简介基于深度学习的心电异常检测.zip 是一套面向医疗AI与数据科学初学者的Python项目针对心电图ECG信号中的异常分类问题提供基于卷积神经网络CNN的完整实现方案。资源包共8个文件以5个Python脚本为核心覆盖输入数据读取、自定义数据构造、模型训练与独立测试等关键环节另有2张结果对比图片便于直观评估检测效果整体压缩包仅9KB轻量易下载。目前已有470人学习适合希望快速上手深度学习方法处理心电信号的开发者与研究者。借助这份代码可学习心电图数据预处理与标注技巧理解CNN如何从一维心电信号中提取波形形态、幅度与间期等时序特征同时能直接运行训练和测试脚本观察正常与异常类别的准确率、召回率与F1分数并在此基础上调整网络结构或迁移至其他生理信号任务形成完整的实验闭环。1. 拿到这份心电异常检测工程包先搞清楚它在解决什么问题心电图机上打出来的原始波形同一段记录在不同医生手里可能读出两套结论尤其是早搏、传导阻滞这些需要盯细节的类别肉眼扫一晚上长时程 Holter 数据漏判几乎无法避免。深度学习在这里解决的不是“把波形变得更清晰”而是把“看波形、判类别、给结论”这个动作自动化。这份“基于深度学习的心电异常检测.zip”拆开来看通常就是数据预处理、一维 CNN 模型、训练与评估脚本三部分组成的工程方案常见落点是心律失常分类和心拍级异常筛查。适合三类人做毕设需要真实落地场景的学生、想探索心电初筛的小团队、被长时程数据压垮的临床工程师。真正跑通它的关键不在模型多新而在于数据格式、标签口径和评估粒度有没有对齐下面按我复现这类工程包的顺序展开。2. 选型先说清心电异常检测为什么优先一维 CNN2.1 一维卷积本质上是在做模板匹配心电诊断高度依赖形态正常心拍、室性早搏、房性早搏、融合波之间的差异主要体现在 QRS 宽度、波形形态、以及心拍前后的间期关系。一维卷积核在时间轴上滑动每个卷积核等价于一个可学习的形态模板多个卷积核叠加就能同时关注 P 波、QRS 波群和 T 波。相比全连接网络卷积解决了两个实际痛点。第一平移不变性同一个早搏波形在记录里偏移几十毫秒卷积输出几乎不变全连接网络却会把它当成完全不同的输入。第二参数规模可控单导联 250Hz 采样下一个包含 R 峰前后上下文的心拍窗口大约 1800 个点全连接第一层就会产生巨大参数量而一维卷积的参数量只由卷积核尺寸决定。这也是为什么我不建议一上来就把信号铺平丢进全连接网络训练慢、容易过拟合而且可解释性很差。心拍级分类还有一个天然优势模型不需要看完整 10 秒记录只需要以 R 峰为中心、截取心拍和前后一小段上下文就能确定大部分心拍的类别。判别信息集中在 QRS 波群及其附近长程依赖不是刚需。若后面要升级到房颤识别或片段级分类再考虑引入注意力机制也不迟。2.2 为什么不建议先上 LSTM 或 TransformerLSTM 确实能建模长程依赖但它更适合“前后文共同决定结果”的任务。心拍分类里单个心拍的形态已经提供了大部分判别信息用 LSTM 处理 10 秒信号训练速度慢、梯度容易不稳定而且对标签对齐的要求极高。常见翻车现象是R 峰位置偏了几个采样点LSTM 输出的类别就开始抖。Transformer 的问题则是数据量和鲁棒性。自注意力机制擅长捕捉长距离关系但在单导联心拍分类上注意力矩阵很容易去学心跳间期这类脆弱的模式。训练集和部署数据在心率分布上稍有差异模型表现就会明显下滑。我的习惯是基线模型先用一维 CNN 把全流程跑通让准确率和数据预处理先稳定下来如果后续要做 10 秒片段级房颤检测再在 CNN 特征基础上加轻量注意力模块而不是直接推倒重来。方案适合场景心电数据上最容易踩的问题一维 CNN心拍级分类、短片段分类卷积核尺寸没按采样率换算感受野不够双向 LSTM长程依赖、序列建模训练慢、梯度易爆、对 R 峰对齐要求过高Transformer长时间序列、多导联融合数据量不足时易过拟合注意力模式脆弱CNN 注意力先提特征再融合上下文效果最好的一档但多出不少超参要调2.3 标签口径先统一从原始标注到 0~4 五分类使用公开数据时MIT-BIH 原始标注符号非常多实际项目一般按 AAMI 标准归并成五类N 类代表正常与束支类S 类代表室上性异位V 类代表室性异位F 类代表融合心拍Q 类代表未分类和起搏心拍。绝大多数心电异常检测工程包默认采用这个口径。这个映射最容易出错的地方是符号 S。MIT-BIH 里 S 指的是室上性早搏应归到类别 1很多人想当然把它当成“室性”处理结果整个模型学出来的类别语义都是错的。我一般把映射表集中写在数据加载入口不让它散落到各个脚本里。label_map { N: 0, L: 0, R: 0, e: 0, j: 0, # 正常/束支类 A: 1, a: 1, J: 1, S: 1, # 室上性异位 V: 2, E: 2, # 室性异位 F: 3, # 融合心拍 Q: 4, ?: 4, # 未分类/起搏 }这份映射的关键参数在于字典的值是训练标签必须保持一致字母大小写含义不同例如“a”是房性逸搏和“A”房性早搏在原始数据集里是不同标记但归并后都属于室上性。若你的数据来自医院导出系统标签字段常叫 beat_type 或 rhythm同样需要先写一个归一化函数统一成 0 到 4 的整数否则后面所有指标都是黑匣子。2.4 导联数与采样率决定模型输入形状很多开源心电工程包默认只处理单导联数据最常见的是 MLII。但如果你拿到的数据是 12 导联同步记录模型第一层的 in_channels 就必须从 1 改成 12不能只改数字了事。多导联之间信息冗余严重我一般先接一个 1x1 卷积做导联融合再进入正式的一维卷积模块这样比直接堆 12 个通道更稳。采样率同样影响模型结构。同一个卷积核大小在不同的采样率下覆盖的时间长度完全不同。错误做法是把 kernel_size 写死成 25在 250Hz 数据上它覆盖 100 毫秒换到 500Hz 数据上就只覆盖 50 毫秒模型对 QRS 波群的感知一下子缩短一半。kernel_size int(fs * 0.1) | 1 # 约 100ms强制为奇数这里 fs 是目标采样率。0.1 秒约等于一个 QRS 波群的主峰宽度作为第一层卷积核尺寸很合适“| 1”是为了保证核大小为奇数避免 padding 时左右不对称。采样率相关的问题会贯穿整个模型设计和数据预处理后面第 4 章会专门展开。3. 从解压到训练复现一份心电检测工程包的标准动作3.1 先用 miniconda 把深度学习环境一次配好深度学习入门者最容易在环境配置上耗掉大半天工程包 README 里的依赖往往不写全。我跑这类心电检测项目的默认组合是 Python 3.9、PyTorch CPU 版、wfdb 读取心电数据、scipy 和 numpy 做信号处理。如果机器有 NVIDIA GPU可以把 CPU 版替换成对应 CUDA 版本没有 GPU 也没关系心拍级分类任务的数据量不大CPU 足够完成调试和验证。conda create -n ecg python3.9 -y conda activate ecg conda install pytorch torchvision cpuonly -c pytorch pip install wfdb numpy scipy pandas scikit-learn matplotlibtorchvision 在纯心电信号任务里用不到但 PyTorch 官方 CPU 安装命令通常带上它装上也不影响。用 conda 建独立环境而不是直接 pip 装到 base最大的好处是后面换项目不会互相污染依赖。安装完成后用一行命令验证环境是否一致python -c import torch, wfdb, numpy, scipy; print(torch.__version__, wfdb.__version__, scipy.__version__)如果能正常打印版本号说明核心依赖已经就位。版本可以不用最新Python 3.9 配合 PyTorch 2.x 的 CPU 版本目前在兼容性上非常稳没必要追新。3.2 数据目录这样组织原始数据和代码分开拿到 zip 包后我建议先重建目录结构而不是在解压出来的原始目录里直接开跑。常见做法是把原始数据、处理后的缓存、模型权重、训练日志严格分开。原始数据保持只读processed 目录随时可以删除重建checkpoints 只存放最优模型。这样做得好处是即使预处理代码改了一版也不需要重新下载原始数据只要清空 processed 重新生成即可。project/ ├── data/ │ ├── raw/ # 原始心电记录只读 │ └── processed/ # 切窗后的 npy 或 h5可重建 ├── src/ │ ├── data_loader.py │ ├── model.py │ └── train.py ├── checkpoints/ # 最优权重 └── logs/ # 训练日志如果你在 zip 里看到的目录结构和这个不一致也不用慌只要把核心脚本和数据集路径理清楚就行。需要特别注意的是原始数据不要存放在带中文和空格的路径下某些旧版本 wfdb 库在解析文件路径时会因此报错。processed 数据建议用固定命名例如 train_x.npy、train_y.npy避免多个预处理版本混在一起。3.3 切窗和归一化样本怎么做模型才能收敛心拍级分类的样本生成不是直接把整段信号随机切成小段而是以 R 峰位置为中心切窗。原因很直接随机切段大概率切到没有异常心拍的正常段模型训练时根本见不到足够多的正样本。R 峰位置可以通过标准心电工具检测也可以直接使用数据集自带的标注。import numpy as np def make_windows(x, r_peaks, label, fs250, before0.9, after0.9): before_n int(before * fs) after_n int(after * fs) windows [] labels [] for peak in r_peaks: if peak - before_n 0 or peak after_n len(x): continue seg x[peak - before_n: peak after_n] seg (seg - seg.mean()) / (seg.std() 1e-8) windows.append(seg) labels.append(label) X np.stack(windows).reshape(-1, 1, before_n after_n) return X, np.array(labels)这里 before 和 after 的单位是秒0.9 秒的前后文足够覆盖一个完整心拍及其周围节律。归一化采用窗口内 z-score而不是全局归一化原因是部署时面对的是实时流入的波形拿不到整段全局均值和方差。每个窗口独立归一化等于把波形幅度缩放问题直接消掉模型更关注形态差异。若有导联切换或增益不同的数据这种归一化方式也能自动适应。3.4 一维 CNN 主模型和训练入口模型定义严格按 2.4 里的 kernel 换算公式来。为了让最后一章做注意力检查更方便这里不用 Sequential而是把三个卷积模块显式写出来。import torch import torch.nn as nn import torch.nn.functional as F class EcgCnn(nn.Module): def __init__(self, n_classes5, fs250): super().__init__() k int(fs * 0.1) | 1 self.conv1 nn.Conv1d(1, 32, k, paddingk // 2) self.bn1 nn.BatchNorm1d(32) self.pool1 nn.MaxPool1d(2) self.conv2 nn.Conv1d(32, 64, k, paddingk // 2) self.bn2 nn.BatchNorm1d(64) self.pool2 nn.MaxPool1d(2) self.conv3 nn.Conv1d(64, 128, k, paddingk // 2) self.bn3 nn.BatchNorm1d(128) self.head nn.Sequential( nn.AdaptiveAvgPool1d(1), nn.Flatten(), nn.Dropout(0.3), nn.Linear(128, n_classes), ) def forward(self, x): x F.relu(self.bn1(self.conv1(x))) x self.pool1(x) x F.relu(self.bn2(self.conv2(x))) x self.pool2(x) x F.relu(self.bn3(self.conv3(x))) return self.head(x)三个卷积层的通道数设为 32、64、128是心电这种小数据量任务里很稳的组合。AdaptiveAvgPool1d 把特征压缩到固定长度保证全连接层输入尺寸不随输入长度变化。默认输入是单导联数据如果是 12 导联把第一层 in_channels 改为 12并在 conv1 前加一个 1x1 卷积做导联融合。训练循环里两个参数必须重视学习率设为 3e-4 配合 AdamW梯度裁剪阈值设为 1.0。心电数据常有脉冲干扰梯度范数偶尔会异常大不做裁剪很容易在一两个 batch 后 loss 变 NaN。def train_one_epoch(model, loader, criterion, optimizer): model.train() total_loss 0.0 num_samples 0 for x, y in loader: optimizer.zero_grad() logits model(x) loss criterion(logits, y) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() total_loss loss.item() * len(y) num_samples len(y) return total_loss / num_samples在每个 batch 里计算累计 loss 时用 len(y) 加权而不是直接对 loss 取平均因为最后一个 batch 可能不足一个完整批次这会导致训练日志的 loss 波动。训练时保存验证集最优权重而不是最后一轮权重if val_loss best_loss: best_loss val_loss torch.save(model.state_dict(), checkpoints/best.pth)保存最优权重是电训这类项目最重要的一条后悔药。心电数据类别不平衡验证集 loss 偶尔会震荡按最后一步保存往往不是最好的一版。4. 心电训练翻车现场这五个坑我基本每次都遇到4.1 同一个患者的片段同时进了训练集和验证集现象训练曲线正常验证集准确率奇高但换一批病人数据测试时效果崩盘。原因心电记录是按“患者”保存的如果只按文件名顺序切割训练集和验证集同一个患者的多个片段会同时出现在两边。模型学的不是心拍特征而是患者特征。解决按患者 ID 分组切分保证同一个人的所有心拍只落在训练集或验证集一侧。from sklearn.model_selection import GroupShuffleSplit gss GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, val_idx next(gss.split(records, groupspatient_ids))这里传给 groups 的是每条记录对应的患者 ID而不是记录文件名。如果包里的数据没有提供 patient_id 字段用文件名里的患者编号前缀也可以。按患者切分会牺牲一点训练数据量但换来的是评估结果真正可信。4.2 标签不平衡导致准确率虚高现象模型输出全部是 N 类准确率仍然有 90% 左右。原因心拍分类天然不平衡正常心拍占了绝大多数模型只要学会“永远输出 N”就能拿到很高的准确率但没有实际使用价值。解决训练时用带权重的交叉熵权重按类别样本数的倒数计算。from sklearn.utils.class_weight import compute_class_weight classes np.array([0, 1, 2, 3, 4]) weights compute_class_weight(balanced, classesclasses, ytrain_labels) criterion nn.CrossEntropyLoss(weighttorch.tensor(weights, dtypetorch.float32))注意 weights 的顺序必须和类别索引对应类别 0 的权重放在第 0 位。评估阶段不要只看 accuracy重点看 V 类和 S 类的灵敏度、特异度、F1。正常心拍分类得再准对临床也没有增量价值。4.3 采样率不一致模型像换了副眼镜现象在 A 设备数据上训练表现不错切到 B 设备数据后所有类别的置信度都变得很低。原因两个设备采样率不一样。训练时用的 fs250部署数据是 500Hz同样的 kernel_size 覆盖的时间窗短了一半模型看到的波形完全变了。解决在预处理入口统一重采样到目标采样率。from scipy.signal import resample_poly, butter, sosfiltfilt def resample_ecg(x, fs_old, fs_new250): if fs_old fs_new: return x sos butter(4, 0.5, btypelow, fsfs_old, outputsos) x sosfiltfilt(sos, x) return resample_poly(x, fs_new, fs_old)先做 0.5Hz 高通滤波去掉基线漂移再降采样可以避免低频漂移在重采样后被展宽。重采样后的信号要通过插值把 R 峰位置同步更新否则标签和波形错位的坑紧接着就会出现。4.4 标签与波形错位模型总是学不对现象loss 降不下去训练曲线震荡查看卷积核关注区域发现模型把注意力放在完全没有特征的位置。原因R 峰检测结果自带偏移通常是因为检测工具对某一类心拍的定位不准比如 T 波高点被误判成 R 峰。切窗以错误位置为中心标签对应的波形内容就错了。解决训练前把每个类别的切窗结果抽样画图人工核对标签位置。直接可视化是最快的排错手段。用 matplotlib 把窗口波形和类别标题画在一张图上扫一眼就能看出某类心拍的切窗是否对齐。我还习惯在预处理阶段记录每个样本的原始 R 峰位置出问题时可以回溯。4.5 loss 震荡和 NaN现象训练早期 loss 正常下降几十个 batch 后突然出现 NaN或者 loss 反复震荡不收敛。原因最常见是学习率过大其次是数据里有 NaN 值极少数情况是某个 batch 的标签越界导致交叉熵计算异常。解决先检查数据中是否有非有限值再把学习率降到 3e-4并保留梯度裁剪。assert np.isfinite(x).all(), input contains NaN or Inf这行断言加在切窗函数返回前能在数据坏掉时立刻暴露问题而不是让模型训了半天才出 NaN。若加了断言和裁剪仍然震荡就把 batch size 调大一倍梯度估计会更稳定。5. 部署前再较真一次从模型输出到能用的判断5.1 用临床指标和显著性曲线验收模型准确率不能作为心电异常检测的最终验收标准。我一般看混淆矩阵并重点计算 V 类和 S 类的灵敏度与特异度。灵敏度代表漏诊率特异度代表误报率这两个指标比总准确率对临床场景更有意义。如果 V 类灵敏度低于 85%参数再怎么调优都应该先缓一缓。模型在波形上的关注区域同样值得检查。用最后一层卷积层的梯度与特征图做加权得到一条一维显著性曲线能直观看到模型到底是靠 QRS 波群做判断还是学到了其他噪声模式。def grad_cam_1d(model, x, pred_class): acts, grads {}, {} def forward_hook(m, inp, out): acts[value] out.detach() def backward_hook(m, ginp, gout): grads[value] gout[0].detach() hook_f model.conv3.register_forward_hook(forward_hook) hook_b model.conv3.register_full_backward_hook(backward_hook) logits model(x) model.zero_grad() logits[0, pred_class].backward() weights grads[value].mean(dim-1, keepdimTrue) cam (weights * acts[value]).sum(dim1)[0] hook_f.remove() hook_b.remove() return cam这段代码的原理是把最后一个卷积层的输出看成一组特征模板梯度均值表示每个模板对预测结果的重要程度加权求和后得到一段与输入等长的显著性曲线。实际操作时把曲线和波形画在同一张图上正常情况下高亮区域应该集中在 R 峰和 T 波附近若高亮区域出现在基线平段上说明模型学到了伪相关特征需要回头查预处理。5.2 明确模型边界处理不了的直接拒掉部署前我会把模型能做什么、不能做什么写成一份边界说明而不是让模型对所有输入都给出一个硬标签。电极脱落、强干扰、起搏器数据这三类输入模型大概率会输出不确定结果。最稳妥的做法是在输入端做一个前置校验信号幅度异常或无效导联超过阈值时直接返回“信号质量不合格”不进入分类环节。如果数据集包含起搏器心拍而这些样本在训练时被归到了 Q 类部署时就要明确告知使用者这类输入的分类置信度不做临床参考。边界写清楚比提升一两个百分点的准确率更重要。我过往项目中最深刻的教训就是在第一次部署时忽略了导联数差异结果模型上线后对三导联数据表现完全失控后来在数据入口加了几行形状校验才避免后续反复折腾。希望这篇从选型到踩坑的完整路径帮到你也让你复现这份工程包时少走点弯路。本文还有配套的精品资源点击获取