简介：基于小波变换与BP神经网络的心电信号身份识别，是一套面向生物医学信号处理与模式识别方向的完整实现方案，适合学习小波分析、神经网络及ECG处理技术的学生或研究者，意在解决如何利用ECG特征进行个体身份识别的问题。压缩包内共13个文件，含10个MAT格式的ECG样本数据、2个M格式的Matlab源代码和1个TXT程序说明，整体仅17KB，轻量易用。项目完整覆盖小波去噪与特征提取、QRS复合波检测、时域/频域/非线性特征选择、BP神经网络训练与识别等流程，代码附详细注释，样本数据可直接用于训练测试，帮助读者从信号预处理到分类识别逐步打通原理与实现。目前已有3346人学习使用，既适合课程设计与毕业设计参考，也可作为ECG身份识别研究入门的案例。
1. 基于小波变换与BP神经网络的ECG身份识别：这不是玩具项目
第一次看到用ECG做身份识别，我以为是学术噱头。直到自己把MIT-BIH数据库里的几十条心电图跑完，才意识到心跳波形和指纹一样，具备可量化的个体差异。这个资源的核心思路很直接：先用小波变换对原始ECG信号做去噪和QRS波群定位，再把每个心跳片段转换成特征向量，最后用BP神经网络做身份分类。整条链路不需要专业设备，普通可穿戴设备采集的单导联信号就能跑通。适合刚接触生物识别、想把手里的ECG数据变成可交互系统的从业者，也适合做课程设计或毕业设计需要完整落地代码的人。这份资源解决的不只是“识别准确率”问题，更是一整套从原始波形到身份决策的工程化流程。下面我按自己复现时的顺序，把原理、代码、参数和踩过的坑一起拆开讲。
2. 小波变换与BP神经网络：为什么这对组合适合ECG身份识别
2.1 ECG信号为何能做身份识别
ECG信号由心脏电活动产生，不同个体的心脏位置、心肌厚度、胸腔导电特性不同，导致P波、QRS波群、T波的形态和相对位置存在可复现的差异。这种差异在同一个体身上足够稳定，在不同个体之间又足够分散，所以本质上ECG是一类高维生物特征。和指纹、人脸相比，ECG难以伪造，因为信号来自活体，且随情绪、运动会有少量漂移，但这种漂移反而让识别系统更难被简单重放攻击。
用ECG做身份识别，通常分三步走：检测QRS波群定位R峰，从每个R峰附近截取固定长度的波形，再提取该片段的形态特征。R峰位置是整条链路的锚点，如果R峰定位偏了哪怕几个采样点，后续截取的心跳片段就会错位，特征向量跟着失真。所以QRS检测的质量直接决定身份识别上限，这也是为什么本项目把QRS检测作为单独的核心环节来实现。
2.2 小波变换在ECG去噪与QRS检测中的角色
ECG信号是典型的非平稳信号，基线漂移、工频干扰和肌电噪声混在有效波形里。傅里叶变换只能告诉你信号包含哪些频率，却把时间信息抹掉了。小波变换通过一组伸缩和平移的小波基函数，同时保留频率和时间局部化信息。对于ECG这种瞬态突变明显的信号，小波的多分辨率特性非常契合：低频段对应基线漂移，中频段对应P波和T波，高频段对应QRS波群的陡峭边缘。
这里我用的是sym4小波，因为它和ECG的QRS波群形状相似，在检测突变点时比db系列更平滑。小波分解层数一般取4到5层：第1、2层细节系数主要包含工频和肌电噪声，近似系数第4或第5层主要包含基线漂移。去噪时对细节系数做软阈值处理，再重构信号，能在保留QRS边缘的前提下把噪声压下去。QRS检测则利用小波变换的突变检测性质：R峰对应小波变换模极大值，通过检测细节系数的过零点或模极大值，可以定位R峰位置。这个做法比直接对原始信号设阈值更稳，因为阈值法在噪声高时容易把T波误判为R峰，而小波系数在R峰处的响应强度远大于T波。
2.3 BP神经网络的结构与训练逻辑
BP神经网络是一个多层前馈网络，通过误差反向传播更新权重。对于ECG身份识别，输入层是特征向量的维度，输出层是身份类别数，隐藏层层数和神经元数量决定网络的拟合能力。这里我用一个三层BP网络：输入层、一个隐藏层、输出层。理论上三层网络可以逼近任意连续函数，ECG身份识别本质上是多分类问题，类别边界比较复杂，但特征经过小波提取后已经比较规整，三层结构足够，再加层反而容易过拟合。
BP的训练逻辑分两步：前向传播计算每层输出，反向传播根据损失函数梯度逐层更新权重和偏置。激活函数用sigmoid，输出层用softmax。训练结束后，每个类别的输出概率就是预测置信度。BP的缺点是需要人工调学习率、迭代次数和隐藏层节点数，一旦数据分布变化，参数可能要重调。不过在小样本、特征已经压缩的情况下，BP的表现并不比深度学习差太多，而且训练速度快，资源消耗低，适合部署在边缘设备上。后面我会给出一个经过调参的默认参数配置，新手可以直接套用。
3. 数据准备与QRS检测：从原始波形到R峰位置
3.1 数据组织方式与预处理
首先明确输入格式。本项目面向的是单导联ECG数据，采样率建议不低于250Hz，波形长度至少10秒。数据格式可以是记录仪导出的CSV，每行一个采样点，包含时间戳和电压值。为了对齐不同受试者的信号，需要统一做三步预处理：
- 截取固定长度：取每个受试者连续10秒波形，去除起始和末尾各0.5秒，避免起止段噪声。
- 去除基线漂移：先用中值滤波估计基线，再用原始信号减去基线。中值滤波窗口长度取采样率的十分之一到五分之一，太大会把低频P波也滤掉，太小则去不掉呼吸造成的漂移。
- 归一化幅值：每个受试者的波形幅值不同，统一除以该段信号绝对值的最大值，让幅值范围落在[-1,1]之间。
下面给出预处理代码，使用PyWavelets库实现小波操作。
import numpy as np import pywt def preprocess_ecg(signal, fs=360, seg_len_sec=10): """ 预处理ECG信号： - 截取指定长度 - 中值滤波去基线漂移 - 幅值归一化 参数: signal: 原始ECG一维数组 fs: 采样率，MIT-BIH默认360Hz seg_len_sec: 截取时长 返回: cleaned: 预处理后的信号 """ seg_len = int(fs * seg_len_sec) if len(signal) < seg_len: # 不足长度时补零，但最好在数据组织阶段保证长度足够 signal = np.pad(signal, (0, seg_len - len(signal))) else: start = (len(signal) - seg_len) // 2 signal = signal[start:start + seg_len] # 中值滤波估计基线，窗口约为200ms window = int(0.2 * fs) if window % 2 == 0: window += 1 baseline = np.array([np.median(signal[i:i+window]) for i in range(len(signal) - window + 1)]) baseline = np.pad(baseline, (window//2, len(signal) - len(baseline) - window//2), mode='edge') detrended = signal - baseline # 幅值归一化 max_abs = np.max(np.abs(detrended)) if max_abs > 0: detrended = detrended / max_abs return detrended这段代码里，中值滤波用滑动窗口逐个计算中位数，虽然慢一点但直观，适合教学。实际工程中可以用scipy.ndimage.median_filter替代，速度翻倍。注意窗口长度要是奇数，否则中位数的索引会偏移。基线估计完用edge模式填充边界，是为了让减掉基线后的信号长度与原始信号一致，否则两端会少window//2个点。如果忽略这个填充，后面的QRS检测会在端点处出现假峰。
3.2 小波变换去噪的Python实现
预处理后的信号仍然残留肌肉电噪声和50Hz工频干扰。这里用sym4小波做4层分解，对第1、2层细节系数做软阈值处理，重构得到去噪信号。阈值采用通用规则：threshold = sigma * sqrt(2 * log(N))，其中sigma用细节系数的中位绝对偏差估计，N为信号长度。
def wavelet_denoise(signal, wavelet='sym4', level=4, mode='soft'): """ 小波去噪：对前两层细节系数做阈值收缩 参数: signal: 预处理后的一维ECG信号 wavelet: 小波基 level: 分解层数 mode: 软阈值或硬阈值，建议soft 返回: denoised: 去噪后信号 """ coeffs = pywt.wavedec(signal, wavelet, level=level) sigma = np.median(np.abs(coeffs[-level])) / 0.6745 # 最细节层的噪声估计 thr = sigma * np.sqrt(2 * np.log(len(signal))) new_coeffs = [] for i, coeff in enumerate(coeffs): if i <= level - (level - 2): # 只处理前两层细节系数 # 前两层主要包含高频噪声 new_coeff = pywt.threshold(coeff, thr, mode=mode) else: new_coeff = coeff new_coeffs.append(new_coeff) denoised = pywt.waverec(new_coeffs, wavelet) return denoised[:len(signal)] # waverec返回长度可能多几个点，截断这里的细节处理很关键。我只对第1、2层细节系数做阈值收缩，第3、4层保留。因为在ECG中，R峰的陡峭上升沿对应高频成分，但如果把第1、2层完全置零，QRS波群会变平滑，R峰检测时的模极大值就会变弱。软阈值比硬阈值更温和，不会产生额外的高频振荡。sigma用最内层细节系数估计，是工程上的常见做法，因为最内层几乎全是噪声，统计意义可靠。如果信号本身的QRS波幅值很低，可以适当降低thr系数，比如改成0.8 * thr，避免把有效QRS边缘也压掉。
3.3 基于小波的QRS检测算法
QRS检测的核心思路是：R峰在小波细节系数上表现为一对正负极大值，跨越零点。我用的方法是：对去噪信号做一阶导数的平方包络，然后设置自适应阈值，结合不应期消除多个候选峰。不过纯导数法在噪声下容易崩。更稳的是结合小波系数进行检测。这里给出一个经典的双阈值检测流程，用sym4小波的第2层细节系数作为检测依据。
def detect_qrs(signal, fs=360, refractory_ms=200): """ 基于小波细节系数的QRS检测 返回: r_peaks -- R峰所在采样点索引列表 """ # 用sym4做2层分解，取第2层细节系数 coeffs = pywt.wavedec(signal, 'sym4', level=2) detail = coeffs[-2] # 第2层细节，长度约为原始信号的一半 # 将细节系数重采样回原信号长度 detail = np.interp(np.arange(len(signal)), np.linspace(0, len(signal)-1, len(detail)), detail) # 计算平方包络增强R峰响应 envelope = detail ** 2 # 初始阈值：取包络的90百分位乘以0.3，作为高阈值 thr_high = np.percentile(envelope, 90) * 0.3 thr_low = thr_high * 0.5 r_peaks = [] peak_candidate = -1 peak_value = 0 refractory_samples = int(fs * refractory_ms / 1000) # 滑动查找，跨越低阈值后记录候选，超过高阈值时更新最大峰值 for i in range(len(envelope)): if envelope[i] > thr_low: peak_candidate = i peak_value = envelope[i] while i < len(envelope) and envelope[i] > thr_low: if envelope[i] > peak_value: peak_candidate = i peak_value = envelope[i] i += 1 # 验证不应期 if len(r_peaks) == 0 or (peak_candidate - r_peaks[-1]) > refractory_samples: r_peaks.append(peak_candidate) # 重置游标，回到主循环时会继续前进 i -= 1 # 对检测结果做一步精细校正：在原始信号中找局部极大值点 refined_peaks = [] for peak in r_peaks: left = max(0, peak - 10) right = min(len(signal), peak + 10) local_max = left + np.argmax(signal[left:right]) refined_peaks.append(local_max) return np.array(refined_peaks)这是我在实际项目里常用的流程：先看细节系数的平方包络，这样可以避免R峰正负极大值方向不同的影响。阈值的选取不是固定的，我一般先取包络的90百分位作为参考，再乘0.3得到高阈值，低阈值取高阈值的0.5。这个比例在绝大多数ECG数据上都能工作，但如果你的信号噪声特别大，可以把0.3降到0.2，代价是可能检测出少量假峰。不应期设为200ms，对应心率上限300bpm，实测足够。最后在R峰近邻10个采样点内找原始信号最大值，是为了修正小波分解重采样带来的偏移，这个偏移通常只有几个采样点，不修正会影响后续特征截取。
3.4 检测结果可视化与手动校正逻辑
QRS检测不是一次跑完就完事，必须可视化验证。我建议把原始信号、去噪信号、检测到的R峰位置同时画在一张图上。常见问题有两个：一是T波被误判为R峰，表现为不应期外多出一个小峰；二是漏检，两个R峰间隔过大。可视化之后，还需要一个手动校正列表，记录需要删除或添加的峰位。
import matplotlib.pyplot as plt def plot_qrs(signal, r_peaks, title='QRS Detection Result'): """可视化检测结果，人工核对R峰位置""" time = np.arange(len(signal)) / 360 # 假设采样率360Hz plt.figure(figsize=(12, 4)) plt.plot(time, signal, 'k-', lw=0.8) plt.plot(time[r_peaks], signal[r_peaks], 'ro', markersize=5) plt.title(title) plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.grid(alpha=0.3) plt.show() # 用法示例 # denoised = wavelet_denoise(preprocessed) # peaks = detect_qrs(denoised) # plot_qrs(denoised, peaks)用matplotlib查看时，重点看每个R峰的横坐标是否落在波形最高尖峰处。如果某个峰明显偏左或偏右，说明小波重采样有偏差，可以通过调整局部搜索窗口解决。如果整个序列大量峰位偏移，更可能是采样率与代码默认值不一致。手动校正时，我会维护一个“删除峰索引”和“添加峰索引”，然后用这些索引修正后，再进入下一阶段的特征提取。这是确保数据集质量不可跳过的一步。数据好看，后面的BP识别才有意义。
4. 特征提取与BP训练：把每个心跳变成一条身份特征
4.1 从R峰切窗到特征矩阵
R峰定位完成后，以每个R峰为中心，向前取0.25秒、向后取0.4秒，这样每个心跳片段包含完整P波、QRS波群和部分T波。采样率360Hz时，片段长度为0.65秒×360≈234个采样点。这个长度不是随便定的：向前0.25秒足够覆盖PR间期，向后0.4秒覆盖T波峰值，太短会截断T波，太长会把相邻心跳的P波包含进来。
def build_windows(signal, r_peaks, fs=360, before_sec=0.25, after_sec=0.4): """ 以R峰为中心截取心跳窗口 返回: windows -- 二维数组，shape=(n_windows, window_len) """ before = int(before_sec * fs) after = int(after_sec * fs) window_len = before + after + 1 # 加上R峰本身 windows = [] valid_peaks = [] for peak in r_peaks: start = peak - before end = peak + after + 1 if start < 0 or end > len(signal): continue windows.append(signal[start:end]) valid_peaks.append(peak) return np.array(windows), np.array(valid_peaks)截取时检查边界是最容易忽视的点。首尾的R峰不足完整窗口时，直接丢弃，不要用零填充。零填充会引入一个假的高频跳变，后期特征计算会被污染。一个受试者10秒ECG大约能截到10到13个有效窗口，这已经足够训练了。如果整个数据集只有几十秒，就要考虑重叠窗口扩增，否则BP容易欠拟合。
4.2 特征规整与标签编码
窗口直接作为原始特征输入BP有一个问题：维度太高且含有噪声冗余。我的做法是提取三组特征：
- 窗口的原始采样值降采样到64维，保留形态整体信息。
- 对窗口做4层小波分解，取近似系数和第三层细节系数的统计量（均值、方差、峰值），形成一组16维的小波特征。
- 窗口内RR间期（当前R峰与上一个R峰的时间差）和窗口宽度作为临时特征。
最终特征向量拼接成80维度左右。降采样可以用numpy的interp，注意不要用简单的跳跃采样，跳跃采样可能漏掉QRS尖峰。
def extract_features(windows, fs=360): """ 从心跳窗口提取特征向量 返回: features -- shape=(n_windows, feature_dim) """ feature_list = [] for win in windows: # 1. 形态降采样到64维 morph = np.interp(np.linspace(0, len(win), 64), np.arange(len(win)), win) # 2. 4层小波分解的统计特征 coeffs = pywt.wavedec(win, 'sym4', level=4) stats = [] for c in coeffs: stats.append(np.mean(c)) stats.append(np.var(c)) stats.append(np.percentile(np.abs(c), 95)) stats = np.array(stats) # 合并 features = np.concatenate([morph, stats]) feature_list.append(features) return np.array(feature_list)特征维度定为64+15=79（4层小波分解有5组系数，每组3个统计量共15）。没有加RR间期，因为RR间期受情绪和运动影响较大，在身份识别中不是稳定特征。如果你做的是运动状态识别，RR间期反而有价值。小波统计量中，近似系数均值和方差反映心跳的基线形态，细节系数的95百分位反映QRS波的突变强度，这比原始采样值更抗噪声。降采样到64维保留了时域细节，又不至于让BP输入维度太高导致过拟合。
所有受试者的特征堆叠成大矩阵后，需要做z-score标准化。标准化参数用训练集的均值和标准差，测试集要复用同样的参数，不能对整个数据集一起标准化，否则会引入未来信息。
from sklearn.preprocessing import StandardScaler # X_all: 所有样本特征, y_all: 标签(整数) scaler = StandardScaler() X_all = scaler.fit_transform(X_all)标签编码很简单，每个受试者分配一个整数0到N-1。如果原始文件是按目录组织的，直接写一个映射表。
4.3 BP神经网络搭建与训练
我用手工实现的三层BP网络，不依赖sklearn的MLPClassifier，因为手工实现可以清楚看到权重更新过程，方便调整参数。网络结构：输入层79个节点，隐藏层64个节点，输出层N个节点（类别数）。隐藏层用sigmoid激活函数，输出层用softmax，损失函数是交叉熵。
class SimpleBP: def __init__(self, n_input, n_hidden, n_output, lr=0.1): self.n_input = n_input self.n_hidden = n_hidden self.n_output = n_output self.lr = lr # He初始化，sigmoid激活时建议用Xavier，这里用简单随机 self.W1 = np.random.randn(n_input, n_hidden) * np.sqrt(2 / n_input) self.b1 = np.zeros((1, n_hidden)) self.W2 = np.random.randn(n_hidden, n_output) * np.sqrt(2 / n_hidden) self.b2 = np.zeros((1, n_output)) def sigmoid(self, x): return 1 / (1 + np.exp(-x)) def softmax(self, x): exp_x = np.exp(x - np.max(x, axis=1, keepdims=True)) return exp_x / np.sum(exp_x, axis=1, keepdims=True) def forward(self, X): self.z1 = X @ self.W1 + self.b1 self.a1 = self.sigmoid(self.z1) self.z2 = self.a1 @ self.W2 + self.b2 self.probs = self.softmax(self.z2) return self.probs def backward(self, X, y_onehot): m = X.shape[0] dz2 = self.probs - y_onehot dW2 = self.a1.T @ dz2 / m db2 = np.sum(dz2, axis=0, keepdims=True) / m da1 = dz2 @ self.W2.T dz1 = da1 * (self.a1 * (1 - self.a1)) dW1 = X.T @ dz1 / m db1 = np.sum(dz1, axis=0, keepdims=True) / m # 梯度下降更新 self.W2 -= self.lr * dW2 self.b2 -= self.lr * db2 self.W1 -= self.lr * dW1 self.b1 -= self.lr * db1 def train(self, X, y, epochs=500, batch_size=32): m = X.shape[0] y_onehot = np.eye(self.n_output)[y] for epoch in range(epochs): # 随机打乱 perm = np.random.permutation(m) X_shuffled = X[perm] y_shuffled = y_onehot[perm] for i in range(0, m, batch_size): X_batch = X_shuffled[i:i+batch_size] y_batch = y_shuffled[i:i+batch_size] self.forward(X_batch) self.backward(X_batch, y_batch) if epoch % 100 == 0: probs = self.forward(X) loss = -np.mean(np.sum(y_onehot * np.log(probs + 1e-8), axis=1)) acc = np.mean(np.argmax(probs, axis=1) == y) print(f"Epoch {epoch}, loss={loss:.4f}, acc={acc:.4f}")这段代码手工实现了反向传播。注意几个关键点：softmax里先减去每行最大值，防止exp溢出；交叉熵计算时加了1e-8防log(0)；梯度更新用batch_size缩放。训练时我按batch_size=32随机取样本，这样比全量梯度下降更稳定，也更快收敛。学习率0.1是经验值，如果loss震荡，降到0.05；如果收敛太慢，调到0.3。
4.4 训练参数与收敛判断
BP训练参数不是拍脑袋定死，我给出一个经过多次实验的默认配置：
- 隐藏层节点数：64。节点太少拟合不了个体差异，太多容易记死训练集。64在80维输入、5类输出的场景下表现均衡。如果类别数超过20，隐藏层可以适当加到128。
- 学习率：0.1，配合batch_size=32。
- 迭代次数：最多500轮。CBPT网络会过拟合，所以要在验证集上监控准确率，当验证集准确率连续30轮不再上升，就提前停止。
- 训练集测试集划分：按受试者划分，而不是按单个窗口划分。如果同一个受试者的窗口同时出现在训练和测试里，测试准确率会虚高，因为同一个人相邻心跳高度相似。按受试者划分才能评估真正的身份识别能力。
收敛判断不能只看训练损失跌到接近0就停，那样基本意味着过拟合。我一般记录每个epoch的验证集准确率，画学习曲线，当训练准确率和验证准确率之间的差距超过10个百分点，就说明过拟合，需要提高正则化或者减小隐藏层节点数。
5. 避坑与排查：ECG身份识别里最常见的五个坑
5.1 症状：QRS检测把T波误判为R峰
现象：可视化中发现一个心跳周期内有两个相邻很近的峰，第二个峰宽而矮，明显是T波。
原因：T波在小波细节系数上也会产生一定幅度的响应，当阈值设置过低时，T波被抬升到候选峰的范围内。尤其是T波幅值较大的受试者，其包络峰值甚至超过R峰的50%。
解决：提高高阈值，并设置不应期。具体做法是检测高阈值从0.3 * percentile调成0.4 * percentile，并且加大局部窗口搜索时的最小峰值间隔。另外，在原始信号中验证R峰候选位置时，可以检查该位置前后20ms内的信号斜率，R峰的斜率远大于T波。
5.2 症状：训练准确率很高，但测试准确率只有60%左右
现象：同一个数据集中，训练集准确率99%，测试集准确率却不到70%。
原因：没有按受试者划分数据集。我把所有窗口混淆后随机切分训练集和测试集，导致同一受试者的心跳同时出现在两边。因为相邻心跳几乎一模一样，网络记住了心跳模板，而不是身份特征。
解决：强制按受试者划分。比如10个受试者，用其中8个的窗口训练，另外2个的所有窗口测试。这样测试样本和训练样本完全来自不同人，才能反映真实身份识别能力。如果你觉得测试准确率掉得太多，可以增加训练受试者数量，或者把每个受试者的窗口量扩增。
5.3 症状：预处理后信号出现“阶梯状”突变
现象：去基线后的信号在每几百个采样点的地方出现一个平台跳变，像楼梯一样。
原因：中值滤波代码用了遍历每个点的滑动窗口，窗口是0.2秒，如果窗口大小和心跳周期接近，中值会落到同一个位置的波形上，导致基线估计出现阶梯。更常见的原因是卷积核不是奇数长度，或者填充方式对边界影响太大。
解决：使用scipy.ndimage.median_filter，它处理速度快且边界效果更好。同时窗口长度改为0.12秒，避免和中位RR间期重叠。我每次处理前都会打印估计的RR间期均值，再检查中值滤波窗口是否落在RR间期的一半以下，这样能预防阶梯状基线。
5.4 症状：BP训练loss在某个值附近反复横跳
现象：前100轮loss快速下降，200轮后loss不再下降，而是在0.9到1.0之间震荡，训练准确率也不动了。
原因：学习率太高，导致梯度更新步伐过大，权重在最优点附近来回震荡。另一种可能是隐藏层节点数不足，网络容量不够，无法收敛到一个更优解。
解决：先把学习率降到0.01，重新训练100轮观察。如果loss能继续下降，再逐步调回到0.05。如果降低学习率后还是震荡，就要增加隐藏层节点数到128，同时增加一层正则化，比如对W1、W2施加L2惩罚。手工实现的BP没有加正则化，这里可以手动在梯度上加上lambda * W，lambda建议取0.001。
5.5 症状：不同采样率的ECG直接混合训练
现象：从不同设备采集的数据，有的250Hz，有的360Hz，有的500Hz，预处理时没有统一重采样，导致特征向量长度不一致，训练直接崩溃。
原因：因为每个受试者的截窗点数不同，特征提取时len(win)不同，降采样到64维时interp的源点分布不同，导致形态特征不一致。更隐蔽的是低采样率信号QRS检测时分辨率不够，R峰定位偏差更大。
解决：在数据准备阶段统一把所有信号重采样到360Hz。用scipy.signal.resample_poly，重采样后重新检测QRS。我自己的习惯是把采样率作为参数写进配置文件，每次处理前强制核对，避免零散的500Hz数据混进训练集造成灾难。从那以后，我每次拿到新数据都会先检查采样率和长度，再跑预处理，并且把重采样后的信号保存成npy文件，方便后续复用。这个习惯在项目复现时省了我很多麻烦，希望帮到你。
本文还有配套的精品资源，点击获取
