看到“心音分类器”这个题目可能有朋友第一反应是这不是典型的深度学习活儿吗拿个预训练网络怼上去精度刷到99%完事。但真当你拿到一份真实的生理信号数据时会发现事情远没有这么简单。信号里有环境噪声、有呼吸音、有传感器摩擦声甚至还有医生操作时不小心碰触麦克风的声音直接丢给任何模型都是灾难。我去年在社团周会上带新人做机器学习入门项目选了一圈之后最后定在了“MATLAB 心音分类”这条线上折腾了大概三周最大的感受是用MATLAB做这个项目真正的价值点根本不在“分类器”那一环而是前面的信号预处理和特征提取——那才是决定模型上限的地方。这篇就把我们的完整流程、核心代码和踩过的坑一次说清楚适合刚接触机器学习、想在真实数据上完整跑通“信号 → 特征 → 模型 → 评估”这条链路的朋友参考。1. 为什么是MATLAB为什么是心音信号1.1 这个项目在做什么把生物信号变成机器学习问题心音分类在最简单版本里是一个二分类问题给定一段心音录音判断它是“正常”还是“异常”。异常心音包括各种杂音、瓣膜问题导致的额外音、心律不齐等等。医学上医生用听诊器听诊靠经验判断而我们要做的就是用机器学习模型去模拟这个判断过程。选这个题作为机器学习初探项目有几个天然优势。第一信号非常直观——你把它画出来正常人能看出明显的“嘣哒”两下心跳节律异常信号往往波形乱、幅值不均匀这个可视化过程对建立直觉特别有帮助。第二公开数据集很成熟PhysioNet 2016心音分类挑战赛的数据集有三千多条录音wav格式采样率2000Hz文件组织和标签都齐。第三问题边界清晰特征提取有明确的信号处理理论支撑分类器选择可以从最基础的决策树一直玩到集成学习梯度非常平滑不会出现“要么完全不会、要么直接上深度学习黑盒”的断层感。这个项目我们最终的目标不是刷高精度数值而是让社团里的同学完整经历一遍机器学习的标准流程拿到原始数据、做清洗和预处理、人工设计特征、训练模型、用交叉验证评估泛化能力。走完这一步后面换任何领域的数据——比如电机振动信号、语音命令、心电图——套路都是通的。1.2 MATLAB在这条链路里的独特优势我知道现在一说机器学习大家第一反应是Python。但在这个项目里MATLAB其实是更有性价比的选择尤其是在做信号处理和特征提取的阶段。Python做信号处理不是不行但需要numpy、scipy、librosa、pandas、scikit-learn等等好几个包配合着装版本之间存在兼容性问题光是给新人配环境就能耗掉半天。而MATLAB一个软件就把这些全干了信号处理工具箱里有滤波、傅里叶变换、小波分析、倒谱分析的完整函数统计与机器学习工具箱里有fitctree决策树、fitcecoc多分类SVM、fitcknnKNN、fitcensemble集成学习等现成模型画图方面MATLAB的原生绘图函数比matplotlib默认样式好看一个量级而且操作不需要写一堆样式调整代码。另外还有一点在初学阶段特别关键MATLAB的变量工作区是可视化的。你可以随时双击变量看数据长什么样、尺寸是多少、是单精度还是双精度这在调试特征矩阵维度的时侯简直救命。Python IDE里你还要print shape或者用debuggerMATLAB直接一目了然。MATLAB当然也有它的缺点比如闭源、贵、深度学习的生态确实不如Python丰富。但对于“机器学习初探”这个定位来说这些缺点完全不影响。学生用校园授权版或者开源社区里跟Octave的兼容性方案都够用。我个人的态度是工具是手段不是信仰哪个能让你最快把核心逻辑跑通就用哪个。这个项目的核心逻辑是信号处理和特征工程用MATLAB能让你的精力百分之百集中在核心逻辑而不是环境配置上这就是我推荐它的理由。2. 心音数据的获取与预处理先把“杂音”里的信息洗出来2.1 数据要从哪里来PhysioNet 2016数据集我们用的数据集是PhysioNet/Computing in Cardiology Challenge 2016提供的心音分类公开数据集这是一套专门用于心音自动分析研究的基准数据。数据分为training-a到training-e五个子文件夹一共包含三千多条心音录音wav文件每个文件夹下面还有一个HEART_SOUND.csv文件里面是每条录音对应的标签1表示正常-1表示异常。先说几个基本参数录音统一是2000Hz采样率也就是说每秒钟有2000个采样点人耳能听到的频率范围是20Hz到20000Hz而心音的绝大部分能量集中在20Hz到400Hz这个低频段2000Hz采样率对心音来说信息量完全足够。读取文件用MATLAB的audioread函数即可。% 读取单条心音录音 [y, fs] audioread(training-a/a0001.wav); % y是采样点数组fs是采样率(2000Hz) disp(size(y)); disp(fs);这里有一个新手常犯的错误录音文件不是等长的。有些录音3秒有些8秒文件总时长差异很大。如果直接把整段录音作为输入不同样本的特征维度就对不上。所以预处理阶段要统一处理到固定长度或者做分段切割后面我会细说。2.2 预处理三步走降采样、滤波、归一化拿到原始录音之后不要急着提特征。原始信号里包含了大量与心音无关的“脏东西”我把它称为噪声三件套环境噪声空调声、房间混响、生理干扰呼吸声、肌肉信号、传感器噪声麦克风接触摩擦、电噪声。此外还有50Hz/60Hz的工频干扰。我用的预处理流程是三步降采样可选、带通滤波、幅值归一化。降采样既然心音主要能量在400Hz以下根据奈奎斯特采样定理理论上800Hz采样率就足够重建信号。把2000Hz降采样到1000Hz甚至800Hz好处是数据量减半后续计算更快。不过对入门项目来说2000Hz的数据量本身也不大降不降采样对最终结果影响很小所以这一步我们后来基本跳过。带通滤波这是我们预处理里的核心步骤。心音的诊断信息主要位于25Hz到400Hz之间因此设计了一个四阶巴特沃斯带通滤波器保留这个频段滤掉低频漂移和高频噪声。低频漂移特别值得注意因为传感器接触或呼吸动作会产生一种非常慢的基线偏移如果不滤掉后面提取的时域特征比如均值和方差会被这个漂移带偏。% 设计四阶巴特沃斯带通滤波器通带25Hz~400Hz fs 2000; fL 25; fH 400; [b, a] butter(4, [fL fH]/(fs/2), bandpass); % 使用filtfilt零相位滤波避免相位失真 y_filtered filtfilt(b, a, y);为什么用filtfilt而不用filter这是很多初学会忽略的细节。filter是常规滤波会带来相位偏移filtfilt先把信号正向滤一遍、再反向滤一遍两次的相位偏移互相抵消得到零相位失真的结果。对心音这种看重波形形态的分析来说绝对有必要。幅值归一化因为不同录音的录制设备、深浅阈值、病人体型都不同音量幅值差异非常大。归一化就是把每个样本的最大幅值缩放为1。这样后续特征比如峰值、能量才有跨样本可比性。% 将幅值归一化到[-1, 1] y_normalized y_filtered / max(abs(y_filtered));我见过一个很隐蔽的坑如果你先归一化、再滤波滤波后的信号幅值可能又超过1了因为滤波本身会改变信号的能量分布。所以顺序应该是先滤波、再归一化。这个小细节不影响大的方向但会让你的特征数值更干净。2.3 信号分段与样本构建从连续波形到一个个“样本”现在手里是清洗过的完整录音。但问题来了一条录音少说也有好几秒心音是典型的周期信号——正常心跳每分钟60到100次大约每0.6秒到1秒一个周期。整段录音当成一个样本信息太稠、特征糊成一片分类器根本找不到判别性信息。更合理的做法是分段。我们把每条录音切成了固定长度为3秒的片段当作独立的样本参与后续训练。为什么是3秒经验值是3秒至少包含3个心动周期既能捕捉到周期性和一致性又不至于因为包含周期太多而把异常细节平均掉。% 将信号切分为3秒一段 segLen 3 * fs; % 3秒 numSeg floor(length(y_normalized) / segLen); for i 1:numSeg seg y_normalized((i-1)*segLen 1 : i*segLen); % 将seg作为一条样本存入后续的特征提取环节 end这里有个取舍需要说清楚。理想情况下我们应该是先做心音分割识别出S1、收缩期、S2、舒张期这四段再从每个心动周期提特征这样特征和生理机制对应得更准。但心音分割本身就是一个不小的课题需要做包络检测、峰值定位、逻辑判断相当于在分类问题之前又叠了一个完整项目对初学者来说步子迈得太大。我们最终采取的方案是“简单粗暴按时间窗切”训练出来的模型效果其实已经够用了。初探阶段先跑通流程比什么都重要。3. 特征提取把心跳声翻译成机器认识的数字3.1 时域特征如何描述一段波形的“性格”信号本身是几千个采样点机器学习模型不能直接吃这种原始波形。原始波形就算长度统一维度也太大3秒×2000采样率6000维而且每个采样点的具体数值受噪声影响很大不够鲁棒。特征提取的目标就是把一段波形压缩成一组维度不高、但能描述其本质属性的数字。我管时域特征叫“波形性格参数”它们是直接在时间轴上计算出的统计量均方根值RMS描述信号整体能量大小。心音异常时往往伴随额外杂音信号能量分布会变化。方差描述信号波动程度。异常心音经常更“乱”方差会变大。峰值/谷值描述单次心跳的最大冲击力。S1第一心音和S2第二心音的峰值比例在不同疾病下会有变化。过零率信号在单位时间内穿越零点的次数。过零率越高说明信号越“高频”异常杂音通常是高频的会让过零率显著上升。峰值因子峰值除以RMS描述波形“尖锐”程度。心音异常时心脏射血状态改变波形形态随之改变。function feat extractTimeFeatures(seg) feat zeros(1, 5); feat(1) rms(seg); % 均方根值 feat(2) var(seg); % 方差 feat(3) max(abs(seg)); % 峰值 feat(4) sum(abs(diff(sign(seg)))) / (length(seg)-1); % 过零率 feat(5) max(abs(seg)) / (rms(seg) eps); % 峰值因子 end这几个人人都能算、看起来“没什么技术含量”的特征在实际分类中的贡献往往出乎意料地大。尤其是过零率和方差训练出来的随机森林模型里重要性排得都很靠前。原因也简单异常心音中高频杂音成分多信号振荡更频繁过零率自然高。你不需要理解它的生理机理只需要信任它能区分正常和异常。3.2 频域特征与倒谱MFCC为什么能跨界单独靠时域特征还不够——不同病人心音的时域波形即使同是“正常”形态差异也很大直接用原始幅值统计量做特征很难做到跨个体泛化。频域特征的加入相当于从另一个角度描述信号不再是“这个波形长什么样”而是“这个波形由哪些频率成分构成”。首先做短时傅里叶变换得到语谱图。基于语谱图可以计算频域特征频谱质心信号能量在频率上的加权平均描述“声音听起来亮不亮”。频谱带宽能量在质心周围的散布程度异常杂音会让带宽变大。频谱滚降点信号能量有多少集中在低频端的阈值点心音是低频为主滚降点通常在低频。然后是MFCC梅尔频率倒谱系数。这个词大家可能在语音识别里听过但心音也是声学信号MFCC同样适用。MFCC把频谱按人耳感知的梅尔刻度映射到对数刻度然后做离散余弦变换得到的倒谱系数能非常紧凑地表示频谱包络的形状。心音的频谱包络跟心脏结构、瓣膜状态有关异常状态下包络形状变化明显MFCC能更好捕捉这种变化。% 计算13维MFCC特征 [coeff, ~] mfcc(seg, fs, NumCoeffs, 13, ... WindowLength, round(0.03*fs), OverlapLength, round(0.02*fs)); % 沿时间轴取平均值和标准差得到26维特征 mfccMean mean(coeff, 1); mfccStd std(coeff, 0, 1); featMFCC [mfccMean, mfccStd];MFCC的重要性在于它经过语音识别领域几十年验证是一种对“声音”来说极其高效的压缩表示。心音本质上也是声音共享这套表示完全合理。用在我们的模型里加入MFCC后交叉验证准确率大约提升了4到5个百分点是贡献最大的一类特征。3.3 用MATLAB组装特征矩阵别在维度上翻车把所有片段的特征拼成一个矩阵这是机器学习训练的前置工作也是很多新手第一次接触“特征矩阵”这个概念的地方。这里有一个非常重要的规范每个样本提取的特征必须是相同长度的向量。比如时域特征选了5个频域特征选了5个MFCC选了26个那这个样本的特征向量就是1×36。所有样本都提这36个特征最后拼出一个N×36的特征矩阵。featureMatrix []; labels []; for i 1:length(fileList) [y, fs] audioread(fileList{i}); % 预处理滤波、归一化 y filtfilt(b, a, y); y y / max(abs(y)); % 分段 segLen 3 * fs; numSeg floor(length(y) / segLen); for j 1:numSeg seg y((j-1)*segLen1 : j*segLen); featT extractTimeFeatures(seg); % 5维 featF extractFreqFeatures(seg, fs); % 5维 featM extractMFCCFeatures(seg, fs); % 26维 featAll [featT, featF, featM]; % 36维 featureMatrix [featureMatrix; featAll]; labels [labels; labelVal]; % 0或1 end end % 保存到mat文件供后续训练复用 save(heart_feature.mat, featureMatrix, labels, -v7.3);这段代码里我特意标了一个重要的坏习惯示例特征矩阵和标签用[matrix; newRow]这种横向拼接方式。在小数据量下它能工作但样本上万的时候这种写法会反复复制内存慢得让人抓狂。正确做法是预分配矩阵或者把每个样本的结果存到cell里最后一次性合并。被教育过一次之后我现在写的代码都是先zeros(N, 36)初始化好再填充。这算是个性能层面的教训。组装好之后建议立刻做一步特征标准化。什么是标准化就是把每个特征的均值变为0、标准差变为1。featureMatrixNorm normalize(featureMatrix);为什么标准化是必须的因为不同特征量纲差异巨大——MFCC的数值可能是几十而RMS只有零点几。很多分类器内部计算距离或正则化项会让量纲大的特征主导结果。标准化就是消除量纲影响。需要提醒的是标准化参数只能在训练集上计算测试集要用同样的均值和标准差去转换这个细节放到第5节交叉验证的时候再具体展开。4. 分类器选型与训练从基线模型开始的进阶路线4.1 为什么不要一上来就上深度学习把特征矩阵准备好之后接下来就是模型训练。但这里我要反复强调一个初学阶段的观念不要一上来就上深度学习。神经网络是一个高度非线性的“万能函数”但它需要海量数据、大量调参、以及在验证集上的迭代监控。我们的心音数据集经过分段后样本量大约几千条特征维度只有36维这种“小样本中等维度”的设定本身就是传统机器学习的主场。用传统机器学习有几个看得见摸得着的好处第一训练快几十秒出结果可以反复试第二可解释性强比如决策树你可以把树画出来看它到底学了什么规则第三对特征工程的好坏能立刻得到反馈。你加了一组特征、准确率提升了你知道是这组特征起了作用你换了个乱七八糟的特征、准确率下降了你也知道是这组特征在拖后腿。这种反馈对建立直觉极其重要是深度学习的黑盒给不了的。我在表里列了四种适合初学的分类器以及它们在本项目上的表现对比分类器原理一句话本项目初测准确率训练速度调参难度决策树用一系列“特征阈值”的判断做分类约78%极快低K近邻KNN看距离最近的K个样本属于哪类约82%训练快、预测慢低支持向量机SVM在高维空间找一个最优分割超平面约84%快中随机森林训练多棵决策树投票决定结果约88%快中低AdaBoost集成用多个弱分类器加权组合成强分类器约90%中等中从这个表能明显看出规律集成方法随机森林、AdaBoost比单模型表现好。原因也很直观心音特征内部往往存在复杂的交互关系比如某个时域特征在结合某个频域特征的时候才有判别意义单棵决策树对这个交互的建模能力是有限的但多棵树从不同角度切分数据再投票能把这种交互关系综合起来。4.2 三种主流分类器的MATLAB实现与调用MATLAB的fitc系列函数把传统机器学习封装得极其友好。下面给出我们项目里用到的决策树、SVM和集成学习三种实现的对照代码读者拿去改数据路径就能跑通。% 假设featureNorm是N×36特征矩阵label是N×1标签0或1 % 1. 决策树 mdlTree fitctree(featureNorm, label, CrossVal, off); accuracyTree 1 - resubLoss(mdlTree); % 注意这只是训练集回代精度 % 2. SVMRBF核 mdlSVM fitcecoc(featureNorm, label, Learners, svm); % fitcecoc是错误纠错输出码用于多分类二分类时等价于一个SVM % 3. 集成学习AdaBoostM1 决策树弱学习器 t templateTree(MaxNumSplits, 10); mdlEnsemble fitcensemble(featureNorm, label, ... Method, AdaBoostM2, ... NumLearningCycles, 50, ... Learners, t);fitcensemble是这里面的明星函数。它内部自动处理了自适应增强的各个细节你只需要指定弱学习器和方法。我们指定MaxNumSplits10是为了限制每棵弱树不要太深太深的树容易过拟合保留一些“弱能力”的模型反而让Adaboost更有效。训练完之后预测新数据的逻辑更简单% 对测试集预测 predLabel predict(mdlEnsemble, testFeatureNorm); % 计算准确率 acc sum(predLabel testLabel) / length(testLabel);4.3 集成模型的参数调节经验机器学习里有个概念叫“偏差-方差权衡”模型太简单会欠拟合偏差高模型太复杂会过拟合方差高。集成模型的设计初衷就是通过组合多个弱模型在保持低偏差的同时降低方差。用fitcensemble的时候有两个参数最值得调NumLearningCycles弱学习器数量和Learners里的深度限制。我自己的经验是弱学习器数量从10加到50时效果提升最明显到100以上提升就趋于平缓了。收益边际递减这个现象在集成学习里非常典型。弱树的深度控制在5到10层比较合适。太深容易单棵树就过拟合了太浅每棵树都太笨集成出来的模型不够聪明。在深度学习特征的标准化问题上对树模型来说标准化影响不大因为树只关心阈值切分不关心距离但对SVM和KNN这种基于距离的模型影响巨大。我们的做法是找出全部特征直接标准化一视同仁。调参的时候不要靠猜可以用MATLAB的fitcensemble配合OptimizeHyperparameters做自动超参数搜索。不过要注意超参数搜索会跑很久数据量大的时候建议先抽取一部分数据做快速实验确定参数范围后再全量训练。% 自动超参数调优示例小心运行时间 mdlOpt fitcensemble(featureNorm, label, ... Method, AdaBoostM2, ... OptimizeHyperparameters, {NumLearningCycles, LearnRate}, ... HyperparameterOptimizationOptions, struct(MaxObjectiveEvaluations, 30));5. 评估与调参准确率之外还要看敏感度和特异性5.1 混淆矩阵与三类指标别被准确率蒙蔽训练完模型很多人只会看一个准确率数字。但在这个项目里我要强调准确率是一个不够用的指标。原因在于正负样本不均衡心音数据集中正常样本比异常样本略多即使你无脑把全部样本输出成“正常”准确率也能到差不多52%。在这种背景下准确率不能描述模型在“少数类”上的表现。我们需要看混淆矩阵它把预测结果和真实标签的对应关系展开成一个2×2表真实\预测预测正常预测异常正常TN真阴性FP假阳性异常FN假阴性TP真阳性从混淆矩阵可以推导出一组指标敏感度/召回率 TP / (TP FN)异常样本被正确找出来的比例。漏掉一个异常样本意味着漏诊一个可能有心脏问题的病人这是最不能接受的错误。特异性 TN / (TN FP)正常样本被正确识别为正常的比例。误报一个正常样本会让人白白焦虑但代价相对可控。F1分数 2 × 精确率 × 召回率 / (精确率 召回率)精确率和召回率的调和平均兼顾两方面的综合评价。在我给社团同学演示的过程中出现过这样一幕某位同学的随机森林模型准确率89%看起来很亮眼但打开混淆矩阵发现异常类少数类的召回率只有62%也就是说十个真正异常的心音里它漏掉了将近四个。如果不是看了混淆矩阵这个严重缺陷根本不会被发现。后来我们调整了分类阈值默认0.5改为0.4偏向于判断为异常召回率提上去了整体F1分数也确实变好了。5.2 交叉验证的正确姿势防止“自欺欺人”的评估在最初跑通流程时我们犯过一个错误把预处理后的全部特征矩阵随机划分成70%训练、30%测试一次训练一次测试拿到90%的准确率就发朋友圈庆祝了。后来复盘发现一个问题同一个病人的好几种录音片段可能同时出现在训练集和测试集中模型相当于是“见过这个人”之后去答题成绩虚高不奇怪。正确的做法是按“录音文件”分组划分让同一个病人的所有片段要么全部在训练集、要么全部在测试集。% 按录音ID分组进行分层交叉验证 patientIDs unique(fileIDs); cv cvpartition(patientIDs, KFold, 5); % 按病人做5折交叉验证还有一个很容易被忽视的操作细节特征标准化必须在每一折训练集上单独进行再用训练集的均值/标准差去转换验证集和测试集。我在前文提到过这里的核心问题是数据泄漏。如果先把全量数据标准化再划分那么验证集的信息就已经“泄露”到训练集里了。更糟糕的是如果你用全量数据算均值和标准差在测试集上使用每次划分均值标准差都不一样这种不一致会让你对结果的解读越来越混乱。accFold zeros(5,1); for k 1:5 trainIdx training(cv, k); testIdx test(cv, k); % 注意只对训练集拟合标准化参数 mu mean(featureMatrix(trainIdx,:), 1); sig std(featureMatrix(trainIdx,:), 0, 1); Xtr (featureMatrix(trainIdx,:) - mu) ./ sig; Xte (featureMatrix(testIdx,:) - mu) ./ sig; mdl fitcensemble(Xtr, labels(trainIdx), Method, AdaBoostM2); pred predict(mdl, Xte); accFold(k) sum(pred labels(testIdx)) / length(testIdx); end disp([5折交叉验证准确率, num2str(mean(accFold))]);5.3 我踩过的几个坑写出来希望你别再踩第一个坑是原始波形直接喂模型。有同学想展示自己的“深度学习能力”把3秒时间窗的6000维特征直接扔给神经网络而不是先做特征提取。结果是训练集准确率奇高、测试集准确率惨不忍睹。原因很简单6000维中包含的绝大多数是噪声和个体差异信息有效的结构性信息占比极低模型学到的是“记样本”而不是“学规律”。特征提取的价值就是把这6000维压缩到36维、去除冗余、让分类器的学习变得可能。第二个坑是带通滤波频率设置太保守。我们一开始参考了一些文献把滤波范围设成50Hz到300Hz结果S1心音里一个重要的低频“thump”成分被滤掉了所有样本的低频形态被抹平特征区分度直接下降。后来对照原始波形的频谱图示波发现心音在25Hz到50Hz之间还有能量分布就把下界放宽到25Hz。这个改动让随机森林的测试准确率提升了3个百分点。第三个坑是混淆正常与异常标签的含义。PhysioNet 2016的原始标签里除了正常和异常之外其实还有第三类“不确定”。我们在整理标签的时候一开始直接把“不确定”当成正常处理导致一部分测试集上噪声极大。后来仔细读了数据集文档把“不确定”类样本直接丢弃用干净的二分类数据训练指标才稳定下来。读原始数据说明文档这件事虽然枯燥但能省下后面无数的排查时间。第四个坑是版本兼容性。MATLAB从R2020a开始信号处理工具箱的某些函数签名有变动。我们的代码里有同学用旧版本跑不了mfcc函数旧版本用的是melcepst或者去File Exchange找额外工具包。统一到R2022b之后才没出幺蛾子。做项目之前先确认团队软件版本一致这句话再强调一遍都不过分。要说我做这个项目最大的收获倒不是最终模型跑到了多少准确率——毕竟心音分类本身是一个已经有大量成熟研究的经典课题我们做的这些远远谈不上前沿。更值得说的是这套“信号清洗 → 人工特征设计 → 基线模型 → 集成提升 → 严谨评估”的流程它像一个手艺活你不亲手把数据读进来、画出来、滤一遍、算特征、喂模型、调阈值你是很难理解什么叫“信号处理”和“机器学习”之间的衔接的。手里有了一套可以复用的代码基底之后以后再遇到其他任何“信号分类”任务——轴承故障诊断、语音识别、脑电情绪分析——把这个流程换汤不换药地搬过去就行模型结构不用改、评估框架不用改最多改改滤波参数和特征组合。这种可迁移的能力才是这个入门项目真正想给你的东西。 MATLAB心音分类实战：从信号预处理到特征提取的完整流程
看到“心音分类器”这个题目可能有朋友第一反应是这不是典型的深度学习活儿吗拿个预训练网络怼上去精度刷到99%完事。但真当你拿到一份真实的生理信号数据时会发现事情远没有这么简单。信号里有环境噪声、有呼吸音、有传感器摩擦声甚至还有医生操作时不小心碰触麦克风的声音直接丢给任何模型都是灾难。我去年在社团周会上带新人做机器学习入门项目选了一圈之后最后定在了“MATLAB 心音分类”这条线上折腾了大概三周最大的感受是用MATLAB做这个项目真正的价值点根本不在“分类器”那一环而是前面的信号预处理和特征提取——那才是决定模型上限的地方。这篇就把我们的完整流程、核心代码和踩过的坑一次说清楚适合刚接触机器学习、想在真实数据上完整跑通“信号 → 特征 → 模型 → 评估”这条链路的朋友参考。1. 为什么是MATLAB为什么是心音信号1.1 这个项目在做什么把生物信号变成机器学习问题心音分类在最简单版本里是一个二分类问题给定一段心音录音判断它是“正常”还是“异常”。异常心音包括各种杂音、瓣膜问题导致的额外音、心律不齐等等。医学上医生用听诊器听诊靠经验判断而我们要做的就是用机器学习模型去模拟这个判断过程。选这个题作为机器学习初探项目有几个天然优势。第一信号非常直观——你把它画出来正常人能看出明显的“嘣哒”两下心跳节律异常信号往往波形乱、幅值不均匀这个可视化过程对建立直觉特别有帮助。第二公开数据集很成熟PhysioNet 2016心音分类挑战赛的数据集有三千多条录音wav格式采样率2000Hz文件组织和标签都齐。第三问题边界清晰特征提取有明确的信号处理理论支撑分类器选择可以从最基础的决策树一直玩到集成学习梯度非常平滑不会出现“要么完全不会、要么直接上深度学习黑盒”的断层感。这个项目我们最终的目标不是刷高精度数值而是让社团里的同学完整经历一遍机器学习的标准流程拿到原始数据、做清洗和预处理、人工设计特征、训练模型、用交叉验证评估泛化能力。走完这一步后面换任何领域的数据——比如电机振动信号、语音命令、心电图——套路都是通的。1.2 MATLAB在这条链路里的独特优势我知道现在一说机器学习大家第一反应是Python。但在这个项目里MATLAB其实是更有性价比的选择尤其是在做信号处理和特征提取的阶段。Python做信号处理不是不行但需要numpy、scipy、librosa、pandas、scikit-learn等等好几个包配合着装版本之间存在兼容性问题光是给新人配环境就能耗掉半天。而MATLAB一个软件就把这些全干了信号处理工具箱里有滤波、傅里叶变换、小波分析、倒谱分析的完整函数统计与机器学习工具箱里有fitctree决策树、fitcecoc多分类SVM、fitcknnKNN、fitcensemble集成学习等现成模型画图方面MATLAB的原生绘图函数比matplotlib默认样式好看一个量级而且操作不需要写一堆样式调整代码。另外还有一点在初学阶段特别关键MATLAB的变量工作区是可视化的。你可以随时双击变量看数据长什么样、尺寸是多少、是单精度还是双精度这在调试特征矩阵维度的时侯简直救命。Python IDE里你还要print shape或者用debuggerMATLAB直接一目了然。MATLAB当然也有它的缺点比如闭源、贵、深度学习的生态确实不如Python丰富。但对于“机器学习初探”这个定位来说这些缺点完全不影响。学生用校园授权版或者开源社区里跟Octave的兼容性方案都够用。我个人的态度是工具是手段不是信仰哪个能让你最快把核心逻辑跑通就用哪个。这个项目的核心逻辑是信号处理和特征工程用MATLAB能让你的精力百分之百集中在核心逻辑而不是环境配置上这就是我推荐它的理由。2. 心音数据的获取与预处理先把“杂音”里的信息洗出来2.1 数据要从哪里来PhysioNet 2016数据集我们用的数据集是PhysioNet/Computing in Cardiology Challenge 2016提供的心音分类公开数据集这是一套专门用于心音自动分析研究的基准数据。数据分为training-a到training-e五个子文件夹一共包含三千多条心音录音wav文件每个文件夹下面还有一个HEART_SOUND.csv文件里面是每条录音对应的标签1表示正常-1表示异常。先说几个基本参数录音统一是2000Hz采样率也就是说每秒钟有2000个采样点人耳能听到的频率范围是20Hz到20000Hz而心音的绝大部分能量集中在20Hz到400Hz这个低频段2000Hz采样率对心音来说信息量完全足够。读取文件用MATLAB的audioread函数即可。% 读取单条心音录音 [y, fs] audioread(training-a/a0001.wav); % y是采样点数组fs是采样率(2000Hz) disp(size(y)); disp(fs);这里有一个新手常犯的错误录音文件不是等长的。有些录音3秒有些8秒文件总时长差异很大。如果直接把整段录音作为输入不同样本的特征维度就对不上。所以预处理阶段要统一处理到固定长度或者做分段切割后面我会细说。2.2 预处理三步走降采样、滤波、归一化拿到原始录音之后不要急着提特征。原始信号里包含了大量与心音无关的“脏东西”我把它称为噪声三件套环境噪声空调声、房间混响、生理干扰呼吸声、肌肉信号、传感器噪声麦克风接触摩擦、电噪声。此外还有50Hz/60Hz的工频干扰。我用的预处理流程是三步降采样可选、带通滤波、幅值归一化。降采样既然心音主要能量在400Hz以下根据奈奎斯特采样定理理论上800Hz采样率就足够重建信号。把2000Hz降采样到1000Hz甚至800Hz好处是数据量减半后续计算更快。不过对入门项目来说2000Hz的数据量本身也不大降不降采样对最终结果影响很小所以这一步我们后来基本跳过。带通滤波这是我们预处理里的核心步骤。心音的诊断信息主要位于25Hz到400Hz之间因此设计了一个四阶巴特沃斯带通滤波器保留这个频段滤掉低频漂移和高频噪声。低频漂移特别值得注意因为传感器接触或呼吸动作会产生一种非常慢的基线偏移如果不滤掉后面提取的时域特征比如均值和方差会被这个漂移带偏。% 设计四阶巴特沃斯带通滤波器通带25Hz~400Hz fs 2000; fL 25; fH 400; [b, a] butter(4, [fL fH]/(fs/2), bandpass); % 使用filtfilt零相位滤波避免相位失真 y_filtered filtfilt(b, a, y);为什么用filtfilt而不用filter这是很多初学会忽略的细节。filter是常规滤波会带来相位偏移filtfilt先把信号正向滤一遍、再反向滤一遍两次的相位偏移互相抵消得到零相位失真的结果。对心音这种看重波形形态的分析来说绝对有必要。幅值归一化因为不同录音的录制设备、深浅阈值、病人体型都不同音量幅值差异非常大。归一化就是把每个样本的最大幅值缩放为1。这样后续特征比如峰值、能量才有跨样本可比性。% 将幅值归一化到[-1, 1] y_normalized y_filtered / max(abs(y_filtered));我见过一个很隐蔽的坑如果你先归一化、再滤波滤波后的信号幅值可能又超过1了因为滤波本身会改变信号的能量分布。所以顺序应该是先滤波、再归一化。这个小细节不影响大的方向但会让你的特征数值更干净。2.3 信号分段与样本构建从连续波形到一个个“样本”现在手里是清洗过的完整录音。但问题来了一条录音少说也有好几秒心音是典型的周期信号——正常心跳每分钟60到100次大约每0.6秒到1秒一个周期。整段录音当成一个样本信息太稠、特征糊成一片分类器根本找不到判别性信息。更合理的做法是分段。我们把每条录音切成了固定长度为3秒的片段当作独立的样本参与后续训练。为什么是3秒经验值是3秒至少包含3个心动周期既能捕捉到周期性和一致性又不至于因为包含周期太多而把异常细节平均掉。% 将信号切分为3秒一段 segLen 3 * fs; % 3秒 numSeg floor(length(y_normalized) / segLen); for i 1:numSeg seg y_normalized((i-1)*segLen 1 : i*segLen); % 将seg作为一条样本存入后续的特征提取环节 end这里有个取舍需要说清楚。理想情况下我们应该是先做心音分割识别出S1、收缩期、S2、舒张期这四段再从每个心动周期提特征这样特征和生理机制对应得更准。但心音分割本身就是一个不小的课题需要做包络检测、峰值定位、逻辑判断相当于在分类问题之前又叠了一个完整项目对初学者来说步子迈得太大。我们最终采取的方案是“简单粗暴按时间窗切”训练出来的模型效果其实已经够用了。初探阶段先跑通流程比什么都重要。3. 特征提取把心跳声翻译成机器认识的数字3.1 时域特征如何描述一段波形的“性格”信号本身是几千个采样点机器学习模型不能直接吃这种原始波形。原始波形就算长度统一维度也太大3秒×2000采样率6000维而且每个采样点的具体数值受噪声影响很大不够鲁棒。特征提取的目标就是把一段波形压缩成一组维度不高、但能描述其本质属性的数字。我管时域特征叫“波形性格参数”它们是直接在时间轴上计算出的统计量均方根值RMS描述信号整体能量大小。心音异常时往往伴随额外杂音信号能量分布会变化。方差描述信号波动程度。异常心音经常更“乱”方差会变大。峰值/谷值描述单次心跳的最大冲击力。S1第一心音和S2第二心音的峰值比例在不同疾病下会有变化。过零率信号在单位时间内穿越零点的次数。过零率越高说明信号越“高频”异常杂音通常是高频的会让过零率显著上升。峰值因子峰值除以RMS描述波形“尖锐”程度。心音异常时心脏射血状态改变波形形态随之改变。function feat extractTimeFeatures(seg) feat zeros(1, 5); feat(1) rms(seg); % 均方根值 feat(2) var(seg); % 方差 feat(3) max(abs(seg)); % 峰值 feat(4) sum(abs(diff(sign(seg)))) / (length(seg)-1); % 过零率 feat(5) max(abs(seg)) / (rms(seg) eps); % 峰值因子 end这几个人人都能算、看起来“没什么技术含量”的特征在实际分类中的贡献往往出乎意料地大。尤其是过零率和方差训练出来的随机森林模型里重要性排得都很靠前。原因也简单异常心音中高频杂音成分多信号振荡更频繁过零率自然高。你不需要理解它的生理机理只需要信任它能区分正常和异常。3.2 频域特征与倒谱MFCC为什么能跨界单独靠时域特征还不够——不同病人心音的时域波形即使同是“正常”形态差异也很大直接用原始幅值统计量做特征很难做到跨个体泛化。频域特征的加入相当于从另一个角度描述信号不再是“这个波形长什么样”而是“这个波形由哪些频率成分构成”。首先做短时傅里叶变换得到语谱图。基于语谱图可以计算频域特征频谱质心信号能量在频率上的加权平均描述“声音听起来亮不亮”。频谱带宽能量在质心周围的散布程度异常杂音会让带宽变大。频谱滚降点信号能量有多少集中在低频端的阈值点心音是低频为主滚降点通常在低频。然后是MFCC梅尔频率倒谱系数。这个词大家可能在语音识别里听过但心音也是声学信号MFCC同样适用。MFCC把频谱按人耳感知的梅尔刻度映射到对数刻度然后做离散余弦变换得到的倒谱系数能非常紧凑地表示频谱包络的形状。心音的频谱包络跟心脏结构、瓣膜状态有关异常状态下包络形状变化明显MFCC能更好捕捉这种变化。% 计算13维MFCC特征 [coeff, ~] mfcc(seg, fs, NumCoeffs, 13, ... WindowLength, round(0.03*fs), OverlapLength, round(0.02*fs)); % 沿时间轴取平均值和标准差得到26维特征 mfccMean mean(coeff, 1); mfccStd std(coeff, 0, 1); featMFCC [mfccMean, mfccStd];MFCC的重要性在于它经过语音识别领域几十年验证是一种对“声音”来说极其高效的压缩表示。心音本质上也是声音共享这套表示完全合理。用在我们的模型里加入MFCC后交叉验证准确率大约提升了4到5个百分点是贡献最大的一类特征。3.3 用MATLAB组装特征矩阵别在维度上翻车把所有片段的特征拼成一个矩阵这是机器学习训练的前置工作也是很多新手第一次接触“特征矩阵”这个概念的地方。这里有一个非常重要的规范每个样本提取的特征必须是相同长度的向量。比如时域特征选了5个频域特征选了5个MFCC选了26个那这个样本的特征向量就是1×36。所有样本都提这36个特征最后拼出一个N×36的特征矩阵。featureMatrix []; labels []; for i 1:length(fileList) [y, fs] audioread(fileList{i}); % 预处理滤波、归一化 y filtfilt(b, a, y); y y / max(abs(y)); % 分段 segLen 3 * fs; numSeg floor(length(y) / segLen); for j 1:numSeg seg y((j-1)*segLen1 : j*segLen); featT extractTimeFeatures(seg); % 5维 featF extractFreqFeatures(seg, fs); % 5维 featM extractMFCCFeatures(seg, fs); % 26维 featAll [featT, featF, featM]; % 36维 featureMatrix [featureMatrix; featAll]; labels [labels; labelVal]; % 0或1 end end % 保存到mat文件供后续训练复用 save(heart_feature.mat, featureMatrix, labels, -v7.3);这段代码里我特意标了一个重要的坏习惯示例特征矩阵和标签用[matrix; newRow]这种横向拼接方式。在小数据量下它能工作但样本上万的时候这种写法会反复复制内存慢得让人抓狂。正确做法是预分配矩阵或者把每个样本的结果存到cell里最后一次性合并。被教育过一次之后我现在写的代码都是先zeros(N, 36)初始化好再填充。这算是个性能层面的教训。组装好之后建议立刻做一步特征标准化。什么是标准化就是把每个特征的均值变为0、标准差变为1。featureMatrixNorm normalize(featureMatrix);为什么标准化是必须的因为不同特征量纲差异巨大——MFCC的数值可能是几十而RMS只有零点几。很多分类器内部计算距离或正则化项会让量纲大的特征主导结果。标准化就是消除量纲影响。需要提醒的是标准化参数只能在训练集上计算测试集要用同样的均值和标准差去转换这个细节放到第5节交叉验证的时候再具体展开。4. 分类器选型与训练从基线模型开始的进阶路线4.1 为什么不要一上来就上深度学习把特征矩阵准备好之后接下来就是模型训练。但这里我要反复强调一个初学阶段的观念不要一上来就上深度学习。神经网络是一个高度非线性的“万能函数”但它需要海量数据、大量调参、以及在验证集上的迭代监控。我们的心音数据集经过分段后样本量大约几千条特征维度只有36维这种“小样本中等维度”的设定本身就是传统机器学习的主场。用传统机器学习有几个看得见摸得着的好处第一训练快几十秒出结果可以反复试第二可解释性强比如决策树你可以把树画出来看它到底学了什么规则第三对特征工程的好坏能立刻得到反馈。你加了一组特征、准确率提升了你知道是这组特征起了作用你换了个乱七八糟的特征、准确率下降了你也知道是这组特征在拖后腿。这种反馈对建立直觉极其重要是深度学习的黑盒给不了的。我在表里列了四种适合初学的分类器以及它们在本项目上的表现对比分类器原理一句话本项目初测准确率训练速度调参难度决策树用一系列“特征阈值”的判断做分类约78%极快低K近邻KNN看距离最近的K个样本属于哪类约82%训练快、预测慢低支持向量机SVM在高维空间找一个最优分割超平面约84%快中随机森林训练多棵决策树投票决定结果约88%快中低AdaBoost集成用多个弱分类器加权组合成强分类器约90%中等中从这个表能明显看出规律集成方法随机森林、AdaBoost比单模型表现好。原因也很直观心音特征内部往往存在复杂的交互关系比如某个时域特征在结合某个频域特征的时候才有判别意义单棵决策树对这个交互的建模能力是有限的但多棵树从不同角度切分数据再投票能把这种交互关系综合起来。4.2 三种主流分类器的MATLAB实现与调用MATLAB的fitc系列函数把传统机器学习封装得极其友好。下面给出我们项目里用到的决策树、SVM和集成学习三种实现的对照代码读者拿去改数据路径就能跑通。% 假设featureNorm是N×36特征矩阵label是N×1标签0或1 % 1. 决策树 mdlTree fitctree(featureNorm, label, CrossVal, off); accuracyTree 1 - resubLoss(mdlTree); % 注意这只是训练集回代精度 % 2. SVMRBF核 mdlSVM fitcecoc(featureNorm, label, Learners, svm); % fitcecoc是错误纠错输出码用于多分类二分类时等价于一个SVM % 3. 集成学习AdaBoostM1 决策树弱学习器 t templateTree(MaxNumSplits, 10); mdlEnsemble fitcensemble(featureNorm, label, ... Method, AdaBoostM2, ... NumLearningCycles, 50, ... Learners, t);fitcensemble是这里面的明星函数。它内部自动处理了自适应增强的各个细节你只需要指定弱学习器和方法。我们指定MaxNumSplits10是为了限制每棵弱树不要太深太深的树容易过拟合保留一些“弱能力”的模型反而让Adaboost更有效。训练完之后预测新数据的逻辑更简单% 对测试集预测 predLabel predict(mdlEnsemble, testFeatureNorm); % 计算准确率 acc sum(predLabel testLabel) / length(testLabel);4.3 集成模型的参数调节经验机器学习里有个概念叫“偏差-方差权衡”模型太简单会欠拟合偏差高模型太复杂会过拟合方差高。集成模型的设计初衷就是通过组合多个弱模型在保持低偏差的同时降低方差。用fitcensemble的时候有两个参数最值得调NumLearningCycles弱学习器数量和Learners里的深度限制。我自己的经验是弱学习器数量从10加到50时效果提升最明显到100以上提升就趋于平缓了。收益边际递减这个现象在集成学习里非常典型。弱树的深度控制在5到10层比较合适。太深容易单棵树就过拟合了太浅每棵树都太笨集成出来的模型不够聪明。在深度学习特征的标准化问题上对树模型来说标准化影响不大因为树只关心阈值切分不关心距离但对SVM和KNN这种基于距离的模型影响巨大。我们的做法是找出全部特征直接标准化一视同仁。调参的时候不要靠猜可以用MATLAB的fitcensemble配合OptimizeHyperparameters做自动超参数搜索。不过要注意超参数搜索会跑很久数据量大的时候建议先抽取一部分数据做快速实验确定参数范围后再全量训练。% 自动超参数调优示例小心运行时间 mdlOpt fitcensemble(featureNorm, label, ... Method, AdaBoostM2, ... OptimizeHyperparameters, {NumLearningCycles, LearnRate}, ... HyperparameterOptimizationOptions, struct(MaxObjectiveEvaluations, 30));5. 评估与调参准确率之外还要看敏感度和特异性5.1 混淆矩阵与三类指标别被准确率蒙蔽训练完模型很多人只会看一个准确率数字。但在这个项目里我要强调准确率是一个不够用的指标。原因在于正负样本不均衡心音数据集中正常样本比异常样本略多即使你无脑把全部样本输出成“正常”准确率也能到差不多52%。在这种背景下准确率不能描述模型在“少数类”上的表现。我们需要看混淆矩阵它把预测结果和真实标签的对应关系展开成一个2×2表真实\预测预测正常预测异常正常TN真阴性FP假阳性异常FN假阴性TP真阳性从混淆矩阵可以推导出一组指标敏感度/召回率 TP / (TP FN)异常样本被正确找出来的比例。漏掉一个异常样本意味着漏诊一个可能有心脏问题的病人这是最不能接受的错误。特异性 TN / (TN FP)正常样本被正确识别为正常的比例。误报一个正常样本会让人白白焦虑但代价相对可控。F1分数 2 × 精确率 × 召回率 / (精确率 召回率)精确率和召回率的调和平均兼顾两方面的综合评价。在我给社团同学演示的过程中出现过这样一幕某位同学的随机森林模型准确率89%看起来很亮眼但打开混淆矩阵发现异常类少数类的召回率只有62%也就是说十个真正异常的心音里它漏掉了将近四个。如果不是看了混淆矩阵这个严重缺陷根本不会被发现。后来我们调整了分类阈值默认0.5改为0.4偏向于判断为异常召回率提上去了整体F1分数也确实变好了。5.2 交叉验证的正确姿势防止“自欺欺人”的评估在最初跑通流程时我们犯过一个错误把预处理后的全部特征矩阵随机划分成70%训练、30%测试一次训练一次测试拿到90%的准确率就发朋友圈庆祝了。后来复盘发现一个问题同一个病人的好几种录音片段可能同时出现在训练集和测试集中模型相当于是“见过这个人”之后去答题成绩虚高不奇怪。正确的做法是按“录音文件”分组划分让同一个病人的所有片段要么全部在训练集、要么全部在测试集。% 按录音ID分组进行分层交叉验证 patientIDs unique(fileIDs); cv cvpartition(patientIDs, KFold, 5); % 按病人做5折交叉验证还有一个很容易被忽视的操作细节特征标准化必须在每一折训练集上单独进行再用训练集的均值/标准差去转换验证集和测试集。我在前文提到过这里的核心问题是数据泄漏。如果先把全量数据标准化再划分那么验证集的信息就已经“泄露”到训练集里了。更糟糕的是如果你用全量数据算均值和标准差在测试集上使用每次划分均值标准差都不一样这种不一致会让你对结果的解读越来越混乱。accFold zeros(5,1); for k 1:5 trainIdx training(cv, k); testIdx test(cv, k); % 注意只对训练集拟合标准化参数 mu mean(featureMatrix(trainIdx,:), 1); sig std(featureMatrix(trainIdx,:), 0, 1); Xtr (featureMatrix(trainIdx,:) - mu) ./ sig; Xte (featureMatrix(testIdx,:) - mu) ./ sig; mdl fitcensemble(Xtr, labels(trainIdx), Method, AdaBoostM2); pred predict(mdl, Xte); accFold(k) sum(pred labels(testIdx)) / length(testIdx); end disp([5折交叉验证准确率, num2str(mean(accFold))]);5.3 我踩过的几个坑写出来希望你别再踩第一个坑是原始波形直接喂模型。有同学想展示自己的“深度学习能力”把3秒时间窗的6000维特征直接扔给神经网络而不是先做特征提取。结果是训练集准确率奇高、测试集准确率惨不忍睹。原因很简单6000维中包含的绝大多数是噪声和个体差异信息有效的结构性信息占比极低模型学到的是“记样本”而不是“学规律”。特征提取的价值就是把这6000维压缩到36维、去除冗余、让分类器的学习变得可能。第二个坑是带通滤波频率设置太保守。我们一开始参考了一些文献把滤波范围设成50Hz到300Hz结果S1心音里一个重要的低频“thump”成分被滤掉了所有样本的低频形态被抹平特征区分度直接下降。后来对照原始波形的频谱图示波发现心音在25Hz到50Hz之间还有能量分布就把下界放宽到25Hz。这个改动让随机森林的测试准确率提升了3个百分点。第三个坑是混淆正常与异常标签的含义。PhysioNet 2016的原始标签里除了正常和异常之外其实还有第三类“不确定”。我们在整理标签的时候一开始直接把“不确定”当成正常处理导致一部分测试集上噪声极大。后来仔细读了数据集文档把“不确定”类样本直接丢弃用干净的二分类数据训练指标才稳定下来。读原始数据说明文档这件事虽然枯燥但能省下后面无数的排查时间。第四个坑是版本兼容性。MATLAB从R2020a开始信号处理工具箱的某些函数签名有变动。我们的代码里有同学用旧版本跑不了mfcc函数旧版本用的是melcepst或者去File Exchange找额外工具包。统一到R2022b之后才没出幺蛾子。做项目之前先确认团队软件版本一致这句话再强调一遍都不过分。要说我做这个项目最大的收获倒不是最终模型跑到了多少准确率——毕竟心音分类本身是一个已经有大量成熟研究的经典课题我们做的这些远远谈不上前沿。更值得说的是这套“信号清洗 → 人工特征设计 → 基线模型 → 集成提升 → 严谨评估”的流程它像一个手艺活你不亲手把数据读进来、画出来、滤一遍、算特征、喂模型、调阈值你是很难理解什么叫“信号处理”和“机器学习”之间的衔接的。手里有了一套可以复用的代码基底之后以后再遇到其他任何“信号分类”任务——轴承故障诊断、语音识别、脑电情绪分析——把这个流程换汤不换药地搬过去就行模型结构不用改、评估框架不用改最多改改滤波参数和特征组合。这种可迁移的能力才是这个入门项目真正想给你的东西。