从MIT-BIH到PhysioNet-2021：手把手教你用Python和TensorFlow搭建你的第一个ECG分类模型（附完整代码）

张

张建站

2026/5/21 21:24:20

10分钟阅读

从MIT-BIH到PhysioNet-2021手把手教你用Python和TensorFlow搭建你的第一个ECG分类模型附完整代码在医疗健康领域心电图ECG分析一直是人工智能技术落地的重要场景之一。想象一下你刚学完Python基础语法对机器学习充满好奇周末想尝试一个既酷炫又有实际意义的项目——用AI识别心电图异常。本文将带你从零开始用TensorFlow构建一个能自动分类心电信号的模型体验从数据加载到模型部署的全流程。不同于图像或文本数据ECG信号具有独特的时序特性和医学背景知识。我们将选择PhysioNet-2017这类结构清晰的数据集作为起点避开复杂的临床验证环节专注于工程实现的核心步骤。即使你没有任何医学背景也能在几小时内跑通整个流程获得我居然能用AI分析心电图的成就感。1. 环境准备与数据集选择1.1 开发环境配置推荐使用Python 3.8环境主要依赖库包括pip install tensorflow2.10.0 pip install wfdb # 用于读取PhysioNet数据 pip install matplotlib pip install scikit-learn对于硬件配置即使没有独立GPU也能完成本教程但使用GPU可以显著加速训练过程。以下是不同硬件下的预期训练时间对比硬件配置100个epoch训练时间备注CPU (i7-11800H)~45分钟适合小批量数据GPU (RTX 3060)~8分钟推荐配置Google Colab免费版~15分钟需注意运行时长限制1.2 ECG数据集对比与选择初学者常陷入数据集选择的困境。以下是主流ECG数据集的特性对比数据集记录数导联数采样率主要特点MIT-BIH482360Hz经典但规模小PhysioNet-201785281300Hz单导联类别清晰PTB-XL21,83712500Hz临床标注丰富PhysioNet-202188,00012多种多中心数据对于首个项目建议选择PhysioNet-2017数据集原因有三单导联数据更易处理四分类任务正常、房颤、噪声、其他适合入门数据质量相对一致预处理简单2. ECG数据加载与可视化2.1 从PhysioNet下载数据使用WFDB库可直接获取数据import wfdb # 下载第一条记录作为示例 record wfdb.rdrecord(p00001, pn_dirphysionet.org/files/challenge-2017/1.0.0) wfdb.plot_wfdb(recordrecord, titleECG示例)这段代码会显示类似下图的波形[图示正常ECG波形标注P波、QRS波群、T波]2.2 数据解析与特征观察ECG信号包含几个关键特征点P波心房去极化正常宽度120msQRS波群心室去极化典型宽度80-120msT波心室复极化RR间期相邻QRS波的时间差反映心率变异性查看数据的基本统计信息print(f采样率{record.fs}Hz) print(f信号长度{len(record.p_signal)}个采样点) print(f导联名称{record.sig_name})典型输出采样率300Hz 信号长度3000个采样点导联名称[MLII]3. 数据预处理流水线3.1 信号滤波与归一化原始ECG常包含基线漂移和工频干扰需进行预处理from scipy import signal def preprocess_ecg(ecg_signal, fs300): # 去除基线漂移 (0.5-1Hz高通) b, a signal.butter(3, [0.5, 40], btypebandpass, fsfs) filtered signal.filtfilt(b, a, ecg_signal) # 归一化到[-1,1]范围 normalized (filtered - np.min(filtered)) / (np.max(filtered) - np.min(filtered)) return normalized * 2 - 1注意滤波参数需根据具体采样率调整。对于300Hz数据40Hz低通可有效去除肌电噪声。3.2 数据增强策略ECG数据增强的常用方法时间扭曲轻微拉伸或压缩时间轴幅度缩放随机调整信号幅度添加噪声模拟真实采集环境片段裁剪随机选取信号片段实现时间扭曲的示例代码def time_warp(signal, factor0.1): length signal.shape[0] warp_points int(length * factor) random_points np.sort(np.random.randint(0, length, warp_points)) return np.interp(np.arange(length), random_points, signal[random_points])4. 构建CNN-LSTM混合模型4.1 模型架构设计结合CNN的局部特征提取和LSTM的时序建模能力from tensorflow.keras.models import Sequential from tensorflow.keras.layers import * def build_model(input_shape(3000,1), num_classes4): model Sequential([ Conv1D(64, 15, activationrelu, input_shapeinput_shape), MaxPooling1D(2), Conv1D(128, 10, activationrelu), MaxPooling1D(2), LSTM(64, return_sequencesTrue), LSTM(32), Dense(100, activationrelu), Dropout(0.3), Dense(num_classes, activationsoftmax) ]) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) return model模型结构可视化输入层(3000,1) ↓ Conv1D(64, kernel_size15) → 提取局部波形特征 ↓ MaxPooling1D(2) → 降采样 ↓ Conv1D(128, kernel_size10) → 更高层次特征 ↓ LSTM(64) → 捕捉时序依赖 ↓ LSTM(32) → 时序特征精炼 ↓ 全连接层 → 分类决策4.2 模型训练技巧ECG分类特有的训练策略类别权重平衡处理不平衡数据动态学习率训练后期微调参数早停机制防止过拟合设置类别权重的示例from sklearn.utils.class_weight import compute_class_weight class_weights compute_class_weight(balanced, classesnp.unique(y_train), yy_train) class_weight_dict dict(enumerate(class_weights))5. 模型评估与结果解读5.1 性能指标选择不同于一般分类任务ECG评估需考虑指标公式医学意义灵敏度TP/(TPFN)避免漏诊危重病例阳性预测值TP/(TPFP)减少误诊F1分数2*(P*R)/(PR)综合平衡混淆矩阵示例模拟数据真实\预测正常房颤噪声其他正常85051035房颤15420857噪声25238013其他3040204105.2 结果可视化分析绘制特征激活图理解模型关注点import matplotlib.pyplot as plt def plot_activations(model, ecg_sample): layer_outputs [layer.output for layer in model.layers[:4]] activation_model Model(inputsmodel.input, outputslayer_outputs) activations activation_model.predict(ecg_sample[np.newaxis,...]) plt.figure(figsize(12,8)) for i, activation in enumerate(activations): plt.subplot(len(activations), 1, i1) plt.plot(activation[0,:,0]) plt.title(fLayer {i1}激活)典型输出会显示模型在不同层对QRS波群的响应逐渐增强。6. 完整项目结构建议规范的ECG项目目录应包含/ecg-classification │── /data # 原始数据 │── /processed # 预处理后数据 │── /models # 保存的模型 │── /utils # 工具函数 │ ├── preprocessing.py │ └── visualization.py │── config.yaml # 参数配置 │── train.py # 训练脚本 │── evaluate.py # 评估脚本 └── requirements.txt关键配置文件示例config.yamldata: sampling_rate: 300 dataset: physionet2017 classes: [normal, af, noise, other] model: architecture: cnn_lstm input_length: 3000 conv_filters: [64, 128] lstm_units: [64, 32] training: batch_size: 32 epochs: 100 learning_rate: 0.001在实际部署中发现将信号长度统一为3000个采样点对应PhysioNet-2017的10秒记录能平衡信息保留和计算效率。对于更长的记录建议采用滑动窗口分割策略。