ECGCNN_1DCNNmatlab_1DCNN_matlab1DCNN_matlab神经网络_matlab1DCNN

%% ECG检测代码 %%时间：2019年7月26日 %%华中科技大学_光学与电子信息学院_生产实习 %%Aiwiscal %% *****************代码说明*************************** %* 心电数据（采样频率360hz，单位mv） %* 本代码可以检测5种ECG图反应的情况。 % 0 No TQRS % 1 N Normal beat 正常搏动 % 4 L Left bundle branch block beat 左束支传导阻滞 % 3 R Right bundle branch block beat 右束支传导阻滞 % 2 V Premature ventricular contraction 室性早搏 % 5 A Atrial premature beat 房性早搏 %% ******************工具箱注意事项******************* %*本代码使用了一维CNN工具箱实现，工具箱（1DCNN）说明如下： %* （1）只支持卷积层和池化层互相交错放置。 %* （2）卷积层不会对特征图外围进行零填充，也就是每次卷积后特征图长度会减少kernelsize-1. %* （3）池化层的每一步池化区域不重叠，即池化区域长度等于步长。 %* （4）池化层的输入特征图长度必须能被池化步长整除。 %* 注意：参数的调整必须考虑和满足以上的限制，否则就会报错。 %*****************使用说明********************************** %* 利用cnn.layers定义CNN架构 %* （1）网络层的类型由‘type’指定，后接‘i’，‘c’，‘s’分别指输入层，卷积层和池化层 %* （2）“outputmaps”设定该层有多少输出特征图，从而决定卷积核的数目 %* （3）“kernelsize”后的数字指定1维卷积核的大小 %* （4）“scale”后数字指定池化步长 %* （5）“pool”后的字符串指定池化类型，“mean”：平均池化，“max”：最大池化 %* （6）“actv”后的字符串指定激活函数类型，“relu”：ReLU，“sigm”：Sigmoid，“tanh”：Tanh %* （7）cnn.output="softmax"指后面的全连接层要进行softmax操作，另外还可以指定为“sigm”：使用sigmoid函数映射，“linear”：线性映射。 %************************************************************ clear;clc; %% 载入数据 fprintf('Loading data...\n'); tic; %tic用来保存当前时间，使用toc来记录程序完成时间 %方案1： load('C:\Users\pc\Desktop\学习与工作\集创赛资料\matlab文件\matlab截取的用于分类的心拍数据\Nb.mat'); % 正常搏动 load('C:\Users\pc\Desktop\学习与工作\集创赛资料\matlab文件\matlab截取的用于分类的心拍数据\Lb.mat'); %左束支传导阻滿 load('C:\Users\pc\Desktop\学习与工作\集创赛资料\matlab文件\matlab截取的用于分类的心拍数据\Rb.mat'); %右束支传导阻滿 load('C:\Users\pc\Desktop\学习与工作\集创赛资料\matlab文件\matlab截取的用于分类的心拍数据\Vb.mat'); %室性早搏 load('C:\Users\pc\Desktop\学习与工作\集创赛资料\matlab文件\matlab截取的用于分类的心拍数据\Ab.mat'); %房性早搏 fprintf('Finished!\n'); toc; fprintf('=============================================================\n'); %% 控制使用数据量，并生成标签 fprintf('Data preprocessing...\n'); tic; Nb=Nb(1:2500,:);Label1=repmat([1;0;0;0;0],1,2500); %repmat 将矩阵复制M*N矩阵 其中1000表示正常搏动 5 Vb=Vb(1:2500,:);Label2=repmat([0;1;0;0;0],1,2500); %01000表示室性早搏 Rb=Rb(1:2500,:);Label3=repmat([0;0;1;0;0],1,2500); %00100表示右束支传导阻滿 Lb=Lb(1:2500,:);Label4=repmat([0;0;0;1;0],1,2500); %00010表示左束支传导阻滿 Ab=Ab(1:2500,:);Label5=repmat([0;0;0;0;1],1,2500); %00001表示房性早搏 Data=[Nb;Vb;Rb;Lb;Ab]; %五组数据集 Label=[Label1,Label2,Label3,Label4,Label5]; %label标记疾病名称 clear Nb;clear Label1; clear Rb;clear Label2; clear Lb;clear Label3; clear Vb;clear Label4; clear Ab;clear Label5; Data=Data-repmat(mean(Data,2),1,250); %使信号的均值为0，去掉基线的影响；mean（x,2）返回每行平均值 fprintf('Finished!\n'); toc; fprintf('=============================================================\n'); %% 数据划分与模型训练测试； fprintf('Model training and testing...\n'); Nums=randperm(12500); %随机打乱样本顺序，达到随机训练测试样本的目的 train_x=Data(Nums(1:10000),:); %随机划分割训练集和测试集 test_x=Data(Nums(10001:end),:); %train_x为训练数据集 train_y=Label(:,Nums(1:10000)); %test_x测试数据集 test_y=Label(:,Nums(10001:end)); %train_y训练label train_x=train_x'; %转置操作 test_x=test_x'; %% 利用1维CNN工具箱建立CNN（工具箱说明请见代码开头） cnn.layers = { struct('type', 'i') %输入屿 struct('type', 'c', 'outputmaps', 4, 'kernelsize', 31,'actv','relu') %卷积屿卷积核大小31，输出4张特征图片，激活函数ReLu struct('type', 's', 'scale', 5,'pool','max') %池化层，池化步长5，采用最大值池化 struct('type', 'c', 'outputmaps', 8, 'kernelsize', 6,'actv','relu') %卷积层，卷积核大8，激活函数ReLu struct('type', 's', 'scale', 3,'pool','max') %池化层，池化步长3，采用最大值池化 }; cnn.output = 'softmax'; %确定cnn结构，使用SOFTMAX进行分类 %% 确定超参数； opts.alpha = 0.01; %学习率； opts.batchsize = 16; %batch块大小； opts.numepochs = 30; %迭代次数：反向传播迭代学习次数 %% 建立、训练、测试1维CNN cnn = cnnsetup1d(cnn, train_x, train_y); %建立1维CNN; cnn = cnntrain1d(cnn, train_x, train_y,opts); %训练1维CNN; [er,bad,out] = cnntest1d(cnn, test_x, test_y); %测试1维CNN; %% 输出结果 [~,ptest]=max(out,[],1); %[Y,I]=max(M,[],1), 在第1维方向上取最大值，每列最大值结果存在Y里，I里存的是每列最大值的行位置 [~,test_yt]=max(test_y,[],1); %~代表忽略输出参数 只需要第二个参数使获取最大值行号 Correct_Predict=zeros(1,5); %统计各类准确率； Class_Num=zeros(1,5); %并得到混淆矩阵； Conf_Mat=zeros(5); for i=1:2500 Class_Num(test_yt(i))=Class_Num(test_yt(i))+1; Conf_Mat(test_yt(i),ptest(i))=Conf_Mat(test_yt(i),ptest(i))+1; if ptest(i)==test_yt(i) %预测值行号与LABEL行号吻合，意味着预测正确 Correct_Predict(test_yt(i))= Correct_Predict(test_yt(i))+1; end end %% 打印输出结果 ACCs=Correct_Predict./Class_Num; %获得各类别正确率 fprintf('Accuracy = %.2f%%\n',(1-er)*100); fprintf('Accuracy_N = %.2f%%\n',ACCs(1)*100); fprintf('Accuracy_V = %.2f%%\n',ACCs(2)*100); fprintf('Accuracy_R = %.2f%%\n',ACCs(3)*100); fprintf('Accuracy_L = %.2f%%\n',ACCs(4)*100); fprintf('Accuracy_A = %.2f%%\n',ACCs(5)*100); %% 混淆矩阵输出 mat = Conf_Mat; imagesc(mat); %绘制混淆矩阵 %% 混淆矩阵颜色设置 map = [0.968627451 0.984313725 1 0.937254902 0.960784314 0.988 0.780392157 0.858823529 0.937254902 0.603921569 0.784313725 0.898039216 0.137254902 0.450980392 0.713725490 0.0313725490 0.188235294 0.419607843]; %colormap(flipud(gray)); %改变混淆矩阵方式为GRAY（灰度方式），黑色表示高 colormap(map); %% LABEL、TITLE设置 title('Confusion Matrix of ECG CNN'); textStrings = num2str(mat(:),'%0.02f'); %从矩阵值创建字符串 textStrings = strtrim(cellstr(textStrings)); %删除任合空间填充 xlabel('******训练结果******') ylabel('******真实结果******') %% 坐标轴设置 [x,y] = meshgrid(1:5); %为字符串创建x和y坐标 hStrings = text(x(:),y(:),textStrings(:),... %显示字符串 'HorizontalAlignment','center'); midValue = mean(get(gca,'CLim')); %获取颜色范围中间值 textColors = repmat(mat(:) > midValue,1,3); %选择文本颜色 %设置文本颜色和背景颜色不同以便能够分辨字符串 set(hStrings,{'Color'},num2cell(textColors,2)); %改变字符串颜色 set(gca,'XTick',1:5,... %设置轴标记 'XTickLabel',{'N','V','R','L','A'},... 'YTick',1:5,... 'YTickLabel',{'N','V','R','L','A'},... 'TickLength',[0 0]);