Matlab使用LSTM或BiLSTM对一维信号(语音信号、心电信号等)进行二分类源程序。也可以改成多分类。包含数据和代码，数据可以直接替换为自己的数据。使用LSTM或BiLSTM对一维信号进行二分类

Matlab使用LSTM或BiLSTM对一维信号(语音信号、心电信号等)进行二分类源程序。也可以改成多分类。
包含数据和代码，数据可以直接替换为自己的数据。
如果用BiLSTM，程序中只需要把lstmlayer改为bilstmlayer即为BiLSTM网络，其他地方不需要任何改动。

工作如下：
1、加载数据集，一共为400个样本(正常200异常200)；选80％做为训练集(共320样本，160正常160异常)，剩余20%作为测试集(共80样本，40正常40异常)。
2、构建LSTM网络，层数为两层。
3、构建优化器options。
4、训练。
5、测试，计算准确率，绘制混淆矩阵。

注：需要Matlab2020及以上版本。考虑到Matlab用LSTM分类一维信号的教程较少，此程序只用做帮助学习如何调整输入数据格式和LSTM网络构建等，使用的样本量较少且样本容易区分，换成自己的数据时可能需要调整网络的参数来得到最佳结果。

LSTM/BiLSTM 一维信号分类
类别：深度学习、信号处理
用途：该项目旨在使用LSTM（长短期记忆网络）或BiLSTM（双向长短期记忆网络）对一维信号（如语音信号、心电信号等）进行二分类。通过详细的注释和示例数据，帮助用户理解如何调整输入数据格式和构建LSTM/BiLSTM网络。

项目特点

1. 灵活性：可以轻松切换LSTM和BiLSTM网络。
2. 详细注释：代码中包含详细的注释，方便理解和学习。
3. 数据集：提供示例数据集，并支持替换为用户自己的数据。
4. 训练与测试：包含完整的训练和测试流程，计算准确率并绘制混淆矩阵。
5. 兼容性：需要MATLAB 2020及以上版本。

项目结构

lstm_classification/
├── data/  # 数据文件夹
│   ├── normal_signal_1.mat
│   ├── normal_signal_2.mat
│   ├── ...
│   ├── abnormal_signal_1.mat
│   ├── abnormal_signal_2.mat
│   ├── ...
├── lstm_classification.m  # 主程序
├── README.md  # 项目说明文档

• data/：存放示例数据文件。
• lstm_classification.m：主程序，包含数据加载、网络构建、训练和测试逻辑。
• README.md：项目说明文档，包含项目介绍、运行步骤和注意事项。

详细步骤

1. 加载数据集

% 加载数据集
normal_files = dir(fullfile('data', 'normal_signal_*.mat'));
abnormal_files = dir(fullfile('data', 'abnormal_signal_*.mat'));

% 读取数据
normal_signals = cell(1, length(normal_files));
for i = 1:length(normal_files)
    load(fullfile('data', normal_files(i).name), 'signal');
    normal_signals{i} = signal;
end

abnormal_signals = cell(1, length(abnormal_files));
for i = 1:length(abnormal_files)
    load(fullfile('data', abnormal_files(i).name), 'signal');
    abnormal_signals{i} = signal;
end

% 合并数据
all_signals = [normal_signals, abnormal_signals];
labels = [ones(1, length(normal_signals)), zeros(1, length(abnormal_signals))];

% 划分训练集和测试集
idx = randperm(length(all_signals));
train_idx = idx(1:round(0.8 * length(idx)));
test_idx = setdiff(1:length(idx), train_idx);

train_data = all_signals(train_idx);
train_labels = labels(train_idx);
test_data = all_signals(test_idx);
test_labels = labels(test_idx);

2. 构建LSTM网络

% 定义网络架构
inputSize = size(train_data{1}, 2);  % 输入特征数
numHiddenUnits = 64;  % 隐藏层单元数
numClasses = 2;  % 分类数

layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits, 'OutputMode', 'last')
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer
];

% 构建BiLSTM网络
% layers(2) = bilstmLayer(numHiddenUnits, 'OutputMode', 'last');

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 16, ...
    'ValidationData', {test_data, test_labels}, ...
    'ValidationFrequency', 10, ...
    'Plots', 'training-progress');

% 训练网络
net = trainNetwork(train_data, train_labels, layers, options);

3. 测试网络并计算准确率

% 预测测试集
predictedLabels = classify(net, test_data);

% 计算准确率
accuracy = sum(predictedLabels == test_labels) / numel(test_labels);
fprintf('Test Accuracy: %.2f%%\n', accuracy * 100);

% 绘制混淆矩阵
figure;
confusionchart(test_labels, predictedLabels);
title('Confusion Matrix');

运行项目

1. 安装MATLAB：确保您已经安装了MATLAB 2020及以上版本，并且安装了Deep Learning Toolbox。
2. 准备数据：将您的数据保存为.mat文件，每个文件包含一个变量signal，并将这些文件放置在data目录下。
3. 运行程序：
   matlab

   深色版本

   % 在MATLAB命令窗口中运行以下命令
   cd path_to_project_directory  % 切换到项目目录
   run lstm_classification  % 运行主程序

注意事项

• 数据格式：确保每个数据文件中的信号数据存储在变量signal中，并且所有信号的长度一致。
• 网络参数调整：根据实际数据的情况，可能需要调整网络的参数（如隐藏层单元数、最大训练轮数等）以获得最佳结果。
• 远程支持：如果在运行过程中遇到问题，可以通过远程调试的方式帮助解决。

项目总结

这个项目提供了一个完整的LSTM/BiLSTM网络用于一维信号二分类的解决方案。通过详细的注释和示例数据，用户可以轻松地理解如何调整输入数据格式和构建LSTM/BiLSTM网络。项目代码简洁明了，适合学习和研究。希望这个项目能帮助您在信号处理领域取得更好的研究成果！