简介：面向医学数据分析与生物医学信号处理学习者，这份资源提供了一套基于Python和MATLAB的心电图（ECG）分类实现，覆盖数据预处理（如去噪、滤波、基线漂移校正）、特征提取（如RR间隔、QT间期等）、分类模型构建与评估的完整流程，适合需要动手实践心律失常、心肌梗塞等分类任务的初学者和研究人员。包内共825个文件，其中.py和.m脚本分别对应Python和MATLAB的实现流程，用于完成信号处理与模型训练；.dat/.hea/.atr等文件为ECG原始信号及标注数据，提供实验输入；其余为WFDB工具、说明文档等辅助内容，整体压缩后约6.25MB，目录结构清晰，便于按模块查阅。已有445人学习下载。资源既可用于理解ECG信号P波、QRS波群、T波形态分析与SVM、随机森林等机器学习方法的结合应用，也可作为二次开发的基础工程，帮助读者快速上手生物医学信号处理项目。
1. 拿到 ecg_classification-master.zip 先别急着解压：这个 ECG 分类包到底要解决什么
看到 ecg_classification-master.zip 这个名字，核心信息其实已经够清楚了：这是一个 ECG 分类项目，压缩包里大概率同时提供 Python 和 Matlab 两条实现路径，数据文件多半是 .mat 格式。很多人拿到压缩包的第一反应是解压后直接找 main.py 或 run_demo.m，但真正能落地的 ECG 分类流程，恰恰是先把 .mat 里的数据结构读懂、把滤波和心拍分段做对，再谈模型选型。这不是一个纯算法竞赛题，而是一个“信号处理 + 分类模型”的工程任务。适合正在做心电方向毕设的学生，也适合医疗算法岗的入门者，目标都是同一件事：把原始心电信号变成能判断异常类别的结果，并且这个结果要可复现、可解释、能迁移到没有见过的新数据上。
2. 从 .mat 到特征矩阵：ECG 信号的读取、滤波与分段
2.1 用 Python 读 .mat 心电数据：scipy.io 与字段检查
先解决数据入口。这类项目里的 .mat 文件通常是 Matlab 保存的结构体或矩阵，里面可能同时包含原始信号、采样率、心拍标签或者患者编号。用 Python 读取时，第一件事不是直接跑模型，而是把顶层字段打印出来逐个检查。常见做法是用 scipy.io.loadmat，它会把 .mat 文件解析成一个字典，Matlab 写入的版本信息会放在以双下划线开头的键里，剩下的才是我们真正要用的数据字段。
import scipy.io as sio import numpy as np # 读取 ecg_classification 数据包中的 .mat 文件 data = sio.loadmat('sample_ecg.mat') # 打印顶层字段，确认变量名和维度 for key, value in data.items(): if not key.startswith('__'): print(key, value.shape)这段代码的作用是“看一眼箱子里有什么”。loadmat 返回的字典里，像 ecg、fs、label 这类字段才是信号和标签；而header、version、globals是 Matlab 自动附加的元数据，直接过滤掉。打印出来之后，通常会看到 ecg 是 (1, N) 或 (N, 1) 的矩阵，fs 是标量，label 可能是 (M,) 的类别编号数组。确认字段名之后，再取出信号并整理成一维数组。
ecg = data['ecg'].squeeze() # 去掉 Matlab 矩阵中的单例维度 fs = int(data['fs'].squeeze()) # 采样率，常见取值 250 Hz 或 360 Hz labels = data['label'].squeeze() # 每条样本对应的类别标签 print('采样率:', fs, '信号长度:', ecg.shape, '标签数:', labels.shape)这里的 .squeeze() 是个容易忽略但很重要的动作。Matlab 保存的一维数组在 Python 里往往是 (1, N) 的二维矩阵，不压缩的话后面所有按一维信号写的滤波和 R 峰检测都会报维度错误。fs 转成 int 是因为 scipy 的滤波器函数要求采样率是数值类型，如果是 numpy 数组，部分接口会警觉地拒绝计算。采样率是后续一切时间窗换算的基础，所以在读取阶段就固定成整数，后面不会反复踩坑。
如果 .mat 文件是 Matlab R2018a 之后默认保存的 v7.3 格式，scipy.io.loadmat 会直接抛异常，提示需要 HDF 读取器。这时候不要硬刚 scipy，换成 h5py 读取即可，具体做法我在第 5 章避坑部分展开。这里先记住一个原则：任何 .mat 文件读进来，第一步永远是打印字段和维度，而不是直接画图或跑分类。
2.2 滤波与 R 峰检测：为什么第一步不是分类而是去噪
原始心电信号直接送进分类器，效果通常很一般，原因不是分类器不行，而是信号里混着三类噪声：呼吸和电极移动造成的基线漂移、50/60Hz 工频干扰、肌肉收缩产生的肌电干扰。基线漂移主要集中在 0.5Hz 以下，肌电干扰主要在高频段，所以一个 0.5Hz 到 45Hz 的带通滤波器就能把大部分噪声挡在门外。这里建议用零相位滤波，也就是 filtfilt 而不是 lfilter，因为普通滤波会产生相位偏移，QRS 波群的位置会被移动，后面 R 峰检测就会误差累积。
from scipy.signal import butter, filtfilt def bandpass(ecg, fs, low=0.5, high=45.0, order=4): nyq = fs / 2.0 b, a = butter(order, [low / nyq, high / nyq], btype='band') return filtfilt(b, a, ecg, padlen=150) # 对原始心电信号做带通滤波 ecg_f = bandpass(ecg, fs, low=0.5, high=45.0)参数说明：butter 的 order 取 4 是实践里比较稳的选择，阶数太低滤波不干净，阶数太高会引入数值不稳定；low 和 high 分别对应带通的上下截止频率，心电信号的有效能量基本集中在这个区间。filtfilt 的 padlen 参数控制边缘填充长度，默认值偶尔会在信号首尾造成明显的振铃，手动设成 150 个采样点能缓解一部分边缘效应。滤波之后，信号首尾各一小段会失真，后面的心拍分段要主动跳过这些位置。
滤波之后做 R 峰检测。经典做法是 Pan-Tompkins 算法，通过差分、平方和滑动积分定位 QRS 波群，但在工程实现上，先用一个带通滤波加自适应阈值，再用 find_peaks 找局部极大值，已经能在大多数公开心电数据上取得可接受的效果。关键是两个参数：height 定幅度阈值，distance 规定两个 R 峰之间的最小采样点数。
from scipy.signal import find_peaks # 幅度归一化，便于统一阈值 ecg_norm = ecg_f / np.max(np.abs(ecg_f)) # 设置幅度阈值和最小 R-R 间隔 thr = 0.6 min_rr = int(0.25 * fs) # 250ms，正常人最快心率约 240bpm peaks, props = find_peaks(ecg_norm, height=thr, distance=min_rr) print('检测到 R 峰数量:', len(peaks))distance 参数是我最建议调的一个。如果不设置，find_peaks 会把 T 波甚至噪声尖刺当成 R 峰，因为 T 波幅度在某些导联上并不低。0.25 秒的最小间隔对应 240bpm 的心率上限，正常心电数据不会超过这个值，所以这个参数足够安全。height 用 0.6 是在归一化信号上的经验值，如果数据噪声较大，可以降到 0.4 再看检测数量是否合理。
检测到 R 峰之后，下一步就是以每个 R 峰为中心截取心拍片段。这是 ECG 分类里“一个样本一个心拍”的标准做法，后面特征提取和分类模型都基于这些长度固定的片段。
window = int(0.5 * fs) # 每个心拍取 R 峰前后各 0.25 秒 half = window // 2 segments, seg_labels = [], [] for idx in peaks: if idx - half < 0 or idx + half > len(ecg_f): continue seg = ecg_f[idx - half: idx + half] segments.append(seg) # 如果标签是以心拍为单位，这里直接取对应标签 seg_labels.append(labels[idx]) # 根据实际标签结构调整 print('得到心拍片段数:', len(segments), '每个片段长度:', window)窗口长度取 0.5 秒，是因为一个完整心拍从 P 波到 T 波结束大约持续 0.4 到 0.6 秒，0.5 秒能覆盖主要形态同时不把相邻心拍卷进来。如果原始标签是按记录或者按时间段给的，seg_labels 的取法需要对应调整，这也是后面标签错位问题的源头之一。到这里，数据就从一条连续心电信号变成了一个形状为 (N, window) 的样本矩阵，下一步就是特征工程。
3. Python 与 Matlab 双路实现：特征工程与分类模型怎么选
3.1 特征工程优先于模型：哪些特征真正区分异常心拍
心电图分类任务中，模型的选择空间其实不大，至少在第一版里，随机森林和线性 SVM 足够跑通流程。真正决定精度上限的是特征工程。心拍特征大致可以分成三组：时域特征描述心率变异性和节律规律，形态学特征描述 QRS、ST 段、T 波的形状变化，频域特征描述自主神经调节的频段能量分布。以下是我常用的特征清单，按类别列出来：
| 特征组 | 具体特征 | 对应病理含义 |
|---|---|---|
| 时域 | RR 间期均值、RR 间期标准差、RMSSD | 心率变异性下降常见于心衰、糖尿病神经病变 |
| 形态学 | QRS 宽度、T 波幅度、ST 段偏移 | QRS 增宽提示束支传导阻滞，ST 段偏移提示心肌缺血 |
| 频域 | 低频功率 LF、高频功率 HF、LF/HF | 反映自主神经张力，某些心律失常中明显异常 |
在代码层面，我不建议直接把整段心拍信号摊平成一维向量喂给模型，那样既没有利用医学先验，又容易过拟合。更稳的做法是对每个心拍片段手动计算十几到几十个统计量。以下是一个简化版的特征提取函数：
def extract_features(seg, fs): feats = [] # 时域 feats.append(np.mean(seg)) # 均值，反映基线水平 feats.append(np.std(seg)) # 标准差，反映整体波动幅度 feats.append(np.sum(np.diff(seg) ** 2)) # 一阶差分平方和，和 RMSSD 同理 # 频域 f = np.fft.rfft(seg) freqs = np.fft.rfftfreq(len(seg), d=1.0 / fs) power = np.abs(f) ** 2 # LF 0.04~0.15Hz, HF 0.15~0.40Hz lf = power[(freqs >= 0.04) & (freqs < 0.15)].sum() hf = power[(freqs >= 0.15) & (freqs < 0.40)].sum() feats.append(lf) # 低频功率 feats.append(hf) # 高频功率 feats.append(lf / (hf + 1e-8)) # LF/HF 比值 return np.array(feats)这个函数里有个细节值得注意：lf/hf 的频段划分沿用了心率变异性分析里的经典定义，但 ECG 分类任务中，如果数据采样率较低，比如 250Hz，0.04Hz 到 0.4Hz 对应的频点数量其实很少，特征会不稳定。遇到这种情况，我一般会把频段放宽到 0.5Hz 到 2Hz 和 2Hz 到 10Hz，按实际信号诊断效果来调，而不是死守教科书定义。另一个细节是 hf 加了一个 1e-8 的小常数，避免分子分母出现 0 导致溢出，这是数值稳定性上很常见的小动作。
特征提取完成后，把每个心拍的特征拼接成一个大矩阵。这里我强烈建议顺手把特征名列表也保存下来，后面做 Matlab 对照或者模型解释时要用。不少人在这里省了一步，结果三个月后回来看代码，完全不知道第 7 列特征是什么含义。
3.2 先跑随机森林基线，再决定要不要上深度学习
模型选型上，我的习惯是先用随机森林跑一个基线。原因有三：它对特征尺度不敏感，不用做标准化；它能直接输出特征重要性，帮我们判断哪些特征值得保留；它在小样本心电数据上不容易过拟合。深度学习模型不是不能用，而是应该放在随机森林之后作为第二版对比方案。
from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import train_test_split X = np.array(features) # 形状 (N, n_features) y = np.array(seg_labels) X_tr, X_te, y_tr, y_te = train_test_split( X, y, test_size=0.2, random_state=42 ) clf = RandomForestClassifier( n_estimators=200, max_depth=12, class_weight='balanced', random_state=42 ) clf.fit(X_tr, y_tr) print('训练集准确率:', clf.score(X_tr, y_tr)) print('测试集准确率:', clf.score(X_te, y_te))参数说明：n_estimators 取 200 是收敛速度和精度的折中，超过 200 之后精度提升非常有限；max_depth 限制为 12 是为了控制单棵树的复杂度，防止在特征数不多的情况下过拟合训练集；class_weight='balanced' 是应对类别不均衡的关键参数，正常心拍数量通常远多于异常心拍，不加这个参数，模型会倾向于把所有样本都判成多数类；random_state 固定下来，保证同一份数据每次跑出来的结果一致，这是复现实验的基本要求。
如果同一个压缩包里还提供了 Matlab 版本的实现，我一般会在 Python 这边先确认特征矩阵没问题，再用 Matlab 的 fitcensemble 复现一遍随机森林。这样做的价值是双重的：一方面验证特征工程没有实现错误，另一方面也方便团队里更熟悉 Matlab 的同事接手维护。
% 在 Matlab 里用同一份特征矩阵做随机森林对比 Mdl = fitcensemble(X_train, y_train, ... 'Method', 'Bag', ... 'NumLearningCycles', 200); y_pred = predict(Mdl, X_test); acc = sum(y_pred == y_test) / numel(y_test); fprintf('Matlab 随机森林测试集准确率: %.4f\n', acc);Matlab 的 fitcensemble 需要 Statistics and Machine Learning Toolbox，如果手头版本没有这个函数，退而求其次可以用 fitctree 先跑一棵决策树找感觉，或者用 fitcecoc 搭配 SVM 做多分类。其实关键点不在哪个工具箱，而在于把 Python 和 Matlab 两侧的 X_train、y_train 完全对齐，否则对比结论没有意义。我通常是让 Python 侧把特征矩阵导出成 CSV，Matlab 侧用 readtable 读进来，这样两侧用的数据保证一致。
4. ECG 分类结果评估：混淆矩阵、类别不均衡与交叉验证
4.1 评估指标怎么定：准确率在 ECG 分类里会骗人
很多 ECG 分类项目的第一版评估都会犯同一个错误：只看准确率。心电数据里正常心拍往往占 80% 甚至 90% 以上，模型只要把全部样本判为正常，准确率就能到 90% 上下，但这在临床上毫无意义，因为我们要找的恰恰是那 10% 的异常心拍。所以我评估模型时必看三样东西：混淆矩阵、F1、召回率。
from sklearn.metrics import confusion_matrix, classification_report y_pred = clf.predict(X_te) print('混淆矩阵:') print(confusion_matrix(y_te, y_pred)) print() print(classification_report(y_te, y_pred))假设标签是 0 正常、1 房性早搏、2 室性早搏，classification_report 会按类别分别输出精确率、召回率、F1。诊断类任务里，我更关注每个类别的召回率，因为漏掉一个异常心拍的代价通常比把正常心拍误判为异常更大。混淆矩阵的行是真实类别，列是预测类别，看矩阵时重点看对角线以外的数字集中在哪里——如果第 1 类和第 2 类大量互窜，说明特征里缺少能区分它们的关键形态；如果多数异常都被分到第 0 类，说明类别权重或者阈值没有调好。
这里还有一个容易被新手忽略的点：在多分类 ECG 任务里，直接用 macro avg 的 F1 作为总指标比准确率可靠得多。macro avg 把所有类别的 F1 平等对待，不会因为正常类样本多就把数值拉高。如果项目目标是二分类，比如正常 vs 异常，那我会同时报告敏感性和特异性，敏感性对应异常心拍的召回率，特异性对应正常心拍的召回率，这两个指标加在一起才算完整描述了模型的实际表现。
4.2 交叉验证按患者分：数据泄漏是 ECG 分类最大的翻车点
随机切分训练集和测试集在 ECG 分类里是一个危险的默认行为。同一个患者的心拍之间高度相似，如果同一个患者的某些心拍进了训练集，另一些进了测试集，模型相当于提前见过了“考试答案”，测试精度会虚高。这种现象在论文里叫数据泄漏，工程师口语里叫“假精度”。真正的评估方式是按患者分组做交叉验证，确保测试集里的患者从未出现在训练集中。
from sklearn.model_selection import GroupKFold # groups 数组和 X 的行一一对应，记录每个心拍属于哪个患者 groups = patient_ids # 需要从数据集中提前解析出来 gkf = GroupKFold(n_splits=5) fold_f1 = [] for train_idx, test_idx in gkf.split(X, y, groups): clf = RandomForestClassifier( n_estimators=200, max_depth=12, class_weight='balanced', random_state=42 ) clf.fit(X[train_idx], y[train_idx]) fold_f1.append(f1_score(y[test_idx], clf.predict(X[test_idx]), average='macro')) print('按患者分组的 5 折 F1:', np.mean(fold_f1))GroupKFold 是 sklearn 里的专门方案，split 的第二个参数传 y，第三个参数传 groups。模型训练和预测的代码和普通交叉验证完全一样，只是划分索引的方式变了。关键点在 groups 数组的构建上：patient_ids 必须和每一条样本对应，而不是和每个 .mat 文件对应。如果数据包里一个 .mat 文件包含多个患者的数据，需要先按文件内的记录边界把 patient_ids 拆出来，这一步做错了，整个交叉验证就白做了。
按患者分组之后，测试精度通常会比随机切分下降几个百分点，这是正常的，也是好事。它说明你看到的数字更接近真实临床场景：来了一个新患者，模型要能处理没见过的人。如果这个数字掉得特别多，比如从 95% 掉到 60%，那说明模型其实没有学到普遍的特征，而是死记了患者个体差异，这就是典型的过拟合迹象。我通常在论文或者汇报里都会明确标注“按患者分组”还是“随机切分”，因为这两个数字的含义完全不同，不标清楚很容易被同行质疑。
5. ECG 分类常见坑与排查：从数据泄漏到标签错位
下面这几个坑基本是 ECG 分类项目里最容易翻车的地方，每一条都是我实际踩过或者帮别人排查过的问题，按“现象 → 原因 → 解决”的顺序写出来。
5.1 v7.3 格式的 .mat 文件让 scipy.io 直接抛异常
现象：代码运行到 sio.loadmat('sample_ecg.mat') 时抛出 NotImplementedError，提示 “Please use HDF reader for matlab v7.3 files”。
原因：Matlab 高版本在保存大数据时默认使用 v7.3 格式，这种格式本质上是 HDF5，scipy.io 不兼容。如果 .mat 文件是结构体加上多组心电信号，很容易触发这个问题。
解决：改用 h5py 读取，注意维度顺序。
import h5py with h5py.File('sample_ecg.mat', 'r') as f: ecg = np.array(f['ecg']).T # HDF5 读出来的维度常常是反的 fs = int(np.array(f['fs']).squeeze())这里的 .T 是血泪经验。Matlab 按列主序存储矩阵，h5py 读出来的数组形状经常和原始信号转置了，如果不主动检查 shape，后续滤波和 R 峰检测全部会跑偏。每次读取后先打印 shape，再决定要不要转置。
5.2 T 波被误检成 R 峰
现象：R 峰检测数量明显偏多，心拍分段后很多片段其实是 T 波或者噪声，特征矩阵和标签对不上。
原因：带通滤波不能完全消除 T 波的低频成分，find_peaks 的 height 阈值设得太低，或者没有设置最小间距。
解决：在 find_peaks 里加 distance=0.25*fs，同时在分段前画一张叠加图看一眼检测位置。R 峰应该在每个心拍的最高处，如果发现每隔一个波峰就多检一个，把 height 调高或者把 distance 从 0.25 秒改成 0.3 秒。
5.3 手动 shuffle 导致标签和样本错位
现象：训练集精度特别高，但测试集精度突然崩掉，或者训练过程看起来一切正常，最后混淆矩阵完全乱掉。
原因：自己写 shuffle 时只重排了信号数组，没有同步重排标签数组，导致样本和标签失去对应关系。这种错误很隐蔽，因为不会报错，只会让结果变得不可解释。
解决：不要手动 shuffle，直接使用 sklearn 的 train_test_split 或者 GroupKFold，它们会同时处理 X 和 y。如果确实需要自定义重排，先给所有样本生成一个统一的索引数组，用同一个索引去取 X 和 y。
5.4 类别不均衡导致“高准确率、低召回”
现象：测试准确率接近 95%，但异常类别的召回率只有 30%，报告里 anomaly 类的 F1 惨不忍睹。
原因：正常心拍占绝大多数，模型学到了“全部判为正常成本最低”的偷懒策略。准确率被多数类掩盖，不能反映真实性能。
解决：在随机森林里加 class_weight='balanced'，让少数类获得更高权重；如果还是不理想，用 SMOTE 对少数类过采样，但要注意先划分训练集和测试集再做重采样，避免少数类样本同时出现在两边造成数据泄漏。
5.5 Python 和 Matlab 的特征顺序不一致
现象：同样的特征矩阵，Python 训练和 Matlab 训练，两边精度差异很大，而且无法互相复用模型。
原因：手动拼接特征时，Python 侧列顺序和 Matlab 侧不一致，导致相同位置的列含义完全不同。这类问题在跨语言协作时非常常见。
解决：统一用 CSV 作为中间格式，特征矩阵和特征名列一起导出。
import pandas as pd pd.DataFrame(X, columns=feature_names).to_csv('features.csv', index=False)然后在 Matlab 里用 readtable('features.csv') 读入，第一行就是列名。导出前检查 feature_names 的长度必须等于 X 的列数，这能挡住大多数手滑。
6. 两个让我少返工的收尾动作：配置固定与结果导出
6.1 把采样率、窗长、特征清单写进配置
每次实验跑完，环境变量、滤波器参数、窗口长度这些值都散落在代码里，改一次跑一次，时间一长根本记不住哪组参数对应哪个结果。我的习惯是实验开始前先写一份配置，把读的哪个 .mat、采样率多少、窗长多少、特征名列表是什么、随机种子是什么，全部放到一个 JSON 文件里。这样每一步都能追溯，复现实验的成本降到最低。
import json run_config = { 'data_file': 'sample_ecg.mat', 'fs': fs, 'filter': [0.5, 45.0], 'window_s': 0.5, 'random_state': 42, 'feature_names': feature_names } with open('run_config.json', 'w', encoding='utf-8') as fp: json.dump(run_config, fp, indent=2, ensure_ascii=False)6.2 训练完立刻导出模型与中间产物
模型训练完成后，不要只在内存里跑一次就关掉。把模型、特征矩阵、预测结果、评估报告全部导出到本地，下次对比新方案时直接拿来当基线。Python 侧可以用 joblib 或 pickle 保存模型，Matlab 侧用 save 函数保存 .mat 文件。这一步看起来简单，但能省掉大量“同样的实验再跑一遍”的时间。我之前的习惯是每完成一个版本就导出一份带时间戳的目录，里面放着配置、模型、评估图和特征 CSV，三个月后同事问起来也能直接说清楚当时做了什么。这个习惯帮我避免了很多次返工。希望帮到你。
本文还有配套的精品资源，点击获取
