单通道ECG数据适配1D CNN时输入形状不兼容问题求解

核心问题分析 #

你的错误根源有两个：

• 输入数据维度不匹配：x_train当前是(500,100)，但Conv1D要求输入格式为(样本数, 时间步长, 特征数)，单通道ECG的特征数为1，因此需要把数据调整为(500,100,1)。
• 标签格式不兼容：使用categorical_crossentropy损失函数时，标签必须是one-hot编码格式，而非原始的1.0/2.0/3.0数值。

具体修复步骤 #

1. 调整输入数据形状
   给x_train增加最后一个特征维度，用numpy的expand_dims或reshape实现：

import numpy as np
# 假设x_train是(500,100)的numpy数组
x_train = np.expand_dims(x_train, axis=-1)  # 调整后形状为(500,100,1)

2. 转换标签为one-hot编码
   原始标签是1.0、2.0、3.0，需先转为0-based索引（0、1、2），再用to_categorical生成one-hot数组：

from tensorflow.keras.utils import to_categorical
# 转成0-based索引
y_train = y_train.astype(int) - 1
# 生成one-hot编码，形状变为(500,3)
y_train = to_categorical(y_train, num_classes=3)

3. 保留正确的模型定义
   你最初设置的input_shape=(100,1)是正确的（input_shape不需要包含batch维度），直接使用原模型代码即可：

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

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(100, 1)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))  # 该层可保留，用于提取高层特征提升性能
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

错误原因解释 #

• 第一个报错expected shape=(None, 500, 1), found shape=(None, 100)：Keras误把x_train的第二个维度（100）当成特征数，第一个维度（500）当成时间步长，本质是输入数据缺少特征维度。
• 第二个报错The last dimension of the inputs to a Dense layer should be defined：错误设置input_shape=(None,500,1)导致网络中间层形状无法确定，Flatten后变成(None, None)，而Dense层需要确定的最后一维尺寸，因此报错。

内容的提问来源于stack exchange，提问作者Will Powell