LSTM-GAN生成似是而非ECG信号：时序数据增强与模式崩溃排查-平芜编程栈

简介：这份资源围绕LSTM-GAN生成逼真ECG信号展开，面向具备Python与深度学习基础、关注医学信号处理与数据增强的研究者和开发者。项目以长短期记忆网络捕捉心电信号的周期性与波形模式，再由生成器与判别器相互博弈，产出足以以假乱真的合成心电数据，可用于异常检测算法测试或扩充训练集。压缩包共13个文件，约4.46MB，包含5个py脚本、3张png结果图、2个h5权重文件，以及1个ipynb交互式笔记、1个md说明文档和1个gitignore配置，覆盖模型定义、训练、测试与信号清理等环节。已有313人学习下载。读者可借此理解LSTM-GAN在生物医学序列建模中的完整实现路径，参考生成器与判别器的权重保存方式、噪声生成与ECG扩展脚本，并对照可视化图像评估生成信号质量，适合作为课程设计或科研入门的实践素材。

1. 从一份 ECG 合成 Notebook 说起：为什么“似是而非”比“以假乱真”更难

拿到“用于生成似是而非的ECG信号的LSTM-GAN”这个题目时，我第一反应不是模型结构，而是“似是而非”这四个字。ECG 信号在临床上有一套硬约束：P 波、QRS 复合波、T 波的时间关系，RR 间期不能是负数，幅值不能超出导联量程。一个 GAN 如果只追求判别器分不出真假，很容易生成一段“看起来像波形、但医生一眼觉得不对劲”的东西——比如 QRS 波群宽到 300ms，或者 T 波倒置出现在本该直立的位置。所以这个方向真正要解决的不是“生成得像”，而是“生成得合理但又不完全重复”。

这份 Jupyter Notebook 加 Python 的工程，适合两类人：一类是做生理信号数据增强的算法工程师，手里只有几百条标注 ECG，想扩样本又怕引入伪影；另一类是刚学完 LSTM 和 GAN、想找一个比 MNIST 更有物理意义的练手项目的人。它不要求你懂心电诊断，但要求你能把时序生成的基本功——序列对齐、梯度惩罚、模式崩溃排查——走一遍。下面我按自己复现这类项目的顺序，把 LSTM-GAN 生成 ECG 的选型、代码骨架、参数和踩坑讲清楚。

2. LSTM-GAN 生成 ECG 的选型逻辑与最小可跑骨架

2.1 为什么是 LSTM 做生成器而不是纯全连接

ECG 是典型的一维时序信号，采样率常见 250Hz 或 360Hz，一段 10 秒的片段就是 2500 到 3600 个点。如果用全连接网络直接输出这么长的向量，参数量会爆炸，而且模型学不到相邻采样点之间的局部相关性——表现出来就是生成的波形毛刺极多，QRS 波群被拆成随机尖峰。LSTM 的循环结构天然适合处理这种依赖关系，它的门控机制能在长序列里保留“上一个心跳的节律信息”，让生成的下一个心跳和上一个在 RR 间期上保持连贯。

但纯 LSTM 也有问题：它倾向于生成过于平滑的均值波形，因为 MSE 损失会惩罚任何偏离均值的输出。这就是为什么需要 GAN 的对抗损失来“逼”出高频细节。LSTM 做生成器、CNN 或 LSTM 做判别器，是这类任务里比较稳的组合。判别器用一维卷积更常见，因为卷积对局部形态（QRS 的陡峭上升沿）敏感，而 LSTM 判别器训练慢、容易梯度消失。

2.2 生成器和判别器的代码骨架

下面这段是我一般会先跑通的最小结构，不追求最优，但能让你在 Jupyter Notebook 里快速看到 loss 有没有动。输入噪声维度设 100，生成长度 1000 个采样点，对应 4 秒左右的信号。

import torch import torch.nn as nn class ECGGenerator(nn.Module): def __init__(self, noise_dim=100, hidden_dim=128, seq_len=1000): super().__init__() self.seq_len = seq_len self.hidden_dim = hidden_dim # 把噪声映射成 LSTM 的初始状态 self.fc = nn.Linear(noise_dim, hidden_dim * 2) self.lstm = nn.LSTM( input_size=1, hidden_size=hidden_dim, num_layers=2, batch_first=True, dropout=0.2 ) self.out = nn.Linear(hidden_dim, 1) self.tanh = nn.Tanh() # ECG 幅值归一化到 [-1, 1] def forward(self, z): # z: (batch, noise_dim) h0, c0 = self.fc(z).chunk(2, dim=1) h0 = h0.unsqueeze(0).repeat(2, 1, 1) # num_layers=2 c0 = c0.unsqueeze(0).repeat(2, 1, 1) # 用零输入驱动 LSTM，逐步生成 inp = torch.zeros(z.size(0), self.seq_len, 1, device=z.device) out, _ = self.lstm(inp, (h0, c0)) return self.tanh(self.out(out)) # (batch, seq_len, 1)

这段代码的关键在self.fc(z).chunk(2, dim=1)：它把噪声向量拆成 LSTM 的隐状态 h 和细胞状态 c。这样噪声不是作为每一步的输入，而是作为“初始记忆”，让整个序列的生成受同一个噪声控制，避免每一步输入不同噪声导致的节律断裂。num_layers=2对应repeat(2, 1, 1)，层数改了这里也要改，这是新手最容易翻车的地方——报维度不匹配的错，查半天发现是 repeat 次数写死成 2 了。

判别器用一维卷积：

class ECGDiscriminator(nn.Module): def __init__(self, seq_len=1000): super().__init__() self.net = nn.Sequential( nn.Conv1d(1, 32, kernel_size=5, stride=2, padding=2), nn.LeakyReLU(0.2), nn.Conv1d(32, 64, kernel_size=5, stride=2, padding=2), nn.LeakyReLU(0.2), nn.Conv1d(64, 128, kernel_size=5, stride=2, padding=2), nn.LeakyReLU(0.2), nn.AdaptiveAvgPool1d(1), nn.Flatten(), nn.Linear(128, 1) ) def forward(self, x): # x: (batch, seq_len, 1) -> (batch, 1, seq_len) x = x.permute(0, 2, 1) return self.net(x)

判别器最后输出一个 logit，不接 sigmoid，因为训练时用BCEWithLogitsLoss更数值稳定。AdaptiveAvgPool1d(1)把任意长度的序列压成 1 个值，这样判别器对输入长度不敏感，方便你后续改 seq_len 做实验。

2.3 训练循环里必须加的三个约束

GAN 训练 ECG 最容易出现两种失败：判别器太强导致生成器梯度消失，或者生成器找到“捷径”只生成一种心跳形态。我在训练循环里固定加三样东西。

第一，梯度惩罚。WGAN-GP 的梯度惩罚比原始 GAN 的 BCE 稳得多，尤其在小样本 ECG 上。第二，判别器每步更新一次，生成器每两步更新一次，让判别器别跑太快。第三，每轮记录生成样本的 RR 间期均值和标准差，如果标准差趋近于 0，说明模式崩溃已经开始了。

def compute_gradient_penalty(D, real, fake, device): alpha = torch.rand(real.size(0), 1, 1, device=device) interpolated = (alpha * real + (1 - alpha) * fake).requires_grad_(True) d_inter = D(interpolated) grad = torch.autograd.grad( outputs=d_inter, inputs=interpolated, grad_outputs=torch.ones_like(d_inter), create_graph=True, retain_graph=True )[0] grad = grad.view(grad.size(0), -1) penalty = ((grad.norm(2, dim=1) - 1) ** 2).mean() return penalty

alpha的形状是(batch, 1, 1)，因为信号是(batch, seq_len, 1)，插值要在样本维和序列维同时广播。create_graph=True不能省，否则惩罚项没法反向传播。这个函数每步都调用，计算开销不小，如果显存吃紧，可以把 batch 降到 16 或 32。

3. 在 Jupyter Notebook 里把 ECG 数据喂进 LSTM-GAN

3.1 数据预处理：归一化和切窗的先后顺序

ECG 原始数据常见两种格式：WFDB 的.dat加.hea，或者 CSV 里一列时间一列幅值。不管哪种，第一步都是转成 numpy 数组，然后做 z-score 归一化。注意，归一化要按整条记录算均值和标准差，不能按窗口算——按窗口算会把每个窗口的基线拉到 0，破坏窗口之间的幅值关系，生成器学到的就是“每个窗口都从零开始”的假模式。

切窗用滑动窗口，窗口长度 1000 点，步长 500 点，这样相邻窗口有 50% 重叠，增加样本量。但重叠窗口在训练时要小心：如果验证集也用重叠窗口，评估指标会虚高，因为相邻窗口高度相似。我一般训练集用重叠，验证集用不重叠的独立片段。

import numpy as np from scipy.signal import butter, filtfilt def bandpass_filter(signal, fs=250, low=0.5, high=45): nyq = 0.5 * fs b, a = butter(4, [low / nyq, high / nyq], btype='band') return filtfilt(b, a, signal) def normalize(signal): return (signal - signal.mean()) / (signal.std() + 1e-8) def make_windows(signal, window=1000, step=500): windows = [] for start in range(0, len(signal) - window + 1, step): windows.append(signal[start:start + window]) return np.array(windows)

butter(4, ...)的 4 是滤波器阶数，阶数越高过渡带越陡，但相位失真也越大。filtfilt做零相位滤波，避免 QRS 波群位置偏移。1e-8是防止标准差为 0 的兜底，实际 ECG 不会出现，但代码里加上不亏。

3.2 在 Notebook 里管理数据集和 DataLoader

Jupyter Notebook 的交互性适合调参，但不适合把数据加载逻辑散在各处。我习惯在第一个 cell 里定义 Dataset 类，后面所有实验复用。这样改窗口长度或 batch size 时只动一个地方。

from torch.utils.data import Dataset, DataLoader class ECGDataset(Dataset): def __init__(self, windows): self.data = torch.FloatTensor(windows).unsqueeze(-1) # (N, 1000, 1) def __len__(self): return len(self.data) def __getitem__(self, idx): return self.data[idx] dataset = ECGDataset(train_windows) loader = DataLoader(dataset, batch_size=32, shuffle=True, drop_last=True)

drop_last=True在 GAN 训练里很重要：如果最后一个 batch 只有 1 个样本，梯度惩罚的alpha广播会出问题，而且 BatchNorm 在 batch size 为 1 时直接报错。虽然上面的判别器没用 BatchNorm，但养成这个习惯能省很多调试时间。

3.3 训练循环的 Notebook 写法与实时监控

在 Notebook 里训练，我一般把训练循环写成一个函数，每个 epoch 返回 loss 和几个监控指标，然后用 matplotlib 画出来。不要用tqdm在 Notebook 里刷屏，输出会乱。用clear_output加display做原地刷新更干净。

from IPython.display import clear_output import matplotlib.pyplot as plt def train_epoch(G, D, loader, opt_g, opt_d, device, lambda_gp=10): for i, real in enumerate(loader): real = real.to(device) batch_size = real.size(0) # 训练判别器 z = torch.randn(batch_size, 100, device=device) fake = G(z).detach() d_real = D(real) d_fake = D(fake) gp = compute_gradient_penalty(D, real, fake, device) loss_d = d_fake.mean() - d_real.mean() + lambda_gp * gp opt_d.zero_grad() loss_d.backward() opt_d.step() # 每两步训练一次生成器 if i % 2 == 0: z = torch.randn(batch_size, 100, device=device) fake = G(z) loss_g = -D(fake).mean() opt_g.zero_grad() loss_g.backward() opt_g.step() return loss_d.item(), loss_g.item()

lambda_gp=10是 WGAN-GP 原论文的推荐值，我在 ECG 上试过 5 和 20，5 的时候判别器约束不够，20 的时候生成器更新变慢，10 是比较稳的中间值。loss_d的符号是d_fake.mean() - d_real.mean()，这是 WGAN 的 Wasserstein 距离估计，越小说明判别器越分不清真假，但不要追求它降到 0，那意味着判别器完全失效。

4. 生成“似是而非”ECG 的避坑与排查清单

4.1 生成波形全是直线或极小幅值震荡

现象：训练几十轮后，生成器输出的信号幅值接近 0，画出来是一条平线，或者只有微小抖动。

原因：判别器太强，生成器梯度消失。WGAN-GP 虽然比原始 GAN 稳，但如果判别器学习率是生成器的 5 倍以上，或者梯度惩罚系数太小，判别器仍然会赢。

解决：把判别器学习率降到生成器的 1/2 到 1/4，比如生成器 1e-4、判别器 2e-5。同时检查梯度惩罚项是否真的在反向传播——create_graph=True漏掉的话，惩罚项对判别器参数没有梯度，等于没加。

4.2 生成的心跳节律完全随机，RR 间期忽长忽短

现象：生成的信号有 QRS 形态，但两个 QRS 之间的距离从 200 点到 2000 点都有，不像正常窦性节律。

原因：噪声只作为 LSTM 初始状态，但 LSTM 在长序列生成时“忘记”了初始状态，后面的心跳变成了由零输入和隐状态自行演化，失去了全局节律控制。

解决：在生成器里加一个周期性的条件输入。常见做法是把噪声同时映射成一个“节律向量”，在每个时间步拼接到 LSTM 输入上。或者更简单：把 seq_len 缩短到 500 点（约 2 秒），只生成 2 到 3 个心跳，这样 LSTM 的初始状态还能影响整段序列。

4.3 判别器 loss 剧烈震荡，生成样本质量时好时坏

现象：loss_d 在正负之间大幅跳变，每隔几个 batch 生成的波形就变一个样。

原因：batch size 太小，梯度估计方差大。ECG 窗口之间本身差异就大，如果 batch 里恰好全是相似形态，判别器会过拟合这个 batch。

解决：把 batch size 提到 64 或 128，同时用shuffle=True确保每个 batch 的形态多样。如果显存不够，用梯度累积：每 4 个 batch 才更新一次参数，等效于大 batch。

4.4 Notebook 重启后数据要重新处理，浪费时间

现象：每次关掉 Jupyter Notebook 再打开，都要重新跑滤波、切窗、归一化，几分钟就没了。

原因：没有把预处理结果落盘。

解决：在第一个 cell 里加缓存逻辑，处理完存成.npy，下次直接np.load。注意存的时候把窗口长度和步长写进文件名，比如ecg_win1000_step500.npy，避免不同参数的结果混在一起。

import os cache_file = f"ecg_win{window}_step{step}.npy" if os.path.exists(cache_file): windows = np.load(cache_file) else: windows = make_windows(normalize(bandpass_filter(raw_signal))) np.save(cache_file, windows)

4.5 生成的信号在 QRS 波群处出现高频振铃

现象：QRS 的陡峭上升沿后面跟着一串衰减震荡，像滤波器振铃。

原因：生成器的 tanh 输出加上 LSTM 的连续状态，在快速变化处容易产生过冲。另外，如果训练数据本身经过了截止频率很低的低通滤波，生成器学到的 QRS 就是带振铃的。

解决：检查训练数据的滤波截止频率，不要低于 40Hz，否则 QRS 形态本身就不对。生成器最后一层可以改成nn.Hardtanh(-1, 1)，硬限幅比 tanh 的软饱和更不容易过冲。如果振铃已经出现，在生成后加一个 40Hz 的低通滤波，但这是补救，最好从数据源头解决。

5. 用 RR 间期分布和形态模板做生成质量的量化验证

训练完一个 LSTM-GAN，光靠肉眼看波形图不够。我一般用两个指标做量化验证，一个查节律，一个查形态。

节律用 RR 间期分布。对生成信号做 R 波检测（可以用scipy.signal.find_peaks，设置高度阈值为 0.5 倍最大幅值，距离至少 200 个采样点），然后算相邻 R 波位置的差值。真实 ECG 的 RR 间期标准差一般在 20 到 60ms 之间，如果生成信号的 RR 间期标准差小于 10ms，说明节律太死板；大于 100ms，说明节律失控。

from scipy.signal import find_peaks def rr_intervals(signal, fs=250): peaks, _ = find_peaks(signal, height=0.5 * signal.max(), distance=int(0.2 * fs)) rr = np.diff(peaks) / fs * 1000 # 转成毫秒 return rr gen_signal = G(torch.randn(1, 100, device=device)).detach().cpu().numpy().flatten() rr = rr_intervals(gen_signal) print(f"RR mean: {rr.mean():.1f} ms, RR std: {rr.std():.1f} ms")

形态用模板匹配。从真实数据里取一条干净的窦性心跳作为模板，对生成信号的每个心跳窗口算相关系数。相关系数在 0.7 到 0.9 之间是比较理想的“似是而非”——太像了说明生成器只是记住了训练样本，太不像了说明形态不对。

指标	真实 ECG 参考范围	生成质量判断
RR 间期均值	600-1000 ms	超出范围说明节律异常
RR 间期标准差	20-60 ms	<10 太死板，>100 失控
模板相关系数	0.7-0.9	<0.5 形态不对，>0.95 过拟合
QRS 宽度	80-120 ms	超出说明波群形态失真