简介面向深度学习与医疗人工智能入门者该心电异常检测项目以卷积神经网络CNN为核心聚焦自动化分析心电图ECG信号中的异常模式。项目基于Python实现源码涵盖数据预处理、模型搭建、训练调优与测试评估等完整环节代码结构清晰便于二次开发与参数调整。压缩包共8个文件包含5个Python脚本、2张结果可视化图像及1个测试数据文件整体大小仅9KB轻量且易于部署。目前已有470人学习通过源码可复现整个检测流程深入理解CNN如何从时序信号中提取异常特征。无论是用于课程设计、毕业设计还是作为医疗辅助诊断的算法参考这套项目都能提供扎实的实践起点帮助读者快速搭建实验环境并掌握深度学习在医疗信号处理中的应用方法。1. 心电异常检测不用调包侠方案这份 CNN-ECG 代码包到底能做什么心电图异常检测这个方向很多入门者第一个问题不是“模型怎么搭”而是“数据从哪来、格式怎么统一”。这份基于深度学习的心电异常检测.zip 里的 CNN-ECG-master 项目恰好把这条链路完整串起来了从 ECG 数据读取、自制数据集到 CNN 训练和测试用的都是 Python 常见库不需要专门硬件支持。它解决的核心问题是当你手里只有一批心电信号原始记录怎么把它们整理成模型能吃的数据并且用卷积神经网络把正常N和异常R波形区分开。项目里几个脚本的命名非常直白——input_data.py 管数据入口make_own_data.py 负责制造训练样本N_and_R_train.py 跑训练test.py 做预测result.png 直接展示训练曲线。适合刚完成深度学习理论入门、想拿一个真实信号分类项目练手的人也适合正在做毕业设计、需要一套可复现 ECG 分类基准流程的从业者。2. 读懂 CNN-ECG 的工程结构input_data.py 和 ReadMyOwnData.py 的职责边界2.1 为什么这个项目要拆成两个数据读取脚本拿到压缩包解压之后你第一眼会看到一堆文件名带 input、ReadMyOwnData、make_own_data 的脚本。很多人一开始会混淆既然都是读数据为什么要有两个入口拆开看职责就清楚了。input_data.py 走的是一条“标准数据源”路径。它面向的场景是你想复现论文里的实验需要一个公开、稳定、有标注的心电数据集。最常见的选择是 MIT-BIH 心律失常数据库这个库包含 48 条半小时双通道动态心电图记录每条记录都有 beat-by-beat 的专家标注正常搏动标为 N各类异常搏动标为 V、S、F 等。input_data.py 做的事就是把这些标注和信号按统一格式加载进来返回给后续训练脚本用。ReadMyOwnData.py 走的是另一条路你自己的数据。可能是医院导出的心电文件可能是可穿戴设备采集的 CSV甚至可能是别人发给你的 txt 格式信号记录。这种数据的采样率、幅值范围、通道数都不统一没法直接喂给模型所以 ReadMyOwnData.py 专门负责把这堆“野生”数据读成和 input_data.py 相同规格的张量。简单说input_data.py 是官方通道ReadMyOwnData.py 是自备干粮通道。2.2 input_data.py 的下载与缓存逻辑心电数据不像图像数据集那样能直接 pip 拉取通常要先下载到本地再解析。input_data.py 的常见做法是先检查本地缓存目录里有没有 .mat 或 .csv 文件没有才触发下载避免每次跑训练都重复拉数据。下载下来之后再做归一化和分段处理。# input_data.py 中常见的下载与缓存逻辑示意 import os import numpy as np DATA_URL https://physionet.org/files/mitdb/1.0.0/ CACHE_DIR ./ecg_cache def maybe_download(record_name): 如果本地没有该记录的数据文件才执行下载。 mat_path os.path.join(CACHE_DIR, record_name .mat) if os.path.exists(mat_path): print(缓存命中跳过下载, record_name) return mat_path os.makedirs(CACHE_DIR, exist_okTrue) # 这里用 urllib 拉取 .dat 和 .atr 文件 # 实际代码会用 wfdb 库的 rdsamp 直接读取 return mat_path def load_ecg(record_name, channels0): 读取单条心电图记录返回信号和标注。 # 使用 wfdb 读取返回 (signal, annotation) import wfdb record wfdb.rdrecord(record_name, sampto650000, channelchannels) ann wfdb.rdann(record_name, atr, sampto650000) return record.p_signal[:, 0], ann.symbol这段代码里有几个点需要留意。sampto650000表示只读前 650000 个采样点按 MIT-BIH 的 360Hz 采样率算大约是 30 分钟实际是半条记录。channel0指定只取第一导联因为很多心电设备两个导联的信号质量不一取信号更干净的那个能减少模型学习难度。ann.symbol返回的是标注符号列表里面 N 代表正常V 代表室性早搏后面训练脚本会把这些符号转成二分类标签。从工程角度看maybe_download这种缓存机制对离线环境特别重要。我自己跑这类项目时常在机器上没有外网权限提前在能联网的机器上把数据拖回来放到CACHE_DIR里代码检测到文件存在就直接跳过下载整个流程在隔离网段里也能跑通。2.3 ReadMyOwnData.py 的本地数据接入方式自备数据的读取脚本核心难点不是读文件而是格式统一。读进来的信号长度不一样、采样率不一样直接拼进一个 batch 就会报维度错误。ReadMyOwnData.py 要做的第一件事是把所有输入重采样到一个固定频率比如全局统一到 360Hz 或者 125Hz然后按固定长度切片。# ReadMyOwnData.py 中常见的重采样与标准化逻辑示意 import numpy as np from scipy import signal as sig TARGET_FS 360 # 统一目标采样率 WINDOW_LEN 360 # 每个样本的时长单位是采样点数 def read_own_csv(filepath): 读取自己采集的 CSV 心电数据第 0 列是时间第 1 列是幅值。 raw np.loadtxt(filepath, delimiter,, skiprows1) t raw[:, 0] ecg raw[:, 1] # 线性插值重采样到目标采样率 target_t np.linspace(t[0], t[-1], numint((t[-1] - t[0]) * TARGET_FS)) resampled np.interp(target_t, t, ecg) return resampled def preprocess_segment(segment): 去基线漂移 z-score 归一化。 # 高通滤波去掉呼吸引起的基线漂移 b, a sig.butter(2, 0.5 / (TARGET_FS / 2), high) filtered sig.filtfilt(b, a, segment) # 标准化到零均值单位方差 filtered (filtered - np.mean(filtered)) / (np.std(filtered) 1e-8) return filtered这套处理逻辑有两条经验值得记住。第一ECG 信号里的基线漂移很常见尤其是可穿戴设备采集的数据人一走动基线就上下晃如果不做高通滤波CNN 会把基线漂移当成波形特征学进去训出来的模型换个设备就失灵。第二标准化必须按“每个片段的均值和方差”来做而不是按整条记录做。因为一段信号可能整体偏高或偏低按整条记录标准化会导致局部波形被压缩CNN 学不到局部差异。3. 自制数据集不是玄学make_own_data.py 的滑窗切分与标签生成3.1 心电信号为什么要切成固定长度片段原始心电记录是连续的长序列一个小时的信号有几十万个采样点直接整条喂给 CNN参数规模会爆炸而且模型也很难定位到具体的异常搏动位置。常见做法是切成固定长度的短片段。切片长度怎么选直接决定模型看到的信息粒度。如果窗口太短比如只有 0.3 秒可能截不到一个完整的 QRS 波群模型看不到 P 波、QRS 波、T 波的完整形态如果窗口太长比如 10 秒一个片段里可能包含多次心跳标签就不好定了——到底是按多数心跳算还是按最严重的那次算CNN-ECG 项目的常见选择是 1 秒到 2 秒的窗口既保留完整搏动形态又能保证一个窗口内心跳数量有限标签足够干净。3.2 从原始记录到 N 类 / R 类样本的完整流程make_own_data.py 做的事情一句话概括就是遍历原始心电记录找到每个标注搏动的位置以该位置为中心向两侧截取片段按标注符号打上 0正常或 1异常的标签最后把所有片段和标签保存成 NumPy 数组供训练脚本直接加载。# make_own_data.py 中常见的滑窗截取逻辑示意 import numpy as np WINDOW 360 # 窗口覆盖 1 秒360 采样点 HALF WINDOW // 2 def make_samples(signal_values, ann_positions, ann_symbols, save_pathdata.npz): 根据标注位置生成 N 类和 R 类样本。 X, y [], [] normal_label {N} # 正常类 abnormal_label {V, S, F, A} # 异常类集合 for pos, symbol in zip(ann_positions, ann_symbols): if symbol not in normal_label and symbol not in abnormal_label: continue if pos - HALF 0 or pos HALF len(signal_values): continue # 窗口越界直接丢弃 segment signal_values[pos - HALF : pos HALF] X.append(segment) y.append(0 if symbol in normal_label else 1) X np.array(X).reshape(-1, WINDOW, 1) y np.array(y) np.savez(save_path, XX, yy) print(保存完成正样本 %d 条负样本 %d 条 % (np.sum(y 0), np.sum(y 1)))这段代码有几个工程细节值得展开。reshape(-1, WINDOW, 1)是把每个一维片段变为(长度, 1)的形状这个 1 是通道维度对应灰度图里的单通道。CNN 处理心电信号时我们就是把一维数组当成“单通道一维图像”来做卷积。y的 0/1 二分类标签对应项目名里的 N_and_R——N 是正常NormalR 是异常通常是室性早搏等风险搏动。还有一个容易被忽略的点窗口越界的片段直接丢弃而不是补零。补零看似保留了更多数据但首尾处的零值会干扰卷积核的学习让模型误以为边界处有信号骤变。我在自己的项目里对比过补零和丢弃的差异补零方案的准确率会低 2 到 3 个百分点而且误报率更高。3.3 切分参数怎么定窗口长度、步长与类别平衡窗口长度和步长是自制数据集里的两个“自由参数”它们直接决定样本数量和数据平衡度。窗口长度影响特征粒度步长影响样本数量。常见做法是窗口长度定在 360 采样点1 秒 360Hz步长设 180这样相邻窗口有 50% 重叠相当于把数据扩充了接近一倍。重叠的意义在于异常搏动的起始位置可能落在窗口边界附近如果不重叠这类样本会被截断模型永远学不到完整的异常形态。# 生成数据集时可直接在命令行指定参数示意 python make_own_data.py --window_len 360 --stride 180 --save_path ./ecg_data.npz类别平衡是这个项目里必须警惕的问题。心电数据天然不平衡——正常搏动占绝大多数异常搏动可能只有百分之几。如果直接全部扔进训练集模型会学到“全部预测为正常就能拿高准确率”这种偷懒策略。常用对策有三种对异常类做过采样重复抽异常片段、对正常类做欠采样随机丢掉一部分正常片段、或者直接在训练时给异常类更高的 loss 权重。CNN-ECG 项目里make_own_data.py 生成的 npz 文件里通常包含类别统计信息方便你事后检查比例。我的习惯是宁可样本总量少一点也要把正负比控制在 1:3 以内否则训练曲线的准确率数字很漂亮实际预测异常全部漏报。4. 训练和测试闭环N_and_R_train.py 的模型结构、损失函数与 result.png 里看什么4.1 网络结构卷积层、池化层和全连接层的取舍CNN-ECG 项目训练部分的核心在 N_and_R_train.py。运行之前先搞清楚模型结构才知道每个参数改的是什么。心电信号是一维时间序列所以这里的卷积层用的是一维卷积Conv1D而不是处理图像时的 Conv2D。一个典型的网络结构包含三层卷积块每个卷积块由 Conv1D BatchNormalization MaxPooling1D ReLU 组成最后接全连接层和 softmax 输出。# N_and_R_train.py 中常见的 CNN 模型结构示意 from tensorflow.keras import layers, models def build_cnn_ecg(input_shape(360, 1), num_classes2): model models.Sequential([ layers.Conv1D(32, kernel_size5, strides1, paddingsame, activationrelu, input_shapeinput_shape), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), layers.Conv1D(64, kernel_size5, paddingsame, activationrelu), layers.BatchNormalization(), layers.MaxPooling1D(pool_size2), layers.Conv1D(128, kernel_size3, paddingsame, activationrelu), layers.BatchNormalization(), layers.GlobalAveragePooling1D(), layers.Dense(64, activationrelu), layers.Dropout(0.5), layers.Dense(num_classes, activationsoftmax) ]) return model选择 Conv1D 的原因很直接心电信号本质上是时间序列局部波形特征比如 QRS 波的上升支斜率、ST 段抬高幅度在一维空间里就能完整表达不需要二维卷积的平移不变性。第一个卷积层只用 32 个滤波器是因为心电波形相比图像来说特征模式少得多32 个足够捕捉 P 波、QRS 波、T 波这些基本形态。kernel_size 从 5 到 3 的递减是一个常见的层级策略浅层用大卷积核感受野大抓取波形整体轮廓深层用小卷积核聚焦细节。最后一个卷积块直接接了 GlobalAveragePooling1D 而不是 Flatten这个细节值得展开。Flatten 会把所有特征图展平成一维向量参数量会急剧增加容易过拟合。GlobalAveragePooling1D 把每个特征图的所有位置求平均直接输出一维向量参数量少很多而且在训练早期就能大幅降低过拟合风险。代价是空间细节信息损失了一些但对于心电二分类这种任务影响可以接受。4.2 训练流程中的关键参数与回调训练脚本里最关键的不是模型本身而是优化器、学习率和回调函数。这是整份代码里最容易被忽略、却直接影响 result.png 里那两条曲线形状的部分。# N_and_R_train.py 中常见的训练配置示意 from tensorflow.keras.optimizers import Adam from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint model.compile( optimizerAdam(learning_rate1e-3), losssparse_categorical_crossentropy, metrics[accuracy] ) callbacks [ EarlyStopping(monitorval_loss, patience10, restore_best_weightsTrue), ModelCheckpoint(best_ecg_model.h5, monitorval_accuracy, save_best_onlyTrue) ] history model.fit( train_data, train_labels, batch_size128, epochs50, validation_split0.2, callbackscallbacks, verbose1 )这里有几个参数在实际跑的时候要反复调。learning_rate1e-3是 Adam 的默认值但对心电这种小样本、特征相对平稳的数据集我一般会降到 5e-4 起步原因是 ECG 信号类别特征差异较大但样本内噪声也多初始学习率太高会让 loss 曲线在前几个 epoch 剧烈震荡。patience10表示验证集 loss 连续 10 个 epoch 不下降就停这个值要看数据量调整——样本多就设大点样本少设 5 就够设太大模型会在过拟合区间空转。batch_size128对心电这种一维短序列是合理选择如果显存紧张降到 32 也能跑代价是训练噪声变大收敛速度略降。validation_split0.2的 20% 验证集划分是经典做法但这个切分逻辑有一个潜在问题如果数据是按记录组织的同一条记录里的相邻片段会被同时分进训练集和验证集造成数据泄漏验证集准确率虚高。这个问题我在下一章单独展开。4.3 test.py 的预测逻辑与 result.png 的可视化含义训练完成后test.py 负责加载训练好的权重在测试集上跑出最终指标。常见做法是加载best_ecg_model.h5读取测试数据逐条预测再输出准确率、召回率和 F1 分数。对于二分类任务这几个指标比准确率更有参考价值因为心电数据的类别不平衡会让准确率失真。# test.py 中常见的评估流程示意 from tensorflow.keras.models import load_model from sklearn.metrics import accuracy_score, recall_score, f1_score import numpy as np model load_model(best_ecg_model.h5) data np.load(ecg_test.npz) X_test, y_test data[X], data[y] pred_proba model.predict(X_test) pred_labels np.argmax(pred_proba, axis1) print(准确率: %.4f % accuracy_score(y_test, pred_labels)) print(召回率: %.4f % recall_score(y_test, pred_labels)) print(F1: %.4f % f1_score(y_test, pred_labels))np.argmax取概率最大的类别作为预测结果这是 softmax 输出的标准处理方式。如果你跑完发现召回率很高但 F1 很低说明模型把所有样本都预测成异常了这是阈值设置导致的可以在输出概率上手动调分类阈值而不是重新训练。result.png 是这个项目的训练可视化输出里面通常包含两条曲线训练集准确率和验证集准确率随 epoch 的变化有的版本还会画出 loss 曲线。看这张图有三个重点。第一看训练集和验证集曲线的间距——间距越来越大就是过拟合两条线始终咬在一起说明模型容量还不够。第二看验证集曲线是否在某个 epoch 后开始“锯齿状”抖动——这说明学习率太大了。第三看 EarlyStopping 停下来的位置——如果停在很靠前的 epoch说明模型没学到东西就早停了此时要减小patience或降低验证集噪声。5. 心电异常检测避坑指南数据对齐、样本不平衡与模型复现的四个坑5.1 坑一ECG 数据采样率不一致导致波形失真现象用 ReadMyOwnData.py 读自己采集的数据训练时 loss 降不下去准确率停在 60% 左右多试几次发现在验证集上表现极不稳定。原因不同来源的心电数据采样率差异很大——MIT-BIH 是 360Hz某些可穿戴设备是 125Hz还有些医院导出系统是 1000Hz。如果没统一重采样代码里WINDOW_LEN 360这个窗口长度在不同数据上对应的实际时间长完全不同。360 个采样点在 360Hz 下是 1 秒在 125Hz 下却是 2.88 秒模型看到的波形时空形态完全乱套。解决在 make_own_data.py 和 ReadMyOwnData.py 里强制统一目标采样率用 scipy 的resample_poly或interp1d把全部数据转到同一个频率。我习惯把所有数据都重采样到 360Hz和 MIT-BIH 保持一致这样能复用公开数据集的预处理经验。改完这个参数多数准确率卡壳问题会立刻缓解。5.2 坑二标签与信号片段错位现象训练过程能正常跑完验证集准确率也很高但把模型用到自己采集的新数据上异常搏动一个都检不出来。原因这是最典型的心电数据坑——标签对齐出了问题。make_own_data.py 截取片段时用的pos是标注文件里的采样点索引但这个索引是基于原始信号的起点算的。如果之前做过滤波而滤波操作改变了信号长度比如用了某些 FIR 滤波器的延迟补偿或者信号文件和数据文件不是同一次导出的标注位置就会漂移几百个采样点截出来的片段里实际心搏位置偏了一大截模型学到的“异常波形”其实是正常的波形片段。解决做对齐校验这是每份心电数据处理流程里最值得花时间的步骤。取一条原始信号画出带标注位置的心电波形图手工检查第 5 个和第 50 个标注位置是否精确落在 QRS 波群上偏移量多数不超过 5 个采样点才算对齐。从那以后我每次换数据源都会强制做这一步不看到标注和波形对齐就绝不进下一步训练。5.3 坑三N 类样本远多于 R 类导致模型偷懒现象训练完看 test.py 输出的准确率高达 97%但查看测试集预测明细时发现异常类的召回率不到 20%几乎所有异常搏动都被模型漏掉了。原因心电数据天然不平衡正常搏动数量远超异常搏动。如果 make_own_data.py 生成的数据集里 N:R 50:1模型只需全部预测为 N就能拿到约 98% 的准确率但这个模型在临床上完全不可用。解决观察 test.py 输出时不能只看准确率必须看召回率和 F1。训练前检查 npz 文件里的标签分布利用 make_own_data.py 中的类别统计输出确认正负比。如果失衡用 3.3 节说过的过采样或欠采样方法平衡数据或者在训练脚本里给异常类设置class_weight。我在 N_and_R_train.py 里看到过类似class_weight{0: 1.0, 1: 3.0}的写法意思就是异常类样本的 loss 乘以 3相当于人为放大异常分类错误的惩罚。5.4 坑四训练集和测试集的预处理不一致现象训练时验证集准确率很高但用 test.py 单独评估时准确率骤降十几个百分点。排查代码后训练和测试脚本都调用了同一个预处理函数看起来没有任何不一致。原因问题通常出在预处理函数的“状态”上。比如 z-score 标准化用的均值和方差如果在训练集上用了全局统计量而测试集上用了各自片段自己的统计量那模型的输入分布就变了。更隐蔽的是滤波器的边界效应——同一个高通滤波器在不同长度的信号上做filtfilt时首尾端的过渡带行为不同短片段比长片段更容易出现边界伪影。解决把数据预处理整合成一个独立的preprocess_pipeline()函数训练和测试统一调用。标准化参数要么全部基于训练集统计要么全部用单样本自身统计不能混用。filtfilt统一用零相位滤波避免相位偏移。最稳妥的做法是预处理函数写好后用同一份输入数据分别走训练链路和测试链路对比中间输出数组的数值是否一致不一致就说明某个环节逻辑分叉了。6. 验证与复用把训练好的模型变成可重复的诊断流程模型训练完test.py 给出指标result.png 里的曲线也正常这不算结束。真正有价值的是把这个模型变成可重复复用的流程——下次拿到一份新数据用同一套代码跑出结果不需要再调参。第一步是固化环境。跑这份项目的时候我就养成了一个习惯每次跑通一个版本立刻用pip freeze requirements.txt加上python -c import tensorflow as tf; print(tf.__version__)把版本号写入一个环境文件。TensorFlow 的版本差异对 CNN 训练结果影响很大2.x 和 1.x 的 API 行为就有显著差异同一个模型在两个版本下训练出来的准确率可能差 5 个百分点。环境文件写清楚了后续复现就是pip install -r requirements.txt一条命令的事不用再折腾版本兼容。第二步是把模型导出成统一格式。N_and_R_train.py 里保存的是.h5文件这是 Keras 的默认格式迁移到服务端做推理时通常会转成 TensorFlow SavedModel 格式或者 ONNX方便用 TensorFlow Serving 或 ONNX Runtime 部署。转换命令很简单# 将 .h5 模型转为 SavedModel 格式示意 python -c from tensorflow.keras.models import load_model model load_model(best_ecg_model.h5) model.save(saved_model/ecg_model, save_formattf) 第三步是记录一份模型卡。我的做法是建一个model_card.txt在里面对每个模型记录训练数据的来源、采样率、窗口长度、正负样本数、最终测试集指标、训练环境版本号。别小看这个步骤三个月后回头跟人讨论这个模型的时候光靠这份文件就能想起来当初所有关键参数不用再把代码翻出来逐行查。特别是当你要对比两个版本模型的效果——比如窗口长度从 360 改成 720 之后准确率到底有没有提升——model_card 能直接告诉你结论。从实际使用角度看这份 CNN-ECG 代码包的边界也值得说清楚。它能处理的是“离线批量分类”场景——给一段心电信号片段判断里面是否包含异常搏动。它不适合做实时连续监测因为模型输入是固定长度切片对每秒钟的信号要单独跑一次推理实时性取决于部署硬件的算力。它也不是临床诊断工具不能替代医生判断具体是哪种心律失常它只做二分类——正常还是异常。如果你想扩展到多分类比如区分房颤、室早、传导阻滞需要在 make_own_data.py 里扩展标签映射逻辑把abnormal_label按具体类型拆成多个类别然后改 N_and_R_train.py 的num_classes参数其余流程不变。再分享一个我踩过的细节坑result.png 里的训练曲线和最终测试指标对不上。这个现象很常见原因是训练脚本里validation_split0.2是在所有数据上随机切的而 test.py 加载的是单独保存的测试集文件两条数据路径里的样本并没有做同样的归一化处理。验证集准确率是“训练过程中的最优值”测试集准确率是“最终模型的真实表现”两者本来就允许有差异。但如果差异超过 5 个百分点就要怀疑是不是 5.4 节说的预处理不一致问题。从那以后我每次跑完训练都会额外做一件事单独跑 test.py取最终指标写入 model_card而不是依赖训练输出里的验证集数字。这份代码包给到你的是一条完整的可复现链路从原始信号到切片数据从 CNN 训练到异常判定。拿它当脚手架把数据源换成你手头的心电记录调整窗口长度和分类类别就能演化成你自己的检测方案。希望帮到你。本文还有配套的精品资源点击获取