本篇博客介绍使用Python语言的深度学习网络，从零搭建一个ECG深度学习网络。

任务

本次入门的任务是，筛选出MIT-BIH数据集中注释为[‘N’, ‘A’, ‘V’, ‘L’, ‘R’]的数据作为本次数据集，然后按照8：2的比例划分为训练集，验证集。最后送入RCNN模型进行训练。

1. 数据集介绍

本次使用大名鼎鼎的MIT-BIH Arrhythmia Database数据集。下载地址：https://physionet.org/content/mitdb/1.0.0/

MIT系列有很多数据集，都可以在生理网：https://physionet.org/about/database/ 上找到下载地址。本次使用的MT-BIH心律失常数据库拥有48条心电记录，且每个记录的时长是30分钟。这些记录来自于47名研究对象。这些研究对象包括25名男性和22名女性，其年龄介于23到89岁（其中记录201与202来自于同一个人）。信号的采样率为360赫兹，AD分辨率为11比特。对于每条记录来说，均包含两个通道的信号。第一个通道一般为MLⅡ导联（记录102和104为V5导联）；第二个通道一般为V1导联（有些为V2导联或V5导联，其中记录124号为Ⅴ4导联）。为了保持导联的一致性，往往在研究中采用MLⅡ导联。

在生理网：https://physionet.org/about/database/上，我们可以看到数据集更加详细的说明。比如：

MIT-BIH 数据集每个单独病人的说明：https://www.physionet.org/physiobank/database/html/mitdbdir/mitdbdir.htm

MIT-BIH 数据集每个单独病人的整个数据以及注释的可视化：https://www.physionet.org/physiobank/database/html/mitdbdir/mitdbdir.htm

下载MIT-BIH 数据集之后，我们需要知晓以下几点：

1. 从100-234不连续号码，一共48个病人。每个病人有三个文件（.dat，.atr，*.hea），包含有两路心电信号，一个注释。
2. 有专门库读取MIT-BIH 数据集，叫做 wfdb。所以不要担心文件后缀的陌生感。
3. 对心电图的标注样式如上图，“A"代表心房早搏，”."代表正常。整个数据集标注有40多种符号，表示40多种心拍状态。

2. 提取数据集

提取之前，先安装必要的库wfdb。wfdb详细介绍

pip install wfdb

这个库非常强大，打印数据信息，读取数据，绘制心电波形图，都可以靠它完成。
现在我们的划分步骤是：

1. 提取出所有心电图数据点，心电图注释点
2. 筛选出所有心电图注释点中仅为[‘N’, ‘A’, ‘V’, ‘L’, ‘R’]某一类的注释点
3. 截取心电图数据中标记为[‘N’, ‘A’, ‘V’, ‘L’, ‘R’]某一类的点，在点周围长度为300的数据
4. 将得到的数据进行维度处理，送入DataLoader（）函数，完成模型对数据的认可。

3. 定义模型

本次使用的模型是输入大小为300，3层循环，隐藏层大小50。

'''
模型搭建
'''
class RnnModel(nn.Module):def __init__(self):super(RnnModel, self).__init__()'''参数解释：(输入维度，隐藏层维度，网络层数)'''self.rnn = nn.RNN(300, 50, 3, nonlinearity='tanh')self.linear = nn.Linear(50, 5)def forward(self, x):r_out, h_state = self.rnn(x)output = self.linear(r_out[:,-1,:])  # 将 RNN 层的输出 r_out 在最后一个时间步上的输出（隐藏状态）传递给线性层return outputmodel = RnnModel()

4. 全部训练代码

'''
导入相关包
'''
import wfdb
import pywt
import seaborn
import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import torch
import torch.utils.data as Data
from torch import nn'''
加载数据集
'''# 测试集在数据集中所占的比例
RATIO = 0.2# 小波去噪预处理
def denoise(data):# 小波变换coeffs = pywt.wavedec(data=data, wavelet='db5', level=9)cA9, cD9, cD8, cD7, cD6, cD5, cD4, cD3, cD2, cD1 = coeffs# 阈值去噪threshold = (np.median(np.abs(cD1)) / 0.6745) * (np.sqrt(2 * np.log(len(cD1))))cD1.fill(0)cD2.fill(0)for i in range(1, len(coeffs) - 2):coeffs[i] = pywt.threshold(coeffs[i], threshold)# 小波反变换,获取去噪后的信号rdata = pywt.waverec(coeffs=coeffs, wavelet='db5')return rdata# 读取心电数据和对应标签,并对数据进行小波去噪
def getDataSet(number, X_data, Y_data):ecgClassSet = ['N', 'A', 'V', 'L', 'R']# 读取心电数据记录# print("正在读取 " + number + " 号心电数据...")# 读取MLII导联的数据record = wfdb.rdrecord('C:/mycode/dataset_make/mit-bih-arrhythmia-database-1.0.0/' + number, channel_names=['MLII'])data = record.p_signal.flatten()rdata = denoise(data=data)# 获取心电数据记录中R波的位置和对应的标签annotation = wfdb.rdann('C:/mycode/dataset_make/mit-bih-arrhythmia-database-1.0.0/' + number, 'atr')Rlocation = annotation.sampleRclass = annotation.symbol# 去掉前后的不稳定数据start = 10end = 5i = startj = len(annotation.symbol) - end# 因为只选择NAVLR五种心电类型,所以要选出该条记录中所需要的那些带有特定标签的数据,舍弃其余标签的点# X_data在R波前后截取长度为300的数据点# Y_data将NAVLR按顺序转换为01234while i < j:try:# Rclass[i] 是标签lable = ecgClassSet.index(Rclass[i])  # 这一步就是相当于抛弃了不在ecgClassSet的索引# 基于经验值，基于R峰向前取100个点，向后取200个点x_train = rdata[Rlocation[i] - 100:Rlocation[i] + 200]X_data.append(x_train)Y_data.append(lable)i += 1except ValueError:i += 1return# 加载数据集并进行预处理
def loadData():numberSet = ['100', '101', '103', '105', '106', '107', '108', '109', '111', '112', '113', '114', '115','116', '117', '119', '121', '122', '123', '124', '200', '201', '202', '203', '205', '208','210', '212', '213', '214', '215', '217', '219', '220', '221', '222', '223', '228', '230','231', '232', '233', '234']dataSet = []lableSet = []for n in numberSet:getDataSet(n, dataSet, lableSet)# 转numpy数组,打乱顺序dataSet = np.array(dataSet).reshape(-1, 300)  # 转化为二维，一行有 300 个，行数需要计算lableSet = np.array(lableSet).reshape(-1, 1)  # 转化为二维，一行有   1 个，行数需要计算train_ds = np.hstack((dataSet, lableSet))  # 将数据集和标签集水平堆叠在一起,(92192, 300) (92192, 1) (92192, 301)# print(dataSet.shape, lableSet.shape, train_ds.shape)  # (92192, 300) (92192, 1) (92192, 301)np.random.shuffle(train_ds)# 数据集及其标签集X = train_ds[:, :300].reshape(-1, 1, 300)  # (92192, 1, 300)Y = train_ds[:, 300]  # (92192)# 测试集及其标签集shuffle_index = np.random.permutation(len(X))  # 生成0-(X-1)的随机索引数组# 设定测试集的大小 RATIO是测试集在数据集中所占的比例test_length = int(RATIO * len(shuffle_index))# 测试集的长度test_index = shuffle_index[:test_length]# 训练集的长度train_index = shuffle_index[test_length:]X_test, Y_test = X[test_index], Y[test_index]X_train, Y_train = X[train_index], Y[train_index]return X_train, Y_train, X_test, Y_testX_train, Y_train, X_test, Y_test = loadData()'''
数据处理
'''
train_Data = Data.TensorDataset(torch.Tensor(X_train), torch.Tensor(Y_train)) # 返回结果为一个个元组，每一个元组存放数据和标签
train_loader = Data.DataLoader(dataset=train_Data, batch_size=128)
test_Data = Data.TensorDataset(torch.Tensor(X_test), torch.Tensor(Y_test)) # 返回结果为一个个元组，每一个元组存放数据和标签
test_loader = Data.DataLoader(dataset=test_Data, batch_size=128)'''
模型搭建
'''
class RnnModel(nn.Module):def __init__(self):super(RnnModel, self).__init__()'''参数解释：(输入维度，隐藏层维度，网络层数)'''self.rnn = nn.RNN(300, 50, 3, nonlinearity='tanh')self.linear = nn.Linear(50, 5)def forward(self, x):r_out, h_state = self.rnn(x)output = self.linear(r_out[:,-1,:])  # 将 RNN 层的输出 r_out 在最后一个时间步上的输出（隐藏状态）传递给线性层return outputmodel = RnnModel()'''
设置损失函数和参数优化方法
'''
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)'''
模型训练
'''
EPOCHS = 5
for epoch in range(EPOCHS):running_loss = 0for i, data in enumerate(train_loader):inputs, label = datay_predict = model(inputs)loss = criterion(y_predict, label.long())optimizer.zero_grad()loss.backward()optimizer.step()running_loss += loss.item()# 预测correct = 0total = 0with torch.no_grad():for data in test_loader:inputs, label = datay_pred = model(inputs)_, predicted = torch.max(y_pred.data, dim=1)total += label.size(0)correct += (predicted == label).sum().item()print(f'Epoch: {epoch + 1}, ACC on test: {correct / total}')