基于迁移学习的ECG分类基于迁移学习的ECG分类

本文来源于MATLAB例程：Classify Time Series Using Wavelet Analysis and Deep Learning
关键词：ECG 迁移学习 GoogLeNet
实验环境

软件部分

本人使用的是MATLAB 2018b。官方文档提到GoogLeNet，AlexNet分别是在MATLAB 2017b、MATLAB 2017a版本引入的。
此实验必备的Toolbox：
1.Wavelet Toolbox
2.Image Processing Toolbox
3.Deep Learning Toolbox
4.Deep Learning Toolbox Model for GoogLeNet Network support package
5.Deep Learning Toolbox Model for AlexNet Network
其中，两个support package可能需要登录MATLAB账号才能下载，注册一个即可。

硬件部分

这里我用的是显卡是NVIDIA Geforce RTX 2080。实验可以用CPU跑，但最好还是使用GPU，快的不是一丁半点。
数据集 96条心律失常（ARR）数据
30条充血性心力衰竭（CHF）数据
36条正常窦性心律（NSR）数据
共计162条数据，下载地址，请点击链接
读取数据 【基于迁移学习的ECG分类】代码如下：

dir = 'E:\Transfer_learning\ECG\ECG_Matlab\ECGdata'; load(fullfile(dir,'ECGData.mat')); parentDir = dir; dataDir = 'data'; helperCreateECGDirectories(ECGData,parentDir,dataDir)

读入数据后，工作空间生成了名为ECGdata的结构数组，如下图。Data为162?65536维，即162条数据，每条数据时长为512s，采样率为128Hz。Labels存储了每条数据的标签。

文章图片
ECGdata 显示原始数据借助helperPlotReps()函数，绘制原始数据，如图。

文章图片
原始数据示例图特征提取这里主要使用cwtfilterbank函数，将原始的一维心电信号通过连续小波变换（CWT）转换为时频域表达，即scalograms。代码和示例图如下：

%时频域表达，CWT连续小波变换Fs = 128; fb = cwtfilterbank('SignalLength',1000,...'SamplingFrequency',Fs,...'VoicesPerOctave',12); sig = ECGData.Data(1,1:1000); [cfs,frq] = wt(fb,sig); t = (0:999)/Fs; figure; pcolor(t,frq,abs(cfs))set(gca,'yscale','log'); shading interp; axis tight; title('Scalogram'); xlabel('Time (s)'); ylabel('Frequency (Hz)')%生成各个病种的RGB图像，尺寸为224?224?3helperCreateRGBfromTF(ECGData,parentDir,dataDir)

文章图片
ECG的时频域表达数据集的划分

%划分训练与测试数据集allImages = imageDatastore(fullfile(parentDir,dataDir),...'IncludeSubfolders',true,...'LabelSource','foldernames'); % 80%作为训练，其余作为测试，随机种子设为默认，以便可重复。rng default[imgsTrain,imgsValidation] = splitEachLabel(allImages,0.8,'randomized'); disp(['Number of training images: ',num2str(numel(imgsTrain.Files))]); disp(['Number of validation images: ',num2str(numel(imgsValidation.Files))]);

加载GoogLeNet并进行训练 GooLeNet

net = googlenet; lgraph = layerGraph(net); numberOfLayers = numel(lgraph.Layers); figure('Units','normalized','Position',[0.1 0.1 0.8 0.8]); plot(lgraph)%绘制结构图title(['GoogLeNet Layer Graph: ',num2str(numberOfLayers),' Layers']);

文章图片
GoogLeNet的网络结构图 GoogLeNet模型的参数修改 GoogleNet是使用ImageNet训练的对于1000分类的深层CNN网络，这里最后四层修改为针对三分类问题的输出。

lgraph = removeLayers(lgraph,{'pool5-drop_7x7_s1','loss3-classifier','prob','output'}); numClasses = numel(categories(imgsTrain.Labels)); newLayers = [dropoutLayer(0.6,'Name','newDropout')%dropout概率60%fullyConnectedLayer(numClasses,'Name','fc','WeightLearnRateFactor',5,'BiasLearnRateFactor',5)%全连接层，这里numClasses为3softmaxLayer('Name','softmax')classificationLayer('Name','classoutput')]; lgraph = addLayers(lgraph,newLayers); lgraph = connectLayers(lgraph,'pool5-7x7_s1','newDropout'); inputSize = net.Layers(1).InputSize;

模型超参数设置及训练参数设置和训练结果如下，最终的正确率为90.625%。ps.例程中做的训练过程动态图真的太赞了！

options = trainingOptions('sgdm',...'MiniBatchSize',15,...'MaxEpochs',20,...'InitialLearnRate',1e-4,...'ValidationData',imgsValidation,...'ValidationFrequency',10,...'ValidationPatience',Inf,...'Verbose',1,...'ExecutionEnvironment','gpu',...'Plots','training-progress');

文章图片
训练过程例程中后面的内容不再赘述，主要是探讨网络内部的结构。和下图所示的人脸识别的很相似。

文章图片
人脸识别算法中不同网络层提取的特征

底层网络：各种边缘结构
中层网络：眼睛，鼻子，嘴巴等局部特征
高层网络：将局部特征组合，得到各种人脸特征

后记本文实验是将ECG转换为二维的时频域图作为网络输入，在arXiv上浏览文献发现有一篇文章做的工作很相似，贴在这里，是基于DenseNet做的迁移。
ECG Arrhythmia Classification Using Transfer Learning from 2-Dimensional Deep CNN Features