本文來源于MATLAB例程：Classify Time Series Using Wavelet Analysis and Deep Learning
關(guān)鍵詞：ECG 遷移學(xué)習(xí) GoogLeNet
實(shí)驗(yàn)環(huán)境
- 軟件部分
本人使用的是MATLAB 2018b。官方文檔提到GoogLeNet，AlexNet分別是在MATLAB 2017b歼捏、MATLAB 2017a版本引入的。
此實(shí)驗(yàn)必備的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
其中栅贴，兩個(gè)support package可能需要登錄MATLAB賬號才能下載，注冊一個(gè)即可熏迹。
- 硬件部分
這里我用的是顯卡是NVIDIA Geforce RTX 2080檐薯。實(shí)驗(yàn)可以用CPU跑，但最好還是使用GPU注暗，快的不是一丁半點(diǎn)坛缕。
數(shù)據(jù)集
共計(jì)162條數(shù)據(jù)，下載地址捆昏，請點(diǎn)擊鏈接
讀取數(shù)據(jù)
代碼如下：
dir = 'E:\Transfer_learning\ECG\ECG_Matlab\ECGdata';
load(fullfile(dir,'ECGData.mat'));
parentDir = dir;
dataDir = 'data';
helperCreateECGDirectories(ECGData,parentDir,dataDir)
讀入數(shù)據(jù)后赚楚，工作空間生成了名為ECGdata的結(jié)構(gòu)數(shù)組，如下圖骗卜。Data為162?65536維宠页，即162條數(shù)據(jù)左胞，每條數(shù)據(jù)時(shí)長為512s，采樣率為128Hz举户。Labels存儲了每條數(shù)據(jù)的標(biāo)簽罩句。
顯示原始數(shù)據(jù)
借助helperPlotReps()函數(shù)，繪制原始數(shù)據(jù)敛摘，如圖。
特征提取
這里主要使用cwtfilterbank函數(shù)乳愉，將原始的一維心電信號通過連續(xù)小波變換（CWT）轉(zhuǎn)換為時(shí)頻域表達(dá)兄淫，即scalograms。代碼和示例圖如下：
%時(shí)頻域表達(dá)蔓姚，CWT連續(xù)小波變換
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)')
%生成各個(gè)病種的RGB圖像捕虽，尺寸為224?224?3
helperCreateRGBfromTF(ECGData,parentDir,dataDir)
數(shù)據(jù)集的劃分
%劃分訓(xùn)練與測試數(shù)據(jù)集
allImages = imageDatastore(fullfile(parentDir,dataDir),...
'IncludeSubfolders',true,...
'LabelSource','foldernames');
% 80%作為訓(xùn)練，其余作為測試坡脐，隨機(jī)種子設(shè)為默認(rèn)泄私，以便可重復(fù)。
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))]);
加載GoogLeNet并進(jìn)行訓(xùn)練
GooLeNet
net = googlenet;
lgraph = layerGraph(net);
numberOfLayers = numel(lgraph.Layers);
figure('Units','normalized','Position',[0.1 0.1 0.8 0.8]);
plot(lgraph)%繪制結(jié)構(gòu)圖
title(['GoogLeNet Layer Graph: ',num2str(numberOfLayers),' Layers']);
GoogLeNet模型的參數(shù)修改
GoogleNet是使用ImageNet訓(xùn)練的對于1000分類的深層CNN網(wǎng)絡(luò)备闲，這里最后四層修改為針對三分類問題的輸出晌端。
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) %全連接層，這里numClasses為3
softmaxLayer('Name','softmax')
classificationLayer('Name','classoutput')];
lgraph = addLayers(lgraph,newLayers);
lgraph = connectLayers(lgraph,'pool5-7x7_s1','newDropout');
inputSize = net.Layers(1).InputSize;
模型超參數(shù)設(shè)置及訓(xùn)練
參數(shù)設(shè)置和訓(xùn)練結(jié)果如下恬砂，最終的正確率為90.625%咧纠。ps.例程中做的訓(xùn)練過程動態(tài)圖真的太贊了！
options = trainingOptions('sgdm',...
'MiniBatchSize',15,...
'MaxEpochs',20,...
'InitialLearnRate',1e-4,...
'ValidationData',imgsValidation,...
'ValidationFrequency',10,...
'ValidationPatience',Inf,...
'Verbose',1,...
'ExecutionEnvironment','gpu',...
'Plots','training-progress');
例程中后面的內(nèi)容不再贅述泻骤，主要是探討網(wǎng)絡(luò)內(nèi)部的結(jié)構(gòu)漆羔。和下圖所示的人臉識別的很相似。
底層網(wǎng)絡(luò)：各種邊緣結(jié)構(gòu)
中層網(wǎng)絡(luò)：眼睛狱掂，鼻子演痒，嘴巴等局部特征
高層網(wǎng)絡(luò)：將局部特征組合，得到各種人臉特征
后記
本文實(shí)驗(yàn)是將ECG轉(zhuǎn)換為二維的時(shí)頻域圖作為網(wǎng)絡(luò)輸入趋惨，在arXiv上瀏覽文獻(xiàn)發(fā)現(xiàn)有一篇文章做的工作很相似鸟顺，貼在這里，是基于DenseNet做的遷移器虾。
ECG Arrhythmia Classification Using Transfer Learning from 2-Dimensional Deep CNN Features
