简介面向心电图ECG信号分类的1DCNN一维卷积神经网络MATLAB实现代码适合生物医学工程、深度学习初学者及需搭建心拍分类模型的开发者资源针对MIT-BIH心律失常数据集利用一维卷积自动提取心拍特征实现正常与异常心律的智能分类。压缩包共13个文件全部为.m脚本体积仅8KB涵盖网络初始化、前向传播、反向传播、梯度更新等完整训练流程并包含ReLU、Tanh、Sigmoid等常用激活函数代码模块划分清晰便于阅读和二次开发。目前已有650人学习浏览是理解1DCNN在时序信号分类中应用原理的轻量级实战参考。借助这些代码可快速掌握一维卷积网络的搭建与训练方法灵活调整网络结构迁移至心电、肌电等信号分类项目中减少重复编码工作加速算法验证与科研实验无论是用于课程设计、毕业设计还是算法对比都能提供清晰可用的起点。1. 1DCNN 心电分类源码包一维卷积是怎么处理心拍序列的拿到这份源码包时我第一反应不是去跑通cnntrain1d.m而是先扫文件名。cnnff1d、cnnbp1d、cnnapplygrads1d再加上flipall.m、expand.m这是一套典型的 MATLAB 卷积网络工具箱被改造成一维版本的完整结构。它主要解决的问题是 1DCNN 心电分类从 MIT-BIH 数据集中切出单个心拍用一维卷积网络区分正常心拍和不同类型的心律失常同样的工程也能迁移到肌肉电信号分类。想让模型在 MATLAB 里跑起来、想搞懂一段一维 CNN 训练代码内部怎么组织这份源码都提供了足够清楚的参照。下面按数据怎么进网络、前向反向怎么算、预处理怎么做、测试和排错这个顺序来拆。2. 从 MIT-BIH 心拍到 1DCNN为什么一维卷积能抓心律失常特征2.1 心拍序列的组织方式为什么不把 ECG 变成二维图心电和图像最大的区别在于时间顺序。一个 P-QRS-T 波群是沿时间轴展开的一维形态R 峰前 PR 段、ST 段的相对位置本身就是判别特征。二维 CNN 在图像上用 3×3 卷积核找的是空间邻域内的边缘组合如果直接把 500 点的心拍 padding 成二维矩阵空间邻域会被随机拉远时间相邻性反而被破坏。1DCNN 只让卷积核沿序列方向滑动一次卷积看到的是一段连续的心跳波形这更符合 ECG 特征的定义。因此cnnff1d.m里的输入不是把二维卷积核压扁而是把每个心拍当成signalLength × 1 × channel × batchSize的四维张量第二个维度固定为 1。常见做法是先用 R 峰位置把原始心电信号切成固定长度的心拍例如 MIT-BIH 采样率 360 Hz 时取 R 峰前 100 点、后 150 点得到 250 点序列也可以直接取固定 600 点窗口覆盖两个心跳以提供上下文。切出的每个心拍做 z-score 归一化再和标签组装成训练矩阵。% X: signalLength x 1 x 1 x numSamples % y: numSamples x 1类别号从 1 开始 X zeros(signalLength, 1, 1, numSamples); for i 1:numSamples beat ecgRaw(peakIdx(i) - before : peakIdx(i) after); beat (beat - mean(beat)) / (std(beat) eps); % z-score X(:, 1, 1, i) beat(:); end这里把每个心拍存成signalLength × 1 × 1的单个通道。一维卷积在 MATLAB 里最稳的表示就是宽度维保留 1卷积、池化代码可以沿用二维行列逻辑只是卷积核的第二个维度始终为 1。before和after的选择要保证窗口覆盖完整心拍又不把相邻 R 峰卷进来心率的正常范围是 60100 次/分对应 RR 间隔约 6001000 ms250 点窗口在 360 Hz 下约 700 ms对这个场景刚好够用。如果在原始记录上直接做固定滑窗而不是事件窗网络会学着把“两个完整心跳周期”整体编码训练难度更高因此 MIT-BIH 心拍分类里事件窗比固定滑窗更常见。2.2 源码包文件功能拆解一维工具箱的模块边界这份源码里文件角色和 DeepLearnToolbox 的命名基本一致只是全部改写为一维版本。我按训练流程把文件归成下表改代码时可以直接对照。文件作用对应环节cnnsetup1d.m初始化网络层、权重、偏置建网络cnnff1d.m前向传播卷积、池化、全连接、softmax计算输出cnnbp1d.m反向传播计算每层误差和梯度求梯度cnnapplygrads1d.m用梯度更新权重和偏置权重更新cnntrain1d.m训练主循环对 batch 调用 ff/bp/applygrads训练cnntrain1d_v.m带验证集的训练版本可做 early stopping训练验证cnntest1d.m测试/预测返回错误率和错误样本列表评估flipall.m所有维度翻转用于卷积核旋转反向传播expand.m扩展矩阵把池化误差映射回原尺寸反向传播sigm.m/Sigmoid.m/Relu.m/1DCNN Tanh.m激活函数及其一维形式前向/反向这里的flipall.m容易被忽略。二维 CNN 反向传播时要把卷积核旋转 180°一维版本同样要在时间轴上翻转卷积核否则梯度方向和前向不一致训练会发散。flipall.m对四维张量做整体翻转正好把kernelLength × 1 × inputMap × outputMap的卷积核沿时间方向倒过来而不改变通道维对应的关系。expand.m则配合池化层反向传播使用把池化后的误差矩阵扩展回池化前的尺寸值根据池化策略要么均匀分摊、要么还给最大值位置。2.3 一个能直接跑起来的一维网络配置如果只想先让训练跑通推荐两个卷积池化组合加一个全连接层的结构。在调用cnnsetup1d.m之前先定义网络层net struct(); net.layers { struct(type, i, mapsize, [signalLength 1], outputmaps, 1) struct(type, c, outputmaps, 16, kernelsize, [7 1]) struct(type, s, scale, [2 1]) struct(type, c, outputmaps, 32, kernelsize, [5 1]) struct(type, s, scale, [2 1]) }; net cnnsetup1d(net, X, y);mapsize是输入特征图的高宽一维信号写成[signalLength 1]。卷积层kernelsize使用[7 1]实际效果是看 7 个连续采样点scale[2 1]表示每 2 个点取一次最大值时间长度减半。心电 QRS 波群一般持续 80120 ms360 Hz 采样率下约为 3043 个采样点7 点卷积核覆盖约 20 ms适合感知 QRS 局部斜率第二层在池化后的特征上再用 5 点卷积核提取更大范围的形态关系。这个配置不是固定答案但作为第一版足以收敛。提示cnnsetup1d会根据mapsize自动推算每层输出长度因此signalLength必须能被2^2整除否则cnnff1d会报维度不匹配。这个整除约束比调学习率更容易让人卡住signalLength250不行改成248或256都可以。用cnntrain1d_v.m验证时会发现网络输入长度 256 比 250 在池化后更规整反向传播的矩阵尺寸也更容易对得上。3. 训练一个 1DCNN 模型cnntrain1d 的前向、反向与超参数3.1 前向传播 cnnff1d信号如何逐层变为类别概率cnnff1d.m的职责是把一个 batch 的心拍从输入层送到 softmax。前向过程可以拆成三层卷积层做特征提取池化层做下采样最后一层展平后接全连接和 softmax。核心伪代码如下function net cnnff1d(net, X) net.layers{1}.a{1} X; for l 2:numel(net.layers) if strcmp(net.layers{l}.type, c) for outMap 1:net.layers{l}.outputmaps % convn 的 valid 表示不做补零输出长度 输入长度 - 核长 1 v convn(net.layers{l-1}.a{inputMap}, ... net.layers{l}.k{outMap}{inputMap}, valid); net.layers{l}.a{outMap} activate(v); end elseif strcmp(net.layers{l}.type, s) % 池化窗口 [scale(1), 1]不重叠 net.layers{l}.a{1} maxPool(net.layers{l-1}.a{1}, ... net.layers{l}.scale); end end % 展平后送入全连接层并得到 softmax 输出 net.o softmax(net.fv * net.ffW repmat(net.ffb, size(net.fv,1), 1)); end这里的convn是 MATLAB 高维卷积函数一维核第二维为 1等价于只沿时间方向做卷积。valid模式不补零特征图长度从signalLength变成signalLength - kernelLength 1连续两次卷积后长度继续缩短所以在设计net.layers时就要把每层长度变化算清楚。若使用same模式补零网络会更好收敛但边界会引入假波形心拍两端的补零价值不大。池化层用不重叠窗口每经过一次scale[2 1]长度减半两次池化后为floor(signalLength/4)这也是之前要求输入长度能被 4 整除的原因。激活函数的选择值得多说两句。源码同时给了Relu.m、Sigmoid.m、sigm.m和1DCNN Tanh.m。心电信号本身有正有负ST 段压低是负向波形ReLU 把负区间清零等效于丢掉“压低”这段信息如果网络第一层就用 ReLU需要足够多的卷积核从相反极性把信息补偿回来。所以对 ECG 分类我一般第一层卷积后用 Tanh保留负向形态中后期层可以用 ReLU 加速收敛。Sigmoid.m输出在 01适合做二分类输出放在中间层会因为导数最大值只有 0.25 而加重梯度消失。损失函数方面多分类心拍任务一般直接用交叉熵没有特殊理由不用自定义损失若类别不平衡可在交叉熵前乘类别权重权重和过采样方式保持一致实现时只需要在输出层和标签之间额外增加一个权重向量不需要改动反向传播核心代码。3.2 反向传播与参数更新flipall 和 expand 的位置cnnbp1d.m做的事是先根据损失函数对 softmax 输出求误差然后逐层回传分别得到每个卷积核、全连接权重和偏置的梯度。每 batch 内的主循环可以简化成以下几步% 反向从输出层误差往回传 for l numel(net.layers):-1:2 if strcmp(net.layers{l}.type, c) % 误差对输入的梯度卷积核需在时间轴翻转 net.layers{l}.d{inputMap} convn(net.layers{l1}.d{outMap}, ... flipall(net.layers{l}.k{outMap}{inputMap}), full); % 卷积核梯度由输入特征图和下一层误差卷积得到 net.layers{l}.dk{outMap}{inputMap} convn(... flipall(net.layers{l-1}.a{inputMap}), ... net.layers{l}.d{outMap}, valid); elseif strcmp(net.layers{l}.type, s) % 池化层无参数误差需通过 expand 还原到池化前尺寸 net.layers{l}.d{1} expand(net.layers{l1}.d{1}, ... [net.layers{l}.scale(1) 1]); end end net cnnapplygrads1d(net, opts);flipall在两个位置出现反向传播误差到输入时翻转卷积核计算卷积核梯度时翻转输入特征图。这和二维 CNN 的核旋转 180° 是同一个道理只是维度从两个方向简化成一个方向。expand.m服务于池化层的误差回传最大值池化时它需要记住前向阶段最大值在窗口内的位置均值池化时把误差平均铺满整个窗口。源码里的expand是否保存了位置索引会影响cnnbp1d精度如果你在改代码时发现梯度数值偏大优先检查这里。3.3 超参数设置与 cnntrain1d_v 的验证逻辑cnntrain1d.m和cnntrain1d_v.m的区别在于后者每个 epoch 结束后会在验证集上跑一次前向记录验证损失和准确率。这个设计很适合心电小数据集可以及早发现过拟合。常见超参数如下超参数心电分类常用值说明opts.alpha0.01 ~ 0.1学习率过大容易出现 NaNopts.batchsize32 ~ 128心拍数量足够128 也能接受opts.numepochs20 ~ 50配合早停取验证集最优轮次opts.momentum0.9平滑梯度跳过局部平坦区opts.weight_decay1e-4 ~ 5e-4防止卷积核过拟合训练遇到 loss 变成 NaN我优先做两件事alpha降到 0.001同时检查标签编号是否从 1 开始连续排列。cnnsetup1d输出层节点数通常取max(y)如果标签里缺少某个编号softmax 输出和交叉熵的索引会错位。另一个隐蔽问题是初始化标准差过大卷积核初始值超过sqrt(2/fan_in)时前向输出方差逐层放大反向梯度也会指数级膨胀在cnnapplygrads1d里把初始标准差调小到 0.01 级别通常能让训练稳定下来。4. 心电与肌肉电共用的预处理从原始波形到训练样本4.1 带通滤波与基线漂移处理ECG 和 EMG 频段差异1DCNN 能自动提取特征但预处理直接决定它学到的“特征”是真实波形还是噪声。心电有效能量集中在 0.545 Hz肌肉电 EMG 主要能量在 20500 Hz动作电位甚至可以到 1 kHz。两者共用一个网络时滤波器必须分别设置。我一般用四阶 Butterworth 带通再补一个 50 Hz 陷波去掉工频干扰% 心电0.5-45 Hz 带通fs 是采样率 [b, a] butter(4, [0.5 45] / (fs/2), bandpass); ecgFiltered filtfilt(b, a, ecgRaw); % 肌肉电20-500 Hz 带通频带更宽 [b_emg, a_emg] butter(4, [20 500] / (fs/2), bandpass); emgFiltered filtfilt(b_emg, a_emg, emgRaw);filtfilt做零相位滤波能避免滤波器相位延迟把 R 峰位置整体偏移。butter(4, ...)的四阶带通截止特性足够陡系数阶数也不会太长。滤波后还要检查信号两端是否存在边界振荡常见处理是裁掉各 50 个点或者用filtfilt的默认延拓减少端点效应。心电的基线漂移主要由呼吸和电极运动引起0.5 Hz 高通已经能压掉大部分漂移肌肉电则要额外注意运动伪迹通常也用 20 Hz 高通解决而不是在 0.5 Hz 上保留低频分量。4.2 滑动窗口采样心拍事件窗口和肌肉电固定滑窗心电分类使用 R 峰同步的事件窗每个窗口中心对齐 R 峰。肌肉电没有天然可对齐的“峰”一般用固定长度滑动窗把连续信号切成样本。比如 1 kHz 采样率下取 256 ms 窗长、128 点步进每个动作段会被多个窗口覆盖。两种窗口最终都要转换为训练矩阵统一逻辑如下function [X, y] makeSamples(signal, labels, winLen, step) n floor((length(signal) - winLen) / step) 1; X zeros(winLen, 1, 1, n); y zeros(n, 1); for i 1:n startIdx (i-1) * step 1; seg signal(startIdx : startIdx winLen - 1); X(:,1,1,i) (seg - mean(seg)) / (std(seg) eps); y(i) labels(startIdx round(winLen/2)); % 窗口中心标签 end endwinLen最终成为cnnsetup1d.m里mapsize的第一维所以务必要保持能够被 4 整除。step控制样本重叠率心电分类用完整心拍不重叠时step等于winLen肌肉电用stepwinLen/2相当于 50% 重叠样本量可以扩大一倍。y(i)取窗口中心点的标签是为了避免窗口边缘标签突变造成错标对心电 R 峰窗口来说中心恰好是 QRS 主波位置标签最可靠。对肌肉电手势识别每类动作的发力过程会有不同长度的平台期如果某个手势平均时长是另一类的两倍过采样时按动作时长归一化而不是简单按窗口数均衡。4.3 标签归并与类别不平衡MIT-BIH 具体怎么处理MIT-BIH 原始心拍标签有二十多种直接分类很难收敛。按常见做法先归并为五大类正常搏动 N、室上性早搏 S、室性早搏 V、融合搏动 F、未知或起搏 Q。这五类在训练集中比例天然不均匀参考分布和处理方法如下类别常见占比处理建议N约 70%下采样到少数类的 2 倍左右V约 15%保留全部样本S约 8%过采样或调整类别权重F约 4%和 Q 合并或加权Q约 3%权重调大防止被忽略直接按原始比例训练整体准确率很容易超过 90%但只是把所有样本都判成 NS 和 V 的召回率会非常低。我一般从患者维度划分训练集和测试集而不是随机切心拍否则同一病人的相邻心拍会同时进入训练和测试造成数据泄漏。然后在训练集内对 N 类做下采样让 N 和 V 的比例控制在 2:1 左右再用cnntrain1d_v.m输出每个类别的召回率确认不是被整体准确率掩盖。5. 用 cnntest1d 验证心电分类模型混淆矩阵与排查顺序5.1 测试入口与 bad 列表怎么看测试阶段直接调用[er, bad] cnntest1d(net, Xtest, ytest); fprintf(错误率: %.2f%%\n, er * 100); % bad 里存的是测试集样本序号用于回看错误波形 for i 1:min(3, numel(bad)) figure; plot(squeeze(Xtest(:,1,1,bad(i)))); title(sprintf(真实类别 %d预测类别 %d, ... ytest(bad(i)), pred(bad(i)))); ender是误分类率如果打印结果是 0.23正确率是 77%。bad序号与传入cnntest1d.m的测试矩阵列顺序一致直接用它索引原始心拍就能画出模型分错了的波形不需要额外记录坐标。由于 softmax 输出保存在net.o取max后就能得到预测类别。5.2 混淆矩阵与类别级指标只报告整体准确率没有临床意义N 类占七成时全部判 N 也能有 70% 准确率。所以每个 epoch 后至少计算混淆矩阵和三个类别级指标C confusionmat(ytest, pred); precision diag(C) ./ sum(C, 1); recall diag(C) ./ sum(C, 2); f1 2 * precision .* recall ./ (precision recall);C(i,j)是真实类别 i 被预测为 j 的样本数。precision的分母是每列预测总数recall的分母是每行真实总数。对 S 和 V 类我要求召回率不低于 90%否则说明网络把早搏和正常心拍特征混在了一起。此时去画误差最大的几个坏样本常能看到 S 类和 N 类波形形态确实接近需要把心拍窗口前后多留一些点让卷积核获得 PR 间期和代偿间歇信息。5.3 分类准确率上不去的排查顺序如果 20 个 epoch 后准确率仍低于 85%不要急着换网络结构按下面的顺序检查第一查训练集和测试集是否按患者切分。随机切心拍会让测试准确率虚高换一个患者立刻跌掉十个点。第二查标签对齐。滑动窗口里y(i)是否真的对应窗口中心如果用错标签偏移一个窗口loss 永远降不下去。第三查归一化。测试集要用训练集统计量做归一化不能每个心拍独立 z-score否则病人间基线差异会被当成可区分特征。第四查学习率。opts.alpha从 0.1 改到 0.001 看 loss 是否从 NaN 变缓慢下降再用cnntrain1d_v.m的验证损失决定学习率衰减连续 5 轮不降就乘以 0.3。最后是一个具体技巧一维卷积核不要一上来就用 21 点以上的大核。250 点心拍用 7 点核先学局部波形再用池化和第二层卷积扩大感受野如果验证集 loss 下降很慢把激活函数从 Sigmoid 换成 Tanh正则系数降到 1e-4这个小数据集上的组合往往是最先收敛的配置。本文还有配套的精品资源点击获取