1D CNN输入形状不兼容求助：如何重塑ECG输入数据？

核心问题分析 #

报错明确指出：模型期望输入形状为(None, 128, 1280)，但实际输入是(None, 1280)。本质原因有两个：

• Conv1D层输入格式要求未满足：Keras中Conv1D要求输入为3D张量，格式是(样本数, 时间步长, 特征数)，而当前输入是仅包含样本数+总采样点的2D张量。
• 模型input_shape参数设置错误：你设置的input_shape=(128,1280)完全不符合自身数据结构——你的数据是10秒ECG，对应1280个采样点，正确的input_shape应该是(1280, 1)（1280个时间步，每个时间步1个特征，即单导联ECG）。

分步解决方案 #

1. 重塑输入数据 #

将2D输入张量转换为Conv1D要求的3D格式，使用numpy或TensorFlow的reshape方法：

import numpy as np

# 重塑训练和测试数据，-1自动匹配样本数，最后一维1代表单导联特征
X_train = X_train.reshape(-1, 1280, 1)
X_test = X_test.reshape(-1, 1280, 1)

2. 修正模型结构 #

调整Conv1D的input_shape，并修正损失函数（最后一层为sigmoid，对应二分类场景，应使用binary_crossentropy而非categorical_crossentropy）：

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense, BatchNormalization

model = Sequential()
# 修正input_shape为(时间步长, 特征数)
model.add(Conv1D(filters=512, kernel_size=8, activation='relu', input_shape=(1280, 1), name="1_conv1d"))
model.add(BatchNormalization())
model.add(MaxPooling1D(pool_size=2))
# 可取消注释恢复其他卷积层，后续层无需再设置input_shape（Keras自动推断）
# model.add(Conv1D(filters=256, kernel_size=6, activation='relu', name="2_conv1d"))
# model.add(BatchNormalization())
# model.add(MaxPooling1D(pool_size=2))
# model.add(Conv1D(filters=128, kernel_size=4, activation='relu'))
model.add(Flatten())
model.add(Dense(units=128, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

# 修正损失函数为二分类对应的binary_crossentropy
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(X_train, Y_train, epochs=4, batch_size=1024)

# 评估模型
test_loss, test_accuracy = model.evaluate(X_test, Y_test)

3. 额外注意点 #

• 恢复注释的卷积层时，无需再指定input_shape，Keras会根据前一层输出自动推断输入形状；
• 若标签Y_train是one-hot编码格式，才需要使用categorical_crossentropy，但结合sigmoid输出，你的场景更可能是二分类单标签（0/1），因此binary_crossentropy更适配。

内容的提问来源于stack exchange，提问作者Taksh04