数据与预处理
数据库介绍
正如我们前面所提到的，我们用到的数据库是来自2018年中国生理信号挑战赛（China Physiological Signal Challenge 2018）的数据。该数据库是由11家医院中收集而来，官方公开的训练集中包含了6877条记录，男性3699，女性3178。此外还有2954条记录作为测试集，不对外公开，用作比赛时的评分。信号的采样率为500 Hz，每条记录包含标准12导联，同时也给出了个体的年龄和性别。各条记录不等长，最短的有6 s，最长的，官方页面中称是60 s，但在我的处理中发现最长的应该是达到了144 s。数据集共包含了9类，分别为正常（Normal），心房颤动（Atrial fibrillation，AF），I度房室阻滞（First-degree atrioventricular block，I-AVB），左束支阻滞（Left bundle branch block，LBBB），右束支阻滞（Right bundle branch block，RBBB），房性早搏（Premature atrial contraction，PAC），室性早搏（Premature ventricular contraction，PVC），ST段降低（ST-segment depression，STD），ST段抬升（ST-segment elevated，STE）。具体分布见下表：
不过这里需要注意一个问题。部分记录属于多个类别，官方给出的规则是，只要能预测为其中任意一类就认为是正确的。而上面的表是根据第一标记统计得来的。最终算法是根据9类的平均F1值来评估。如果还不知道什么是F1，那还是先去补一下基础。数据是以大家喜闻乐见的.mat格式给出的。更多的信息可以参照比赛的官网：http://2018.icbeb.org/Challenge.html
数据预处理
1） 信息与信号分离：每个记录的mat文件包含的并非是一个单纯的矩阵，而是一个struct，除了信号本身，还有年龄和性别信息。我们这里将信号和年龄性别信息分开处理。年龄性别信息另存为.csv文件。
2） 降采样：每条记录的采样率是500 Hz，其实对于ECG信号来说，采样率偏高。为了降低计算负担，我们将所有的信号降采样至250 Hz。另外我们后面的算法均是基于Python平台，所以这里另保存为Numpy的.npy格式。
在开源的代码中，info_age_gen.csv文件即为我们保存的年龄性别信息。DataSet_250Hz文件夹下存放每个个体的.npy文件。由于体积比较大，所以没有直接上传github，而是放在了百度网盘：（链接：https://pan.baidu.com/s/1bgYR3YiJrvlJMVPpPN9csg 提取码：wvk3）。下载解压后直接替换掉空的DataSet_250Hz文件夹即可。
3） 滤波：信号中不可避免的存在噪声，这里采用了文献Martis R J, Acharya U R, Min L C. ECG beat classification using PCA, LDA, ICA and discrete wavelet transform [J].Biomedical Signal Processing and Control, 2013, 8(5): 437-448. 中所采用的滤波方法，使用db6小波对信号进行9级小波分解，去除D1，D2，A9分量，使用剩下的分量进行重构，得到滤波后的信号。
数据集平衡
从上面的分布表中可以看出，数据库中各类样本是不平衡的，这对算法的训练来说有消极作用。这里采用了过采样的方法减轻数据不平衡带来的影响。具体地，以样本数最多的类别为基准，若最大的类别样本数是某一类的2倍及以上，则对这一类直接复制相应的倍数；若最大样本数比某一类超出不足1倍，则在该类中随机抽取所差的样本数补齐。过采样仅在训练集和验证集中进行，调参也是以过采样后的平衡验证集表现为参考。
待续……
