使用GoogleNet和AlexNet遷移學(xué)習(xí)ECG

今天的任務(wù)是依照這篇介紹的方法，使用GoogleNet和AlexNet遷移學(xué)習(xí)ECG。
Signal Classification with Wavelet Analysis and Convolutional Neural Networks

整個(gè)實(shí)現(xiàn)流程包括以下幾步：

  1. 下載三個(gè)ECG Dataset；
  2. 整理數(shù)據(jù)集，包括降采樣、截?cái)?、?biāo)簽，存儲(chǔ)到一個(gè)ECG_Data的structure里；
  3. Plot原始數(shù)據(jù)；
  4. 使用CWT，得到scalogram，作為該樣本的輸入特征圖；
  5. 劃分訓(xùn)練集和測(cè)試集；
  6. 使用GoogleNet進(jìn)行訓(xùn)練；
  7. 使用AlexNet進(jìn)行訓(xùn)練；

下載ECG Dataset

實(shí)驗(yàn)選用的數(shù)據(jù)集為以下三個(gè)：
The MIT-BIH Atrial Fibrillation Database
The MIT-BIH ST Change Database
The MIT-BIH Supraventricular Arrhythmia Database
由于網(wǎng)站提供的下載整個(gè)數(shù)據(jù)包的鏈接失效，所以使用wget工具來下載數(shù)據(jù)庫(kù)，指令如下：

wget -r -np http://physionet.org/physiobank/database/afdb/
wget -r -np http://physionet.org/physiobank/database/stdb/
wget -r -np http://physionet.org/physiobank/database/svdb/

下載完成后，共得到23+28+78=129條記錄，每個(gè)記錄都包含雙通道的心電信號(hào)。

整理數(shù)據(jù)集

  1. 使用WFDB工具箱中的rdsamp函數(shù)，新建一個(gè)id_list，數(shù)組內(nèi)存儲(chǔ)數(shù)據(jù)庫(kù)的樣本編號(hào)，按數(shù)組依次讀取信號(hào)；
  2. 使用resample函數(shù)，將各個(gè)樣本的采樣率都降為128Hz；
  3. 直接截取信號(hào)的前65536個(gè)點(diǎn)（即512s信號(hào)）；
  4. 分離信號(hào)的兩個(gè)通道，存儲(chǔ)在ECGData.data中，同時(shí)在ECGData.label中存儲(chǔ)對(duì)應(yīng)的病癥標(biāo)簽，建立Data Structure，大小為(248, 65536)和(248, 1)。

stdb的第313-317，319-323文件只有一列數(shù)據(jù)。

經(jīng)過整理后的ECGData Structure組成如下：
1-46：AF記錄，共46條；
47-92：ST記錄，共46條；
93-248，SV記錄，共157條。

%% Load AFDB
start=1
flag={'AF'};
id_list=[04015,04043,04048,04126,04746,04908,04936,05091,05121,05261,06426,06453,06995,07162,07859,07879,07910,08215,08219,08378,08405,08434,08455];
for id = 1:23
    signal=rdsamp(['/database/afdb/', num2str(id_list(id), '%05d')]);
    resamp_signal=resample(signal, 128, 250);
    cutoff_signal=resamp_signal(1:65536, :);
    ECGData.Data(:,start)=cutoff_signal(1:65536,1);
    ECGData.Labels(start)=flag;
    ECGData.Data(:,start+1)=cutoff_signal(1:65536,2);
    ECGData.Labels(start+1)=flag;
    start=start+2;
    id
end

%% Load STDB
start=47
flag={'ST'};
% 313~317 319~323
id_list=[300,301,302,303,304,305,306,307,308,309,310,311,312,318,324,325,326,327];
for id = 1:18
    signal=rdsamp(['/database/stdb/', num2str(id_list(id))]);
    resamp_signal=resample(signal, 128, 360);
    cutoff_signal=resamp_signal(1:65536, :);
    ECGData.Data(:,start)=cutoff_signal(1:65536,1);
    ECGData.Labels(start)=flag;
    ECGData.Data(:,start+1)=cutoff_signal(1:65536,2);
    ECGData.Labels(start+1)=flag;
    start=start+2;
    id
end

id_list=[313,314,315,316,317,319,320,321,322,323];
for id = 1:10
    signal=rdsamp(['/database/stdb/', num2str(id_list(id))]);
    resamp_signal=resample(signal, 128, 360);
    cutoff_signal=resamp_signal(1:65536, :);
    ECGData.Data(:,start)=cutoff_signal(1:65536,1);
    ECGData.Labels(start)=flag;
    start=start+1;
    id
end

%% Load SVDB
start=93
flag={'SV'};
id_list=[800,801,802,803,804,805,806,807,808,809,810,811,812,820,821,822,823,824,825,826,827,828,829,840,841,842,843,844,845,846,847,848,849,850,851,852,853,854,855,856,857,858,859,860,861,862,863,864,865,866,867,868,869,870,871,872,873,874,875,876,877,878,879,880,881,882,883,884,885,886,887,888,889,890,891,892,893,894];
for id = 1:78
    signal=rdsamp(['/database/svdb/', num2str(id_list(id))]);
    resamp_signal=resample(signal, 128, 128);
    cutoff_signal=resamp_signal(1:65536, :);
    ECGData.Data(:,start)=cutoff_signal(1:65536,1);
    ECGData.Labels(start)=flag;
    ECGData.Data(:,start+1)=cutoff_signal(1:65536,2);
    ECGData.Labels(start+1)=flag;
    start=start+2;
    id
end

%% Rebuild
ECGData.Data=ECGData.Data';
ECGData.Labels=ECGData.Labels';

Plot原始數(shù)據(jù)

調(diào)用例程中的helperPlotReps()函數(shù)，看原始數(shù)據(jù)。很奇怪的是第三類問題好像采樣率有些奇怪，但是找不到問題的原因。


原始信號(hào)1000點(diǎn)

特征提取與數(shù)據(jù)集劃分

首先使用cwtfilterbank函數(shù)對(duì)原始信號(hào)進(jìn)行CWT變換，得到的結(jié)果如圖所示。


CWT_Result

然后使用helpCreateRGBfromTF()對(duì)整個(gè)數(shù)據(jù)集進(jìn)行變換，并使用splitEachLabel進(jìn)行訓(xùn)練集和測(cè)試集的分割，分割得到大小為199的訓(xùn)練集和大小為49的測(cè)試集，存儲(chǔ)在ImageDatastore里。

helperCreateRGBfromTF(ECGData,parentDir,dataDir)
allImages = imageDatastore(fullfile(parentDir,dataDir),...
    'IncludeSubfolders',true,...
    'LabelSource','foldernames');

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))]);

使用GoogleNet進(jìn)行訓(xùn)練

GoogleNet是使用ImageNet訓(xùn)練的對(duì)于1000分類的深層CNN網(wǎng)絡(luò)，其結(jié)構(gòu)如圖所示，為了進(jìn)行遷移學(xué)習(xí)，我們將最后四層修改為針對(duì)三分類問題的輸出。

lgraph = removeLayers(lgraph,{'pool5-drop_7x7_s1','loss3-classifier','prob','output'});

numClasses = numel(categories(imgsTrain.Labels));
newLayers = [
    dropoutLayer(0.6,'Name','newDropout')
    fullyConnectedLayer(numClasses,'Name','fc','WeightLearnRateFactor',5,'BiasLearnRateFactor',5)
    softmaxLayer('Name','softmax')
    classificationLayer('Name','classoutput')];
lgraph = addLayers(lgraph,newLayers);

lgraph = connectLayers(lgraph,'pool5-7x7_s1','newDropout');
inputSize = net.Layers(1).InputSize;
googlenet

同時(shí)，設(shè)置GoogleNet訓(xùn)練的一些參數(shù)，開始訓(xùn)練，訓(xùn)練結(jié)果如圖所示。

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

rng default
trainedGN = trainNetwork(imgsTrain,lgraph,options);

trainedGN.Layers(end-2:end)
cNames = trainedGN.Layers(end).ClassNames
GoogleNet訓(xùn)練結(jié)果

result

使用GoogleNet訓(xùn)練的最終正確率為：71.429%
同時(shí)我們還觀測(cè)了GoogleNet的激活函數(shù)、對(duì)于AF病癥的激活函數(shù)以及最強(qiáng)的AF通道，如下圖所示。


第一層Activations
AF Activations
strongest AF Channel

使用AlexNet進(jìn)行訓(xùn)練

AlexNet共有25層，如下圖所示。


AlexNet

針對(duì)本問題，我們修改了AlexNet的最后三層，同時(shí)改變圖像的形狀以匹配AlexNet的輸入。

%% Load
alex=alexnet;
layers = alex.Layers

%% Modify AlexNet Network Parameters
layers(23) = fullyConnectedLayer(3);
layers(25) = classificationLayer;

%% Prepare RGB Data for AlexNet
inputSize = alex.Layers(1).InputSize;
augimgsTrain = augmentedImageDatastore(inputSize(1:2),imgsTrain);
augimgsValidation = augmentedImageDatastore(inputSize(1:2),imgsValidation);

同時(shí)，設(shè)置AlexNet訓(xùn)練的一些參數(shù)，開始訓(xùn)練，訓(xùn)練結(jié)果如圖所示。


AlexNet訓(xùn)練結(jié)果

result

使用AlexNet訓(xùn)練的最終正確率為75.51%

最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時(shí)請(qǐng)結(jié)合常識(shí)與多方信息審慎甄別。
平臺(tái)聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點(diǎn)，簡(jiǎn)書系信息發(fā)布平臺(tái)，僅提供信息存儲(chǔ)服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

  • 朋友買了一本關(guān)于跑步的書，迫不及待的借過來觀閱。關(guān)于跑步的話題總是有很多話想說，無論是在健身房還是馬路上總是...
    大倩姐jessies閱讀 345評(píng)論 0贊 0
  • 如果現(xiàn)在讓你回到最一開始重新選擇，你還會(huì)選擇現(xiàn)在的路么？ 我不知道你們的答案，我的答案是讓我從哪里回去選擇。如果選...
    小兮_1a19閱讀 293評(píng)論 0贊 1
  • 自動(dòng)實(shí)現(xiàn)復(fù)雜的標(biāo)題樣式 要求 自動(dòng)實(shí)現(xiàn)下面的章節(jié)編號(hào)樣式，其中每一章的標(biāo)題編號(hào)使用中文數(shù)字，而每節(jié)、每小節(jié)的標(biāo)題編...
    wanghn閱讀 2,837評(píng)論 1贊 1

友情鏈接更多精彩內(nèi)容