分对应0.5~1.0秒窗口取1.2秒360Hz下432点比较稳妥因为它能包含下一个P波的起点给模型提供P-R间期信息。window_size int(1.2 * fs) # 432 half window_size // 2 segments, labels [], [] for r_pos in r_peaks: if r_pos - half 0 and r_pos half len(signal_norm): seg signal_norm[r_pos - half:r_pos half] segments.append(seg) # 这里labels根据R峰时间戳去查询对应的心律失常标注边界处理建议直接丢弃不完整的片段而不是补零。因为补零会创造一个从正常波形突降到零的假边界卷积核可能把这种假边界当成特征学进去。如果要统一长度且相邻R峰间隔小于窗口长度可以优先取本心跳与下一心跳之间更短的范围。切割完成后把每个段整理成(batch, 1, window_size)的Tensor输入模型。注意window_size最好设置成多次池化后仍能整除的数这里432经过四次MaxPool1d(kernel_size2)会变成27虽然AdaptiveAvgPool1d不要求整数但池化时避免出现非均匀长度可以保持速度一致。3.3 类不平衡处理与数据划分心电数据中正常心跳数量压倒性地多于各种异常比如N类可能占80%F类不足1%。如果不处理模型会把少数类全部预测为多数类。常用的三个做法第一是过采样少数类直接复制样本或对原始信号添加小幅噪声。噪声幅度要小控制在归一化后信号标准差的5%以内。第二是给损失函数加类别权重后面第四章详细说。第三是使用Focal Loss让模型降低对易分样本的关注。数据划分则有一个容易忽略的坑同一患者的相邻心跳具有相似的波形和噪声模式如果随机打乱后划分训练集和验证集就相当于泄漏了患者信息最后准确率虚高。正确做法是按患者维度划分例如MIT-BIH的48条记录用GroupKFold或者手动指定30条训练、18条测试保证同一患者的样本不会同时出现在两个集合。预处理管线跑完后建议把切割的段和标签保存成.npy文件。动态心电数据量大每次重新滤波读WFDB很耗时存好后训练脚本直接np.load加载能节省大量重复I/O。4. 训练1DCNN时的损失函数、优化器与调参清单4.1 损失函数与类别权重多分类心电任务默认使用交叉熵损失。PyTorch的CrossEntropyLoss接受weight参数用来调节各类别对损失的贡献。类别权重的一个常见计算方式是total_samples / (n_classes * class_count)代码如下import torch class_counts torch.tensor([71500, 2500, 7000, 800, 15]) total class_counts.sum() weights total / (len(class_counts) * class_counts) criterion torch.nn.CrossEntropyLoss(weightweights)这样少数类Q的权重会非常大可能导致训练震荡。实际使用中会把权重上限截断到5~10或者配合过采样一起用。我更推荐先做轻度过采样少数类复制一两次再使用平权交叉熵这样梯度稳定性更好。有些团队习惯用Focal Loss它对易分样本的loss进行指数衰减代码实现也不复杂class FocalLoss(torch.nn.Module): def __init__(self, gamma2.0, alphaNone): super().__init__() self.gamma gamma self.alpha alpha # 可以是Tensor对应每个类的权重 def forward(self, logits, targets): ce torch.nn.functional.cross_entropy(logits, targets, reductionnone) pt torch.exp(-ce) loss self.alpha * (1 - pt) ** self.gamma * ce return loss.mean()gamma2表示预测概率越高的样本对loss的贡献越小。当正常心跳占80%时模型稍一训练就能把正常类预测得很高Focal Loss能自然压制这部分梯度让模型把注意力转向困难样本。不过alpha需要和类别分布对应若设成标量0.25在多分类下并不严格建议直接设成一个Tensor。4.2 训练循环与学习率策略优化器优先用AdamW它修正了Adam中L2正则化的实现方式在1DCNN这样的中小模型上收敛稳定weight_decay设为1e-4到5e-4。学习率初始1e-3配合余弦退火调度。optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4) scheduler torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max50, eta_min1e-5) for epoch in range(50): model.train() for batch_x, batch_y in train_loader: optimizer.zero_grad() logits model(batch_x) loss criterion(logits, batch_y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() scheduler.step() # 每个epoch更新一次这里有几个关键设置clip_grad_norm_把梯度范数截断到5.0防止个别少数类样本产生异常大梯度导致loss变成NaN。scheduler.step()放在epoch循环里更常用如果放在batch里学习率衰减过快模型还没收敛就已经接近零。T_max设为50等于总epoch数意思是第50轮学习率降到eta_min。如果想要更好的收敛性可以只在验证loss连续不降时触发余弦重启。早停逻辑也很重要不要等到50轮完全跑完。每次验证F1提高时保存模型权重如果连续5轮F1未提高就提前结束训练并加载最好的权重。4.3 常见过拟合现象与修复手段训练集loss持续下降验证F1在0.85附近徘徊这是过拟合的典型信号。先检查数据划分是否泄漏其次看模型是不是太深。心电形态模式相对固定四层卷积已经足够没必要再加block5。降低过拟合的常用操作按优先级排列第一加Dropout1d。与普通Dropout随机丢单个神经元不同Dropout1d会随机丢弃整条通道强制网络不依赖某个导联特征。放在每个block的ReLU之后比例0.3~0.5。第二数据增强。心电增强不要用旋转和随机裁剪那种图像方法可以用的包括随机幅值缩放0.9~1.1倍和随机时间平移±10个采样点。时间平移能模拟R峰定位误差让模型对相位不那么敏感。第三增加weight_decay到5e-4。如果发现训练和验证F1差距大于0.08就先调这个。如果还不行把第四层卷积的通道数从256降到128减少参数容量。一个更隐蔽的问题是样本层面过采样导致验证集分布和训练集不一致。比如你把Q类复制了30次训练集里Q占比被抬高验证集仍然是原始比例于是训练时Q的recall看起来很高测试时一塌糊涂。所以过采样应该只作用于训练集内部验证集必须保持原始类别分布。5. 把1DCNN分类器推进到临床可用交叉验证与多尺度卷积5.1 按患者划分的交叉验证模型开发后期需要严格评估泛化性。推荐使用GroupKFold按患者分折把每个患者的所有心跳作为一个组避免同一个患者的心跳同时出现在训练和验证里。交叉验证后报告的不只是平均F1还要看折间标准差如果某折F1比平均值低5个百分点说明这折患者的波形形态比较特殊。from sklearn.model_selection import GroupKFold gkf GroupKFold(n_splits5) for train_idx, val_idx in gkf.split(segments, labels, groupspatient_ids): passpatient_ids是每个样本所属的患者编号。注意GroupKFold的折数不能超过患者数折内患者数量也不会完全相等但可以通过StratifiedGroupKFold在控制类别分布的同时遵守分组约束。除了交叉验证最终模型最好再准备一个未被任何训练过程触碰的独立测试集。对于MIT-BIH这类体量小的数据集常见的做法是留出若干条完整记录当测试剩余的做交叉验证的train/val池确保测试集从未参与过早停和阈值选择。5.2 多尺度卷积核与SE注意力模块标准堆叠卷积用固定尺寸kernel对QRS波宽度变化不敏感。不同患者的QRS宽度从60ms到140ms都可能用小核看窄波清晰但宽QRS的平坦部分感受野不足大核则对窄波峰定位粗糙。解决办法是并行使用多个不同尺寸的卷积核再拼接输出。下面是一个可替换第一层block的MultiScaleBlockimport torch.nn.functional as F class MultiScaleBlock(torch.nn.Module): def __init__(self, in_ch, out_ch): super().__init__() # out_ch分为4个分支每个分支输出out_ch//4 self.branch1 torch.nn.Conv1d(in_ch, out_ch//4, kernel_size5, padding2) self.branch2 torch.nn.Conv1d(in_ch, out_ch//4, kernel_size11, padding5) self.branch3 torch.nn.Conv1d(in_ch, out_ch//4, kernel_size21, padding10) self.branch4 torch.nn.Conv1d(in_ch, out_ch//4, kernel_size1) self.bn torch.nn.BatchNorm1d(out_ch) self.relu torch.nn.ReLU() def forward(self, x): x1 self.branch1(x) x2 self.branch2(x) x3 self.branch3(x) x4 self.branch4(x) out torch.cat([x1, x2, x3, x4], dim1) return self.relu(self.bn(out))在360Hz采样率下kernel_size 5、11、21分别覆盖约14ms、30ms、58ms。这个范围既能捕捉窄QRS的锐利上升沿也能覆盖宽QRS的整个除极过程。第一个block用这种多尺度替换后在BCIC或MIT-BIH上的F1通常能提升2~3个百分点代价是计算量增加。部署到资源受限设备时可以通过通道剪枝把不太激活的分支去掉。另一个性价比高的模块是SE注意力。它先对每个通道全局平均池化然后学习一个通道权重向量把权重乘回特征图class SEBlock(torch.nn.Module): def __init__(self, channels, reduction16): super().__init__() self.pool torch.nn.AdaptiveAvgPool1d(1) self.fc torch.nn.Sequential( torch.nn.Linear(channels, max(channels // reduction, 8)), torch.nn.ReLU(), torch.nn.Linear(max(channels // reduction, 8), channels), torch.nn.Sigmoid() ) def forward(self, x): w self.pool(x).view(x.size(0), -1) w self.fc(w).unsqueeze(-1) return x * wSEBlock放在每个卷积block的BN和ReLU之后相当于让模型自适应选择哪条通道对分类最有用。比如识别室颤时更依赖低频基线趋势识别室早时更依赖QRS能量这个注意力权重会在训练里自动调整。少量代码改动换来的是可解释性提升观察SE权重可以判断模型是否把注意力放在T波变化上这对医疗审计很有价值。如果要把模型导出到移动端或嵌入式设备建议做两件事第一把卷积层和BN层融合减少推理时BN带来的额外计算和内存访问。融合公式是重新参数化卷积权重和偏置PyTorch导出到ONNX时部分后端会自动完成。第二将多尺度分支简化成单一kernel_size5的卷积因为边缘设备的推理库对多分支支持差异很大简单模型更容易兼容。融合后记得对比原始模型对同一条心电的logits差异误差应小于1e-3。最后用滑动窗口对整条动态心电记录做在线推理把每个窗口的异常概率按时间对齐画出一条异常概率曲线。如果某些时段模型连续报告室早但标注里没有就拿原始波形出来人工复核。这一步能同时检验R峰定位、样本切分和模型一致性也是上线前最容易被忽略的一环。本文还有配套的精品资源点击获取