项目介绍 MATLAB实现基于长短期记忆网络（LSTM）进行心电图（ECG）信号分类（含模型描述及部分示例代码）专栏近期有大量优惠还请多多点一下关注加油谢谢你的鼓励是我前行的动力谢谢支持加

xiaoxingkongyuxi

481人浏览 · 2026-06-04 10:40:52

xiaoxingkongyuxi · 2026-06-04 10:40:52 发布

MATLAB实现基于长短期记忆网络（LSTM）进行心电图（ECG）信号分类的详细项目实例

请注意此篇内容只是一个项目介绍更多详细内容可直接联系博主本人

或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

心电图信号分类是生物医学信号处理中的核心任务之一，直接关系到心血管疾病的早期筛查、临床诊断辅助、长期健康监测以及智能可穿戴设备的风险预警能力。心电图能够连续记录心脏电活动的变化，包含窦性心律、房性早搏、室性早搏、传导阻滞、心房颤动等多种节律信息。与静态影像、单次血液检测相比，心电图的时间序列属性更强，信号形态会随着个体差异、年龄、体位、运动状态、导联位置、呼吸节律、噪声干扰而发生变化，因此分类任务既要求模型具备对局部波形细节的敏感性，也要求模型能够理解长时间范围内的节律演化规律。传统方法通常依赖人工特征工程，例如提取R波间期、QRS波宽、P波时长、ST段偏移、频域统计量、形态学描述符等，再通过支持向量机、随机森林、朴素贝叶斯、K近邻等分类器完成识别。这类方法在特定数据集上可取得较好效果，但其性能高度依赖特征设计质量，面对噪声、个体差异和复杂病理形态时，泛化能力容易受限，且难以覆盖真实临床环境中的多样性。

长短期记忆网络属于循环神经网络的重要分支，针对普通循环网络在长序列训练中容易出现梯度消失与梯度爆炸的问题，借助输入门、遗忘门、输出门以及记忆单元的协同机制，能够在时间维度上保留更稳定的上下文信息。对于心电图分类而言，LSTM特别适合建模连续采样点之间的依赖关系，因为心电波形不仅是单个峰值的组合，更体现为P波、QRS波群、T波以及它们之间间期结构的整体变化。一个心搏片段中的关键诊断价值往往不在某个孤立采样点，而在多个周期内的模式重复程度、节律规则性、波形连续变化趋势以及异常出现位置。LSTM能够将这种前后文关系编码到隐状态中，从而在分类时获得更丰富的序列表达能力。尤其在实时监测场景中，模型可对滑动窗口内的ECG片段持续输出类别预测，支持异常事件的快速预警。

MATLAB在工程实现方面具有较强优势，特别适合生物医学信号处理的原型搭建、算法验证、可视化分析和批量实验。其信号处理工具箱、深度学习工具箱以及图形界面开发能力，使得从数据读取、清洗、预处理、特征组织、网络搭建、训练评估到结果展示的整个流程能够在统一环境中完成。对于ECG分类这种兼具时序建模与工程部署需求的任务，MATLAB既可以快速完成研究级实验，也可以输出稳定的模型结构与可复现实验流程。基于MATLAB实现LSTM心电图分类项目，能够将理论方法、数据处理、网络训练与结果验证整合为一个完整闭环，既适合科研验证，也适合教学展示、医疗算法原型开发以及后续嵌入式部署的前期探索。

从应用价值看，ECG分类模型的意义不仅在于提升单次识别准确率，更在于帮助医疗系统实现自动化、连续化和低成本的健康管理。传统人工判读需要大量专业资源，且在大规模筛查时效率有限；而自动分类系统可在数秒内处理海量数据，辅助医生聚焦高风险样本，提高诊疗效率。对于居家监测、移动医疗和远程随访场景，LSTM模型可以结合穿戴设备采集到的连续心电数据，对异常心律进行早期识别，减少漏检与延迟处理的风险。对于科研场景，该项目还可进一步延展到多导联融合、跨数据库泛化、少样本学习、噪声鲁棒学习、类别不平衡处理以及可解释性分析等方向，形成更具研究深度和工程落地能力的完整方案。

项目目标与意义

目标一：构建高质量ECG时序分类流程

项目首先关注从原始心电图信号到可训练序列样本的完整处理链路。ECG原始数据通常包含基线漂移、高频肌电噪声、电源干扰、导联接触波动以及采样不齐整等问题，因此需要对信号进行滤波、归一化、分段、长度对齐和标签整理。通过构建标准化流程，可保证输入到LSTM网络的数据具备统一尺度与稳定格式，使模型真正学习到心电波形中的病理规律，而不是被噪声和幅值差异干扰。该目标的意义在于，为后续建模提供可信的数据基础，也为不同数据集之间的横向比较奠定统一规范。对真实应用而言，输入数据质量往往决定最终分类上限，因此高质量预处理是整个系统可靠运行的前提。

目标二：利用LSTM学习心电节律依赖关系

LSTM的核心目标并非替代所有传统方法，而是针对ECG的时间依赖特征建立更强的表示能力。心电信号中的异常通常具有前后关联，例如心律失常的出现常伴随RR间期不规则、QRS波形异常增宽或局部节律突变。LSTM可在较长时间窗口内捕获这些动态信息，从而对不同类型节律做出更细致区分。项目通过构建多层LSTM网络，使模型既能学习短时波形形态，也能理解更长时间范围内的节律模式变化。该目标的意义在于减少对人工特征设计的依赖，提高模型面对复杂波形时的表达能力，并为后续多类别细分诊断提供更强基础。

目标三：提升分类性能与泛化稳定性

真实医疗数据分布常存在类别不均衡、个体差异显著、异常样本稀少、噪声水平不一致等问题，因此单纯追求训练集高准确率并不具备实际价值。项目将重点关注交叉验证、独立测试集评估、混淆矩阵分析、宏平均指标、召回率、精确率和F1值等综合表现，避免模型只偏向多数类。通过合理划分训练、验证和测试集，并结合早停、正则化、学习率调度、梯度裁剪等训练策略，可以增强模型稳定性，减少过拟合，提升在未知样本上的泛化表现。该目标的意义在于使分类系统具备更接近临床落地的可信度，而非仅仅停留在实验室内部结果。

目标四：形成可扩展的MATLAB实现框架

项目不仅追求单次实验的效果，更注重形成可扩展、可维护、可复现实验框架。利用MATLAB环境，可以将数据导入、绘图分析、模型训练、预测评估、误分类检查、结果导出等步骤组织成结构化流程，便于后续替换数据集、增减类别、尝试不同网络结构或引入注意力机制。该目标的意义在于构建一个可持续迭代的研究平台，使心电分类任务能够逐步扩展到多导联融合、跨域迁移、实时推断等更复杂方向，为后续工程优化与科研拓展提供基础。

项目挑战及解决方案

挑战一：心电信号噪声复杂且分布不稳定

ECG数据并非理想化规则波形，真实采集环境中常混入多种干扰。基线漂移会影响低频部分，肌电噪声会破坏局部形态，工频干扰会引入周期性振荡，而导联接触不良又会造成突发尖峰或段落缺失。若直接将原始数据输入网络，模型容易学习到噪声模式而非医学特征，导致训练结果表面上较高，实际效果却不稳定。针对这一问题，解决方案是先进行带通滤波或小波降噪，再对每段信号进行标准化处理，使幅值分布收敛到较一致范围；同时通过统一长度切片和异常片段剔除，减少输入端的随机扰动。这样处理后，LSTM获得的序列更纯净，能够集中关注真正与诊断相关的时序结构，提高模型鲁棒性与可解释性。

挑战二：类别不平衡与病理样本稀缺

医疗心电数据库常存在明显类别不平衡问题，正常节律样本数量远多于异常节律，而某些罕见心律失常样本则极少。这会使模型训练时偏向多数类，表现为整体准确率看似不错，但少数病理类别召回率很低，临床价值受限。解决方案包括类别重采样、样本权重调整、分层划分数据集以及采用更适合不均衡问题的评价指标。训练阶段可通过增加少数类采样概率、设置类别代价或使用分层批处理减少偏置；评估阶段则不能只看总准确率，而应结合每类召回率、宏平均F1以及混淆矩阵观察错误分布。通过这种方式，模型能够更公平地学习各类别特征，减少对常见类别的过度拟合，提升异常检出能力。

挑战三：序列长度变化与模型训练稳定性

心电片段长度可能由于采样窗口设置、心搏分割位置、预处理规则不同而出现变化，而LSTM对输入序列长度和训练超参数较为敏感。若序列过短，可能不足以呈现完整心动周期；若序列过长，训练成本会上升，梯度传播难度增加，且无关信息会稀释关键特征。针对这一挑战，解决方案是统一窗口长度，优先采用对诊断意义较强的固定长度片段，并通过重采样或补零方式对齐；训练时加入梯度裁剪、适度隐藏单元规模、早停监控验证集损失和学习率衰减策略，降低训练振荡风险。对于长序列任务，还可采用双向LSTM或多层LSTM增强上下文理解能力。通过这些措施，能够在计算成本、训练稳定性和分类性能之间取得平衡。

项目模型架构

一、信号输入与数据组织层

该层负责将心电图原始数据转化为适合深度学习输入的格式。ECG在MATLAB中通常以向量或矩阵存储，每段样本代表一个固定时间窗中的时序序列。输入层的关键是保持时间顺序不被打乱，因为LSTM依赖连续时间点之间的状态传递。对于每个样本，信号一般整理为特征维度乘时间步长的形式，多导联场景可将多个导联作为多个特征通道，单导联场景则每个时间点对应一个特征值。该层的原理是通过结构化数据组织，把连续波形映射为网络可读的序列张量，从而为后续门控记忆学习提供输入基础。若使用MATLAB深度学习接口，通常会以 cell 数组形式保存不同长度样本，或以三维数组表达统一长度序列，保证网络训练阶段能按时间维度逐步展开。

二、预处理与归一化层

预处理层的目标是增强信号质量并统一数值范围。心电图中低频漂移、高频噪声和幅值差异会显著影响网络学习，因此常见做法是先进行滤波，再进行标准化或归一化处理。滤波部分可采用带通滤波器保留心电主要频段，抑制过低频基线漂移和过高频噪声；归一化部分常使用z-score标准化，使每段样本均值接近0、方差接近1，避免某些幅值较大的样本在梯度更新中占据过大权重。该层的基本原理是压缩无关统计波动、保留病理相关形态信息，让模型更专注于波形结构而非绝对幅值。对于LSTM而言，输入尺度一致可改善梯度传播，使门控机制更稳定地捕捉时间依赖。

三、LSTM时序编码层

LSTM是整个架构的核心，负责对输入序列进行动态记忆建模。其内部包含遗忘门、输入门、输出门与细胞状态。遗忘门决定当前时刻需要保留多少历史信息，输入门控制新信息写入程度，输出门负责从记忆中读取对当前任务有用的部分。与普通RNN相比，LSTM能够通过门控机制缓解长序列训练中的梯度衰减问题，特别适合心电这类需要同时关注局部波形与长程节律的任务。一个异常心搏的判定往往不只依赖某个采样点，而要结合前后若干心搏之间的相对关系，因此LSTM可以在多个时间步积累上下文特征，形成更具诊断意义的时序表示。堆叠多层LSTM时，底层偏向学习局部波形模式，高层偏向学习抽象节律模式，使分类边界更加清晰。

四、全连接映射与分类层

LSTM输出的隐藏状态需要映射到最终类别空间，因此通常接入全连接层和Softmax分类层。全连接层的作用是把时序编码后的高维表示转换为类别判别所需的线性组合特征，Softmax则将输出分数归一化为各类别概率，便于模型给出最终分类结果。若任务为二分类，可输出正常与异常两类；若任务为多分类，则可扩展到不同类型心律失常。其基本原理是通过线性变换与概率归一化建立类别决策边界，使模型在训练过程中最小化交叉熵损失。该层虽结构简单，却承担着最终判别角色，直接决定不同病理类型的区分效果，因此参数初始化、类别平衡和正则化策略都会影响最终表现。

五、训练优化与评估层

训练优化层负责通过反向传播调整网络参数，使预测结果逐渐逼近真实标签。该过程通常采用Adam优化器，它结合自适应学习率和一阶、二阶动量估计，适合处理非平稳时序数据。为提升训练稳定性，可引入梯度裁剪、早停、学习率衰减与验证集监控。评估层则通过准确率、混淆矩阵、召回率、精确率、F1值和AUC等指标综合衡量模型效果。对于医疗分类任务，单一准确率不够充分，因为不同类别的漏检和误检代价不同，因此评估层的基本原理是从多个角度刻画模型识别能力，确保系统不仅在统计意义上有效，也在临床风险控制上具有实际参考价值。

项目模型描述及代码示例

一、原始ECG数据读取与基础检查
clear; % 清空工作区变量，避免旧数据干扰当前实验
clc; % 清空命令行窗口，便于查看新输出
close all; % 关闭全部图窗，防止历史图形影响当前显示
dataFile = "ecg_dataset.mat"; % 指定ECG数据文件路径，便于统一管理数据源
S = load(dataFile); % 读取MAT文件，获取其中保存的变量结构体
disp(fieldnames(S)); % 显示数据文件中的变量名称，便于确认数据组织方式
X = S.X; % 取出信号数据变量X，通常为样本集合
Y = S.Y; % 取出标签变量Y，通常为类别标记
numObs = numel(Y); % 统计样本数量，用于后续划分训练集与测试集
classNames = unique(Y); % 获取类别名称，用于检查是否存在类别不平衡
fprintf("样本数量: %d\n", numObs); % 输出样本总数，便于核对数据规模
fprintf("类别数量: %d\n", numel(classNames)); % 输出类别数，确认任务类型是二分类还是多分类
二、信号预处理与长度统一
targetLen = 256; % 设定统一序列长度，便于LSTM接收固定尺寸输入
Xproc = cell(size(X)); % 创建预处理后样本容器，保持与原样本数量一致
for i = 1:numel(X) % 遍历每一个ECG样本
    xi = X{i}; % 取出第i段原始心电信号
    xi = double(xi(:)); % 转为列向量并统一为双精度，保证数值计算稳定
    xi = fillmissing(xi,"linear"); % 对缺失点进行线性补全，降低采样断点影响
    xi = bandpass(xi,[0.5 40],250); % 带通滤波保留主要心电频段，抑制基线漂移和高频噪声
    xi = resample(xi,targetLen,numel(xi)); % 重采样到统一长度，便于批量训练
    xi = (xi - mean(xi)) / (std(xi) + eps); % 标准化处理，消除幅值尺度差异
    Xproc{i} = xi'; % 转为行向量存入容器，符合序列输入组织习惯
end % 完成全部样本的预处理
三、训练集、验证集与测试集划分
cv1 = cvpartition(Y,"HoldOut",0.2); % 按20%比例划分测试集，保证独立评估
idxTrainVal = training(cv1); % 获取训练验证集合索引
idxTest = test(cv1); % 获取测试集索引
XTrainVal = Xproc(idxTrainVal); % 提取训练验证样本
YTrainVal = Y(idxTrainVal); % 提取训练验证标签
XTest = Xproc(idxTest); % 提取测试样本
YTest = Y(idxTest); % 提取测试标签
cv2 = cvpartition(YTrainVal,"HoldOut",0.2); % 从训练验证集中再划分验证集
idxTrain = training(cv2); % 获取最终训练集索引
idxVal = test(cv2); % 获取最终验证集索引
XTrain = XTrainVal(idxTrain); % 最终训练样本
YTrain = YTrainVal(idxTrain); % 最终训练标签
XVal = XTrainVal(idxVal); % 最终验证样本
YVal = YTrainVal(idxVal); % 最终验证标签
四、LSTM网络结构搭建
numFeatures = 1; % 单导联ECG每个时间点只有一个特征
numClasses = numel(categories(categorical(YTrain))); % 根据训练集类别数量确定输出维度
layers = [ % 定义神经网络层序列
    sequenceInputLayer(numFeatures,"Name","input") % 序列输入层，接收一维时序信号
    lstmLayer(128,"OutputMode","last","Name","lstm1") % 第一层LSTM，提取时序依赖并输出最后时刻特征
    dropoutLayer(0.2,"Name","drop1") % Dropout抑制过拟合，提升泛化能力
    lstmLayer(64,"OutputMode","last","Name","lstm2") % 第二层LSTM，进一步编码更高层时序特征
    fullyConnectedLayer(numClasses,"Name","fc") % 全连接层映射到类别空间
    softmaxLayer("Name","softmax") % Softmax输出类别概率
    classificationLayer("Name","output")]; % 分类损失层，使用交叉熵优化
五、训练参数设置与模型训练
YTrain = categorical(YTrain); % 将训练标签转为categorical，符合分类网络要求
YVal = categorical(YVal); % 将验证标签转为categorical，保持类型一致
YTest = categorical(YTest); % 将测试标签转为categorical，便于统一评估
options = trainingOptions("adam", ... % 选择Adam优化器，适合复杂时序模型训练
    "MaxEpochs",60, ... % 设置最大训练轮数，控制训练时长
    "MiniBatchSize",32, ... % 设置小批量大小，提高梯度估计稳定性
    "InitialLearnRate",1e-3, ... % 设置初始学习率，兼顾收敛速度与稳定性
    "Shuffle","every-epoch", ... % 每轮打乱样本，减少顺序偏置
    "ValidationData",{XVal,YVal}, ... % 指定验证集，用于监控泛化性能
    "ValidationFrequency",20, ... % 设置验证频率，及时观察训练状态
    "Verbose",false, ... % 关闭冗余训练输出，提升日志可读性
    "Plots","training-progress", ... % 打开训练过程图形监控损失与准确率
    "GradientThreshold",1); % 进行梯度裁剪，避免梯度爆炸
net = trainNetwork(XTrain,YTrain,layers,options); % 使用训练数据拟合LSTM分类模型
六、模型预测、评估与混淆矩阵显示
YPred = classify(net,XTest); % 对测试集进行类别预测
testAcc = mean(YPred == YTest); % 计算测试集准确率
fprintf("测试集准确率: %.2f%%\n", testAcc*100); % 输出准确率结果，便于快速查看性能
figure; % 新建图窗用于显示混淆矩阵
cm = confusionchart(YTest,YPred); % 绘制真实标签与预测标签混淆矩阵
cm.Title = "ECG分类混淆矩阵"; % 设置混淆矩阵标题
cm.RowSummary = "row-normalized"; % 按行归一化显示召回分布
cm.ColumnSummary = "column-normalized"; % 按列归一化显示精确率分布
colormap(gcf,turbo); % 使用turbo色图增强可视化效果，符合R2025b的显示方式