Matlab一维信号CNN-LSTM分类，使用1D CNN-LSTM对一维信号(如语音信号、心电图信号)进行二分类源程序。 也可以改成多分类。 需要Matlab2022版本，2021不知道行不行，2020以下肯定不行。 工作如下： 1、加载数据，一共为200个正常样本和200个异常样本，训练集为80%，即160正常和160异常，一共320条数据；测试集为40正常和40异常，一共80条数据。 2、构建一维CNN-LSTM模型。 3、训练。 4、测试，输出准确率，并绘制混淆矩阵。 注：包括程序和两个数据文件，可以直接运行。 注释详细。 考虑到Matlab搭建1D CNN-LSTM模型的教程较少，此程序是为了方便学习怎么搭建网络、测试等等，使用的数据量较少，并且数据本身也易于分类，换成自己的数据时需要根据实际情况调整网络，也可有偿帮忙替换数据。

最近在研究一维信号的分类问题，尤其是像语音信号、心电图信号这种时间序列数据。正好手头有个Matlab的代码，用1D CNN-LSTM模型对一维信号进行二分类，感觉挺有意思的，分享一下。

Matlab一维信号CNN-LSTM分类，使用1D CNN-LSTM对一维信号(如语音信号、心电图信号)进行二分类源程序。 也可以改成多分类。 需要Matlab2022版本，2021不知道行不行，2020以下肯定不行。 工作如下： 1、加载数据，一共为200个正常样本和200个异常样本，训练集为80%，即160正常和160异常，一共320条数据；测试集为40正常和40异常，一共80条数据。 2、构建一维CNN-LSTM模型。 3、训练。 4、测试，输出准确率，并绘制混淆矩阵。 注：包括程序和两个数据文件，可以直接运行。 注释详细。 考虑到Matlab搭建1D CNN-LSTM模型的教程较少，此程序是为了方便学习怎么搭建网络、测试等等，使用的数据量较少，并且数据本身也易于分类，换成自己的数据时需要根据实际情况调整网络，也可有偿帮忙替换数据。

首先，这个代码需要Matlab 2022版本，2021可能也行，但2020以下肯定不行。所以，如果你还在用老版本，建议先升级一下。

1. 加载数据

数据一共400个样本，200个正常，200个异常。训练集占80%，也就是160正常和160异常，总共320条数据；测试集是40正常和40异常，总共80条数据。数据文件已经准备好了，直接加载就行。

% 加载数据
load('normal_data.mat'); % 正常样本
load('abnormal_data.mat'); % 异常样本

% 合并数据
data = [normal_data; abnormal_data];
labels = [ones(size(normal_data, 1), 1); zeros(size(abnormal_data, 1), 1)];

% 划分训练集和测试集
cv = cvpartition(size(data, 1), 'HoldOut', 0.2);
trainData = data(cv.training, :);
trainLabels = labels(cv.training, :);
testData = data(cv.test, :);
testLabels = labels(cv.test, :);

2. 构建1D CNN-LSTM模型

接下来是构建模型。1D CNN-LSTM模型结合了CNN的特征提取能力和LSTM的时间序列处理能力，非常适合处理一维信号。

layers = [
    sequenceInputLayer(1) % 输入层，1维信号
    convolution1dLayer(3, 16, 'Padding', 'same') % 1D卷积层，3个滤波器，16个通道
    reluLayer % ReLU激活函数
    maxPooling1dLayer(2, 'Stride', 2) % 最大池化层
    lstmLayer(50, 'OutputMode', 'sequence') % LSTM层，50个隐藏单元
    fullyConnectedLayer(2) % 全连接层，2个输出（二分类）
    softmaxLayer % Softmax层
    classificationLayer]; % 分类层

这里用了1D卷积层提取特征，然后通过LSTM层处理时间序列信息，最后用全连接层和Softmax层进行分类。

3. 训练模型

模型构建好后，就可以开始训练了。这里用了trainingOptions来设置训练参数。

options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.001, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

net = trainNetwork(trainData, trainLabels, layers, options);

训练过程会显示在Matlab的训练进度图中，方便观察模型的学习情况。

4. 测试模型

训练完成后，用测试集来评估模型的性能。输出准确率，并绘制混淆矩阵。

% 测试模型
predictedLabels = classify(net, testData);

% 计算准确率
accuracy = sum(predictedLabels == testLabels) / numel(testLabels);
disp(['Test Accuracy: ', num2str(accuracy)]);

% 绘制混淆矩阵
confusionchart(testLabels, predictedLabels);

混淆矩阵能直观地展示分类结果，看看模型在正常和异常样本上的表现如何。

总结

这个代码虽然数据量不大，但非常适合学习如何用Matlab搭建1D CNN-LSTM模型。如果你有自己的数据，可以根据实际情况调整网络结构。当然，如果你觉得麻烦，也可以有偿帮忙替换数据。

总的来说，1D CNN-LSTM模型在处理一维信号分类问题上表现不错，尤其是像语音、心电图这种时间序列数据。希望这个代码能帮到你，如果有问题，欢迎交流！