ECG分析:基于深度学习的ECG心律失常分类入门(3)

ECG分析:基于深度学习的ECG心律失常分类入门(3)

数据库的Python读取
本次读取数据，用的是一款专门读取MITAB数据的工具——WFDB-python，WFDB包下载 ，全称是 Python waveform-database ，这是一个用于读取、写入以及处理WFDB信号和注释的工具库，重点是还加了关于生理信号处理等功能。不得不说在处理ECG方面，包含的API真的是太友好啦。安装的话，直接：

pip install wfdb

下面结合读取一条记录的例子，做一个简单的示范：

1. 关于用wfdb对119记录的相关操作

import wfdb
import matplotlib.pyplot as plt
#所有这上面贴出的地址要换成自己的地址，这里我打码了
annotation= wfdb.rdann('E:/...data/MITDB_CNN_Classification/MIT_BIH/119','atr')#有很多基于annotation的操作；
record_name=annotation.record_name     #读取记录名称
label1=annotation.symbol #心拍的标签
label2=annotation.aux_note  #节律片段的标签
label_index=annotation.sample   #标签索引
record=wfdb.rdsamp('E:/...data/MITDB_CNN_Classification/MIT_BIH/119')#读取119记录

可以看到，record 元组里面包含了一个array，里面就是ECG信号幅值，也就是我们需要的数据，前面说过，这个数据库采集的都是两个导联的数据；另外一个是字典，包含了该条记录的相关信息：
plot一段：
最后贴上一个包含数据和标签的展示图：
这里说一下，关于R峰定位算法有很多，有一个经典的就是Pan-Tompkins algorithm： Pan, J., and Tompkins, W. J., A real-time QRS detection algorithm.IEEE transactions on biomedical engineering 3:230–236, 1985.由于R峰定位等基准点检测不是本次研究的重点，所以这里直接采用给定的R峰的索引，也就是标签索引。
2. 数据预处理
（1）滤波：
这里采用文章里面提到的小波去噪的方法，原因解释得也很清楚：

（2）心拍截取：
因为我们的是基于心拍做心律失常分类的，那么我们需要做的一个工作是心拍截取，文章种提到，以R峰位基准点，取前面0.4s后面0.5s作为一个心拍，也就是：

采样率=360Hz，也就是心拍长度是 0.4360+0.5360=324.

#这里只给出这一操作步骤，这里还需要考虑边界值，哈哈哈，这是刷题习惯啦
beat=record[label_index[j]-144:label_index[j]+180]

总结
这篇笔记主要介绍了数据的读取和预处理。那么米准备好了，接下来就是要起炉灶，准备烧饭了哈哈哈。下一篇将介绍的是我们CNN模型的搭建，和数据训练和测试。

相关的代码文件后期会上传个人GitHub https://github.com/cay846545867，记得给颗小Star鼓励一下喔！！！