文章目录

1. RNN 介绍

循环神经网络RNN的提出主要针对于时间序列数据。

类似于股票、心律失常 ECG 和 电力数据 等数据都是属于时间序列数据。

RNN模型具有记忆功能。时间序列数据前一时刻的数据可能会影响后一时刻的数据；因此，循环神经网络在时间序列数据上有着较好的性能。

简单地说，循环神经网络目的在于探索序列之间的关系！！！它是根据"人的认知是基于过往的经验和记忆"这一观点提出的。

需要注意的是，该类模型主要处理一维数据。鉴于其记忆功能，能够将前后数据进行关联，因此循环神经网络模型在一维数据的处理上获得了较好的表现。

目前，主流的循环神经网络模型有RNN、LSTM、GRU以及基于它们的改进模型。

本篇文章主要以介绍 RNN 处理心律失常ECG数据为主。

参数解释：

xt−1,xt,xt+1x_{t-1}, x_{t}, x_{t+1}xt−1​,xt​,xt+1​ 分别表示 t-1, t 和 t+1 时刻的输入ot−1,ot,ot+1o_{t-1}, o_{t}, o_{t+1}ot−1​,ot​,ot+1​ 分别表示 t-1, t 和 t+1 时刻的结果st−1,st,st+1s_{t-1}, s_{t}, s_{t+1}st−1​,st​,st+1​ 分别表示 t-1, t 和 t+1 时刻的记忆或叫隐藏层WWW 表示前一时刻输入的权重, UUU 表示此刻输入的样本的权重, VVV 表示输出的样本权重.在整个网络中，WWW，UUU 和 VVV 是共享的。需要注意的是： VVV 是需要看情况使用的；若搭建网络时需要每一个隐藏层的输出，这种情况下是需要用到 VVV 的；若不需要每一个隐藏层的输出，可以不使用 VVV 。（本篇文章只取最后一个隐藏层的输出，因此用不到 VVV。 ）

在实现代码的过程中，可能有部分同学有疑问：整个训练过程只有一个参数矩阵A啊，不是应该有2个参数 WWW，UUU？

其实很简单，在实现过程中RNN会将上一个状态 st−1s_{t-1}st−1​和当前状态的输入 xtx_txt​ 进行 connect 操作，如上图；那么 W 和 U便是上图左边矩阵A中的参数；W是A中紫色部分，U是A中蓝色部分。也就是说，在实际操作过程中，将这两个参数合并在一起了。

在本实验中，我们举得例子中 x 大小（每个心拍）为300，隐藏层h的大小是 50；那么根据矩阵的乘法运算，我们可以轻易地得到A的大小是 50 * 350

2. 搭建RNN模型进行训练

关于心律失常ECG数据的相关处理之前都已经介绍过了，这里就不展开介绍了。

实验所用数据集：MIT-BIH Arrhythmia Database

主要有几点区别:

本次代码是用 Pytorch 实现的。鉴于目前大多数心律失常分类都是在对N、S、V、F 和 Q 五类进行分类，之前我们是分类N、A、V、L和R五类。本次实验主要是针对 N、S、V、F 和 Q 五类。

直接看代码，相关代码均已在代码中注释。

'''导入相关包'''import wfdbimport pywtimport seabornimport numpy as npimport matplotlib.pyplot as pltfrom sklearn.metrics import confusion_matriximport torchimport torch.utils.data as Datafrom torch import nn'''加载数据集'''# 测试集在数据集中所占的比例RATIO = 0.2# 小波去噪预处理def denoise(data):# 小波变换coeffs = pywt.wavedec(data=data, wavelet='db5', level=9)cA9, cD9, cD8, cD7, cD6, cD5, cD4, cD3, cD2, cD1 = coeffs# 阈值去噪threshold = (np.median(np.abs(cD1)) / 0.6745) * (np.sqrt(2 * np.log(len(cD1))))cD1.fill(0)cD2.fill(0)for i in range(1, len(coeffs) - 2):coeffs[i] = pywt.threshold(coeffs[i], threshold)# 小波反变换,获取去噪后的信号rdata = pywt.waverec(coeffs=coeffs, wavelet='db5')return rdata# 读取心电数据和对应标签,并对数据进行小波去噪def getDataSet(number, X_data, Y_data):ecgClassSet = ['N', 'A', 'V', 'L', 'R']# 读取心电数据记录# print("正在读取 " + number + " 号心电数据...")# 读取MLII导联的数据record = wfdb.rdrecord('./data/MIT-BIH-360/' + number, channel_names=['MLII'])data = record.p_signal.flatten()rdata = denoise(data=data)# 获取心电数据记录中R波的位置和对应的标签annotation = wfdb.rdann('./data/MIT-BIH-360/' + number, 'atr')Rlocation = annotation.sampleRclass = annotation.symbol# 去掉前后的不稳定数据start = 10end = 5i = startj = len(annotation.symbol) - end# 因为只选择NAVLR五种心电类型,所以要选出该条记录中所需要的那些带有特定标签的数据,舍弃其余标签的点# X_data在R波前后截取长度为300的数据点# Y_data将NAVLR按顺序转换为01234while i < j:try:# Rclass[i] 是标签lable = ecgClassSet.index(Rclass[i])# 基于经验值，基于R峰向前取100个点，向后取200个点x_train = rdata[Rlocation[i] - 100:Rlocation[i] + 200]X_data.append(x_train)Y_data.append(lable)i += 1except ValueError:i += 1return# 加载数据集并进行预处理def loadData():numberSet = ['100', '101', '103', '105', '106', '107', '108', '109', '111', '112', '113', '114', '115','116', '117', '119', '121', '122', '123', '124', '200', '201', '202', '203', '205', '208','210', '212', '213', '214', '215', '217', '219', '220', '221', '222', '223', '228', '230','231', '232', '233', '234']dataSet = []lableSet = []for n in numberSet:getDataSet(n, dataSet, lableSet)# 转numpy数组,打乱顺序dataSet = np.array(dataSet).reshape(-1, 300)lableSet = np.array(lableSet).reshape(-1, 1)train_ds = np.hstack((dataSet, lableSet))np.random.shuffle(train_ds)# 数据集及其标签集X = train_ds[:, :300].reshape(-1, 1,300)Y = train_ds[:, 300]# 测试集及其标签集shuffle_index = np.random.permutation(len(X))# 设定测试集的大小 RATIO是测试集在数据集中所占的比例test_length = int(RATIO * len(shuffle_index))# 测试集的长度test_index = shuffle_index[:test_length]# 训练集的长度train_index = shuffle_index[test_length:]X_test, Y_test = X[test_index], Y[test_index]X_train, Y_train = X[train_index], Y[train_index]return X_train, Y_train, X_test, Y_testX_train, Y_train, X_test, Y_test = loadData()'''数据处理'''train_Data = Data.TensorDataset(torch.Tensor(X_train), torch.Tensor(Y_train)) # 返回结果为一个个元组，每一个元组存放数据和标签train_loader = Data.DataLoader(dataset=train_Data, batch_size=128)test_Data = Data.TensorDataset(torch.Tensor(X_test), torch.Tensor(Y_test)) # 返回结果为一个个元组，每一个元组存放数据和标签test_loader = Data.DataLoader(dataset=test_Data, batch_size=128)'''模型搭建'''class RnnModel(nn.Module):def __init__(self):super(RnnModel, self).__init__()'''参数解释：(输入维度，隐藏层维度，网络层数)输入维度：每个x的输入大小，也就是每个x的特征数隐藏层：隐藏层的层数，若层数为1，隐层只有1层网络层数：网络层的大小'''self.rnn = nn.RNN(300, 50, 3, nonlinearity='tanh')self.linear = nn.Linear(50, 5)def forward(self, x):r_out, h_state = self.rnn(x)output = self.linear(r_out[:,-1,:])return outputmodel = RnnModel()'''设置损失函数和参数优化方法'''criterion = torch.nn.CrossEntropyLoss()optimizer = torch.optim.SGD(model.parameters(), lr=0.01)'''模型训练'''EPOCHS = 5for epoch in range(EPOCHS):running_loss = 0for i, data in enumerate(train_loader):inputs, label = datay_predict = model(inputs)loss = criterion(y_predict, label.long())optimizer.zero_grad()loss.backward()optimizer.step()running_loss += loss.item()# 预测correct = 0total = 0with torch.no_grad():for data in test_loader:inputs, label = datay_pred = model(inputs)_, predicted = torch.max(y_pred.data, dim=1)total += label.size(0)correct += (predicted == label).sum().item()print(f'Epoch: {epoch + 1}, ACC on test: {correct / total}')

分类效果基本上可以达到 98% 左右。