基于小波时间散射网络的ECG 信号分类

实验室如果没有GPU的话，可以试试小波散射网络

关于小波散射网络，可参考之前写的一篇文章

小波散射网络初级探索 - 哥廷根数学学派的文章 - 知乎 https://zhuanlan.zhihu.com/p/538686252

本文讲解如何使用小波时间散射网络（WTSN）和支持向量机 (SVM) 分类器对人体心电图 （ECG）信号进行分类。在小波散射中，数据通过一系列的小波变换、非线性化和平均化过程，以产生时间序列的低方差表示。小波时间散射产生了对输入信号微小变化不敏感的信号表示，而几乎不会影响到分类准确率。本文中使用的数据从 PhysioNet公开获得，链接如下：

https://physionet.org/

数据描述

本文使用从3种 ECG 数据：心律失常数据、充血性心力衰竭数据和正常窦性心律数据，共使用来自3个 PhysioNet 数据库的162条ECG 记录：MIT-BIH心律失常数据库、MIT-BIH正常窦性心律数据库和BIDMC充血性心力衰竭数据库。 共有96个心律失常患者的信号，30个充血性心力衰竭患者的信号，以及36个正常窦性心律患者的信号，目标就是训练分类器来区分心律失常 （ARR）、充血性心力衰竭 （CHF）和正常窦性心律 （NSR）3类信号。

首先加载文件

addpath(genpath(pwd))
unzip(fullfile(pwd,'physionet_ECG_data-main.zip'),pwd)
unzip(fullfile(pwd,'physionet_ECG_data-main','ECGData.zip'),...
fullfile(pwd,'ECGData'))

解压缩 ECGData.zip 文件后，进行数据加载

load(fullfile(pwd,'ECGData','ECGData.mat'))

ECGData是一个结构数组，包含两个字段：Data 和 Labels。数据是一个 162×65536的矩阵，其中每一行是以128Hz采样的ECG信号。每个ECG时间序列

的总持续时间为512秒。标签是一个 162×1 的标签元胞数组，每行1个数据。 3个诊断类别分别是：“ARR”（心律失常）、“CHF”（充血性心力衰竭）和“NSR”（正常窦性心律）。

创建训练和测试集

将数据随机分为训练数据集和测试数据集。将每类中70%的数据随机分配给训练集，剩下的 30%分配给测试集。

得到trainData,testData,trainLabels,testLabels

测试一下每个类别的百分比与数据集中的整体百分比一致

Ctrain = countcats(categorical(trainLabels))./numel(trainLabels).*100

Ctrain = 3×1

59.2920

18.5841

22.1239

Ctest = countcats(categorical(testLabels))./numel(testLabels).*100

Ctest = 3×1

59.1837

18.3673

22.4490

绘制几个样本的波形看看

小波时间散射

在小波时间散射网络中指定的关键参数是the scale of the time invariant，姑且称之为时间不变尺度、小波变换次数以及每个小波滤波器组中每倍频程的小波数量。在许多应用中，两个级联滤波器组足以实现良好的性能。在这个例子中，构建一个带有2个级联滤波器组的小波时间散射网络：第1个滤波器组中每倍频程 有8个小波，第2个滤波器组中每倍频程有1个小波，时间不变尺度设置为 150 秒。

可视化2个滤波器组中的小波滤波器

构建小波散射网络后，获取训练数据的散射系数矩阵

scat_features_train = featureMatrix(sn,trainData');

featureMatrix的输出是 409×16×113，张量的每一“页”是一个信号的散射变换。为了得到一个与SVM分类器兼容的矩阵，将多信号散射变换重塑为一个矩阵，其中每一列对应一个散射路径，每一行是一个散射时间窗口。在这种情况下，将获得1808行，因为训练数据113个信号中的每一个都有 16 个时间窗口。

Nwin = size(scat_features_train,2);
scat_features_train = permute(scat_features_train,[2 3 1]);
scat_features_train = reshape(scat_features_train,...
    size(scat_features_train,1)*size(scat_features_train,2),[]);

对测试数据重复该过程

创建标签来匹配窗口的数量

[sequence_labels_train,sequence_labels_test] = createSequenceLabels(Nwin,trainLabels,testLabels);

交叉验证，使用5折交叉验证估计错误率

scat_features = [scat_features_train; scat_features_test];
allLabels_scat = [sequence_labels_train; sequence_labels_test];
rng(1);
template = templateSVM(...
    'KernelFunction', 'polynomial', ...
    'PolynomialOrder', 2, ...
    'KernelScale', 'auto', ...
    'BoxConstraint', 1, ...
    'Standardize', true);
classificationSVM = fitcecoc(...
    scat_features, ...
    allLabels_scat, ...
    'Learners', template, ...
    'Coding', 'onevsone', ...
    'ClassNames', {'ARR';'CHF';'NSR'});
kfoldmodel = crossval(classificationSVM, 'KFold', 5);

计算损失和混淆矩阵，并显示准确率

predLabels = kfoldPredict(kfoldmodel);
loss = kfoldLoss(kfoldmodel)*100;

fprintf('Accuracy is %2.2f percent.\n',100-loss);

Accuracy is 99.92 percent.

分类准确率达到了99.92%，而CNN并没有这么高的准确率

详细数据及代码见如下链接

正在为您运送作品详情