1D-CNN卷积神经网络入门指南：从信号处理到实战应用

1次阅读

共计 2290 个字符，预计需要花费 6 分钟才能阅读完成。

刚接触机器学习时，大家最先遇到的通常是处理图像的 2D-CNN。但当我们要分析心电图、音频波形或传感器数据这类一维信号时，1D-CNN 才是更合适的选择。它与传统时序分析方法（比如 ARIMA 或 SVM）相比有个巨大优势：能自动学习特征。传统方法需要人工设计特征（比如傅里叶变换提取频域特征），而 1D-CNN 通过卷积核直接挖掘数据中的局部模式。

举个实际例子：在工业设备故障检测中，振动信号往往包含特定频率的异常波动。用 1D-CNN 只需输入原始振动数据，它就能自动识别这些异常模式，省去了复杂的人工特征工程。

想象用滑动窗口扫描时间序列的过程：

卷积核：好比一个微型探测器（比如长度 5 的窗口），每个位置有可学习的权重
步长(Stride)：控制滑动间隔。步长 1 表示逐点扫描，步长 2 则隔点扫描
填充(Padding)：在序列两端补零，避免卷积后长度缩减太快
池化(Pooling)：常用最大池化，保留窗口内最显著的特征

数学表达很简单：

输出[i] = ∑ (输入[i+j] × 核权重[j]) + 偏置

实际计算时，PyTorch 的 nn.Conv1d 会并行使用多个卷积核（对应输出通道数），每个核提取不同特征。

下面用 MIT-BIH 心律失常数据集演示完整流程。目标是区分正常心跳和室性早搏（PVC）。

首先加载数据并进行标准化：

# 假设已加载为 numpy 数组 ecg_signals (1000 个样本, 187 个时间点)
# 标签 labels 为 0 /1
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
ecg_normalized = scaler.fit_transform(ecg_signals)  # 按样本标准化

# 转为 PyTorch 需要的形状 (样本数, 通道数, 序列长度)
X = torch.tensor(ecg_normalized[:, None, :], dtype=torch.float32)
y = torch.tensor(labels, dtype=torch.long)

设计三层卷积 + 池化的经典结构：

import torch.nn as nn

class ECGClassifier(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv1d(1, 16, kernel_size=5, padding=2)  # 保持长度不变
        self.pool1 = nn.MaxPool1d(2)
        self.conv2 = nn.Conv1d(16, 32, kernel_size=3, padding=1)
        self.pool2 = nn.MaxPool1d(2)
        self.conv3 = nn.Conv1d(32, 64, kernel_size=3, padding=1)
        self.fc = nn.Linear(64 * 23, 2)  # 计算最终长度

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool1(x)  # 187 -> 93
        x = F.relu(self.conv2(x))
        x = self.pool2(x)  # 93 -> 46
        x = F.relu(self.conv3(x))  # 46 -> 46
        x = x.view(-1, 64 * 23)  # 展平
        return self.fc(x)

两个关键细节：
1. 使用带权重调整的交叉熵应对类别不平衡
2. 添加学习率衰减

model = ECGClassifier()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
scheduler = torch.optim.lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)

# 假设正负样本比例为 1:5
criterion = nn.CrossEntropyLoss(weight=torch.tensor([1.0, 5.0]))

for epoch in range(30):
    outputs = model(X_train)
    loss = criterion(outputs, y_train)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    scheduler.step()

遇到这些问题别慌：