进行二分类源程序。 也...)
Matlab使用LSTM或BiLSTM对一维信号(语音信号、心电信号等)进行二分类源程序。 也可以改成多分类。 包含数据和代码，数据可以直接替换为自己的数据。 如果用BiLSTM，程序中只需要把lstmlayer改为bilstmlayer即为BiLSTM网络，其他地方不需要任何改动。 注释详细，包教会和运行，后续有问题会积极解答。 工作如下： 1、加载数据集，一共为400个样本(正常200异常200)；选80％做为训练集(共320样本，160正常160异常)，剩余20%作为测试集(共80样本，40正常40异常)。 2、构建LSTM网络，层数为两层。 3、构建优化器options。 4、训练。 5、测试，计算准确率，绘制混淆矩阵。 注：考虑到Matlab用LSTM分类一维信号的教程较少，此程序只用做帮助学习如何调整输入数据格式和LSTM网络构建等，使用的样本量较少且样本容易区分，换成自己的数据时可能需要调整网络的参数来得到最佳结果。
最近在折腾Matlab的LSTM分类任务，发现网上关于一维信号处理的实战案例确实不多。今天咱们直接上硬菜，手把手教你用语音/心电这种单通道信号玩二分类（改改标签就能多分类）。先看效果：实测这个demo在简单数据集上能达到95%+准确率，重点是把数据预处理和网络结构的坑都踩平了。
先看数据准备部分。假设你的数据是400个.mat文件（正常200+异常200），每个文件存着1×N的时序信号。咱们用这个骚操作批量加载：
% 暴力加载数据 dataDir = '你的数据文件夹'; fileList = dir(fullfile(dataDir, '*.mat')); allSignals = cell(1,400); labels = categorical([]); for i = 1:length(fileList) load(fullfile(dataDir, fileList(i).name), 'signal'); allSignals{i} = signal; % 假设文件名包含类别，比如normal_001.mat labels(i) = contains(fileList(i).name, 'normal') ? 'normal' : 'abnormal'; end关键来了！LSTM需要的输入格式是numFeatures×numTimeSteps×numObs，但一维信号每个样本长度可能不同。这时候需要做填充（pad）或者截断。建议先统一长度：
% 统一信号长度到1000点（根据自己数据调整） maxLen = 1000; for i=1:400 if length(allSignals{i}) < maxLen allSignals{i} = [allSignals{i} zeros(1,maxLen-length(allSignals{i}))]; else allSignals{i} = allSignals{i}(1:maxLen); end end X = cat(3, allSignals{:}); % 变成1×1000×400网络结构是灵魂，两层LSTM这么搭：
numFeatures = 1; % 一维信号 numHiddenUnits = 100; % 玄学参数，自己调 layers = [... sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits, 'OutputMode','sequence') dropoutLayer(0.5) % 防过拟合大法 lstmLayer(numHiddenUnits, 'OutputMode','last') fullyConnectedLayer(2) % 二分类输出 softmaxLayer classificationLayer];想换BiLSTM？直接把第一个lstmLayer换成bilstmLayer，其他纹丝不动。这就是Matlab的香处～
训练参数设置直接影响收敛速度：
options = trainingOptions('adam', ... 'MaxEpochs',30, ... 'MiniBatchSize',32, ... 'Shuffle','every-epoch', ... 'ValidationData',{XVal, YVal}, ... 'Plots','training-progress', 'Verbose',false); % 关掉话痨模式重点说下数据划分的坑！直接随机分会导致某些异常样本全在测试集。必须用分层抽样：
cv = cvpartition(labels, 'HoldOut', 0.2); XTrain = X(:,:,cv.training); XTest = X(:,:,cv.test);训练完别急着收工，上混淆矩阵看看细节：
[YPred, scores] = classify(net, XTest); plotconfusion(YTest, YPred) title(['Accuracy: ',num2str(mean(YPred==YTest)*100),'%'])常见翻车现场：
- 报错"输入维度不对" → 检查X是不是1×时间步×样本数
- 准确率卡在50% → 可能没打乱数据，正常/异常样本顺序排列
- 训练loss震荡 → 尝试减小学习率，加BN层
最后说句实在话：这个demo的参数（像隐藏单元数、dropout率）在你自己数据上肯定得调。比如心电信号可能需要更大的窗口，语音信号可能需要加MFCC特征。记住，没有万能参数，只有最适合你数据的参数。
