一、核心算法框架

%% 数据加载与预处理
load('ECGData.mat'); % 加载ECG数据集（包含Data和Labels字段）
[signals, labels] = preprocessECG(ECGData); % 自定义预处理函数

%% 时频特征提取（CWT）
fs = 128; % 采样频率
fb = cwtfilterbank('SignalLength', 1000, 'VoicesPerOctave', 12);
cwtFeatures = extractCWTFeatures(signals, fb); % 小波系数提取

%% 数据增强与划分
augmentedData = dataAugmentation(cwtFeatures); % 数据增强
[trainData, testData, trainLabels, testLabels] = splitData(augmentedData, labels);

%% 迁移学习模型构建（GoogLeNet）
net = imagePretrainedNetwork('googlenet'); % 加载预训练模型
net = modifyNetworkForECG(net); % 修改网络结构（替换全连接层）

%% 模型训练与评估
options = trainingOptions('sgdm', 'MaxEpochs', 20, 'MiniBatchSize', 15);
trainedNet = trainNetwork(trainData, trainLabels, net, options);
accuracy = evaluateModel(trainedNet, testData, testLabels);
disp(['分类准确率: ', num2str(accuracy*100), '%']);

二、关键模块实现

1. 数据预处理函数

function [signals, labels] = preprocessECG(ECGData)
    % 信号截断/填充至统一长度
    maxLength = 65536;
    signals = cell(size(ECGData.Data));
    for i = 1:numel(ECGData.Data)
        sig = ECGData.Data(i,:);
        if length(sig) < maxLength
            pad = maxLength - length(sig);
            sig = [sig; zeros(pad,1)]; % 零填充
        else
            sig = sig(1:maxLength);
        end
        signals{i} = sig;
    end
    
    % 标签映射
    labelMap = containers.Map({'ARR','CHF','NSR'}, [1,2,3]);
    labels = cellfun(@(x) labelMap(x), ECGData.Labels);
end

2. 小波特征提取

function cwtFeatures = extractCWTFeatures(signals, fb)
    numSignals = numel(signals);
    cwtFeatures = zeros(numSignals, 1000, 128); % 1000时间点×128频率点
    
    for i = 1:numSignals
        sig = signals{i};
        [cfs, frq] = wt(fb, sig); % 连续小波变换
        cwtFeatures(i,:,:) = abs(cfs); % 取幅值
    end
end

3. 数据增强

function augmentedData = dataAugmentation(cwtFeatures)
    augmentedData = [];
    for i = 1:size(cwtFeatures,1)
        % 时间偏移
        shift = randi([0,50]); 
        shifted = circshift(cwtFeatures(i,:,:), [0, shift]);
        augmentedData = [augmentedData; shifted];
        
        % 添加高斯噪声
        noisy = awgn(cwtFeatures(i,:,:), 10, 'measured');
        augmentedData = [augmentedData; noisy];
    end
end

4. 网络结构调整

function net = modifyNetworkForECG(net)
    % 替换最后3层
    newDropout = dropoutLayer(0.6, 'Name','new_dropout');
    newFC = fullyConnectedLayer(3, 'Name','new_fc', ...
        'WeightLearnRateFactor',5, 'BiasLearnRateFactor',5);
    
    layers = net.Layers;
    layers(end-3) = newDropout;
    layers(end-2) = newFC;
    layers(end) = softmaxLayer('Name','prob');
    
    net = assembleNetwork(layers);
end

三、完整工作流

步骤1：数据准备

% 下载数据（示例使用PhysioNet数据集）
url = 'https://example.com/physionet-ECG.zip';
websave('ECGData.zip', url);
unzip('ECGData.zip', 'data');
load(fullfile('data','ECGData.mat'));

步骤2：特征可视化

% 绘制典型ECG信号的CWT时频图
signal = signals{1};
[cfs, frq] = wt(fb, signal);
figure;
pcolor((0:numel(signal)-1)/fs, frq, abs(cfs));
shading interp;
xlabel('时间(s)'); ylabel('频率(Hz)');
title('ECG信号的CWT时频图');

步骤3：模型训练

options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 20, ...
    'InitialLearnRate', 1e-4, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData',{testData,testLabels}, ...
    'Plots','training-progress');

trainedNet = trainNetwork(trainData, trainLabels, net, options);

步骤4：性能评估

% 混淆矩阵
predictedLabels = classify(trainedNet, testData);
cm = confusionmat(testLabels, predictedLabels);
figure;
confusionchart(cm, {'ARR','CHF','NSR'}, 'RowSummary','row-normalized');

% ROC曲线
[X,Y,T,AUC] = perfcurve(testLabels, predictedLabels, 2);
figure;
plot(X,Y); 
xlabel('假阳性率'); ylabel('真阳性率');
title(['ROC曲线 (AUC=', num2str(AUC), ')']);

四、算法对比与优化

优化策略：

1. 数据增强：添加随机噪声、时间偏移、幅度缩放

2. 注意力机制：在CNN中加入SE模块提升关键特征权重

3. 多尺度输入：融合不同尺度的小波系数（如1-32尺度）

参考代码 ecg信号分类算法MATLAB代码 www.youwenfan.com/contentcsr/54877.html

五、注意事项

1. 硬件要求：建议使用NVIDIA GPU加速训练（需Parallel Computing Toolbox）

2. 数据平衡：对少数类（如CHF）进行过采样处理

3. 模型部署：使用MATLAB Compiler生成独立应用