代码如下
httpsmianbaoduo.comobreadYpZlZx
本文简单地演示一下如何使用连续小波变换 CWT 和深度卷积神经网络 CNN 对人体心电图 ECG 信号进行分类，并进行特征可视化便于以后的深入分析。由于从头训练深度 CNN 的计算成本很高，并且需要大量的训练数据，在很多应用中并没有足够数量的训练数据可用，因此本文采用迁移学习方法GoogLeNet 和 SqueezeNet对ECG波形的CWT时频谱图进行分类，所用的编程环境为MATLAB RB。
在本文中，使用的ECG数据分为种心律失常ARR充血性心力衰竭CHF 和正常窦性心律NSR，分别来自MITBIH Arrhythmia数据库MITBIH Normal Sinus Rhythm数据库和BIDMC Congestive Heart Failure数据库，下载完成后，首先看一下这种波形的样子。
要创建CWT时频谱图，首先设置一个CWT滤波器组。
然后看一下CWT时频谱图
然后将CWT时频谱图创建为RGB图像，并调整至××大小。
将CWT时频谱图像加载为图像数据存储，imageDatastore函数自动根据文件夹名称对图像加标签，并将数据存储为 ImageDatastore 对象。通过图像数据存储可以存储大图像数据，包括无法放入内存的数据，并在 CNN 的训练过程中高效分批读取图像
将图像随机分成两组，一组用于训练，另一组用于验证。使用 的图像进行训练，其余的用于验证。为了可复现，设置随机种子
加载预训练的 GoogLeNet网络，如果未安装 Deep Learning Toolbox™ Model for GoogLeNet Network 支持包，软件将在附加功能资源管理器中提供所需支持包的链接
显示网络的层次图
检查网络层属性的第一个元素，确认 GoogLeNet 需要大小为 ×× 的 RGB 图像
修改 GoogLeNet 网络参数
网络架构中的每层都可以视为一个滤波器，较浅的层识别图像的更常见特征，如斑点边缘和颜色，后续层侧重于更具体的特征，以便区分类别。GoogLeNet 经训练可将图像分类至 个目标类别。对于我们的 ECG 分类问题，必须重新训练 GoogLeNet。为防止过拟合，使用了dropout层，dropout概率为 .。将网络中的最终dropout层 pooldropxs 替换为概率为 . 的dropout层
GoogLeNet 中的 lossclassifier 和 output 这两个层包含将网络提取的特征合并为类概率损失值和预测标签的信息，要重新训练 GoogLeNet 以对CWT时频谱RGB图像进行分类，将这两个层替换为适合数据的新层。将全连接层 lossclassifier 替换为新的全连接层，其中滤波器的数量等于类的数量，要使新层中的学习速度快于迁移的层，要增大全连接层的学习率
设置训练选项并训练GoogLeNet
训练神经网络是一个使损失函数最小的迭代过程。要使损失函数最小，一般使用梯度下降算法。在每次迭代中，会评估损失函数的梯度并更新权重参数。可以通过设置各种选项来调整训练。InitialLearnRate 指定损失函数负梯度方向的初始步长大小，MiniBatchSize 指定在每次迭代中使用的训练集子集的大小，一轮指对整个训练集完整运行一遍训练算法，MaxEpochs 指定用于训练的最大轮数，选择正确的轮数至关重要，减少轮数会导致模型欠拟合，而增加轮数会导致过拟合。
使用 trainingOptions 函数指定训练选项。将 MiniBatchSize 设置为 ，MaxEpochs 置为 ，InitialLearnRate 置为 .。通过将 Plots 设置为 trainingprogress 来可视化训练进度。使用带动量的随机梯度下降优化器。默认情况下，训练在 GPU如果有上进行。使用 GPU 需要 Parallel Computing Toolbox™。为了实现可复现性，将 ExecutionEnvironment 设置为 cpu，以使 trainNetwork 使用 CPU。将随机种子设置为默认值
开始训练网络
查看经过训练的网络的最后一层，确认分类输出层包括个类
评估 GoogLeNet 准确度
GoogLeNet Accuracy .
GoogLeNet的每层都对输入图像产生响应或激活，然而，GoogLeNet内只有少数几个层适合图像特征提取，开始的几个层捕获基本的图像特征，如边缘等，可视化第一个卷积层的网络滤波器权重
通过将激活区域与原始图像进行比较，可以检查激活区域并查看GoogLeNet网络学习的特征，本文查看卷积层中的哪些区域在来自ARR类的图像的激活，并与原始图像中的对应区域进行比较。限于篇幅，仅查看第一个卷积层 convxs 的输出激活区域
将最强通道与原始图像进行比较
至于进行特征可视化的好处，一是可以重点针对激活区域进行分析，看看哪个频段对于分类贡献最大；二是可以有针对性的选择相关频段作为CNN的输入，避免全频段输入，增强网络的处理效率，因此可以选择频率切片小波变换，如下
Ricker小波及其频率切片小波变换 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
此外，实际中采集的ECG等信号受噪声干扰较大，因此可以进行降噪前处理，一方面能提高网络的识别准确率，二方面可以提高网络的收敛速度，可视化可读性更好，比如采用基于Cycle Spinning的移不变小波去噪方法
基于Cycle Spinning的移不变小波去噪 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
还可以使用小波分解方法对心电信号ECG进行降噪
简单的基于小波分解的心电信号ECG降噪 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
小波降噪基础python版本 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
或者采用基于自编码器的方法进行降噪
基于自编码器的语音信号降噪 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
还可以使用更优秀的时频分析方法代替普通的CWT时频谱虽然并不普通
时间序列信号处理系列基于Python的同步压缩变换 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
时间重分配多重同步压缩变换TMSST在信号处理中的应用 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
多重同步压缩变换multisynchrosqueezing transformMSST在信号处理中的应用 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
改进多重同步压缩变换improved multisynchrosqueezing transformIMSST在信号处理中的应用 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
还可以使用各种模态分解方法，只提取某几个模态分类进行输入
基于自适应Chirp模态分解的滚动承故障诊断方法 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
基于离散小波变换的滚动轴承故障诊断 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
还可以使用其他优秀的特征可视化方法
关于深度学习可解释性 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
使用深度学习通过脑部MRI进行年龄分类 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
AlexNet 网络deepdream可视化 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
使用 ScoreCAM方法解释深度学习分类结果 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
还有各种网络的魔改之类的，我就暂时不讲了，以后有时间讲几个
详细文章
基于小波分析和深度学习的时间序列分类并可视化相关特征 哥廷根数学学派的文章 知乎 httpszhuanlan.zhihu.comp
