如何用BiLSTM神经网络处理可变时间长度的患者数据输入？

开发者阿泽

2026-7-26

针对变长时间序列患者数据集的优化训练方案（替代零填充）

核心问题修正

先指出当前代码中两个关键问题，这些问题会直接影响模型性能：

输入维度适配LSTM要求
LSTM输入格式为(样本数, 时间步长, 特征数)，你的输入是frequency × time length，需转置为time length × frequency，让时间步对应序列长度、特征对应频率维度：
```
# 加载数据后转置每个样本的维度
Xdata_N = [x.T for x in np.load(Nx, allow_pickle=True)]
Xdata_PD = [x.T for x in np.load(PDx, allow_pickle=True)]
Xdata_ET = [x.T for x in np.load(ETx, allow_pickle=True)]
```

损失函数匹配分类任务
模型末尾用softmax输出，属于多分类任务，不能用mse作为损失，需替换为分类专用损失：

# 若标签是整数格式（如0、1、2），用稀疏交叉熵
model.compile(loss='sparse_categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
# 若标签是one-hot编码，用普通交叉熵
# model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])

替代零填充的优化方案

方案1：掩码层+动态批量处理

利用Keras对变长序列的原生支持，结合tf.data.Dataset实现同长度序列批量，避免全局零填充引入的噪声：

import tensorflow as tf

# 构建TensorFlow数据集
train_dataset = tf.data.Dataset.from_tensor_slices((trainx, trainy))
test_dataset = tf.data.Dataset.from_tensor_slices((testx, testy))

# 按序列长度排序，同长度样本组成一个batch（仅对不足长度的样本填充，减少无效数据）
def get_seq_length(x, y):
    return tf.shape(x)[0]

train_dataset = train_dataset.map(lambda x, y: (x, y)).cache()
train_dataset = train_dataset.sort_by_key(get_seq_length, reverse=False)
train_dataset = train_dataset.padded_batch(miniBatchSize, padded_shapes=([None, nfeatures], []))

test_dataset = test_dataset.map(lambda x, y: (x, y)).cache()
test_dataset = test_dataset.padded_batch(miniBatchSize, padded_shapes=([None, nfeatures], []))

# 模型中添加掩码层，自动忽略填充的无效值
model = Sequential()
model.add(Masking(mask_value=0.0, input_shape=(None, nfeatures)))
model.add(BatchNormalization())
model.add(Bidirectional(LSTM(numHiddenUnits, return_sequences=True)))
model.add(Activation('relu'))
model.add(Bidirectional(LSTM(numHiddenUnits, return_sequences=False)))
model.add(BatchNormalization())
model.add(Dropout(dropoutProb))
model.add(Dense(numClasses))
model.add(Activation('softmax'))

# 训练模型
model.compile(loss='sparse_categorical_crossentropy', optimizer=opt, metrics=['accuracy'])
model.fit(train_dataset, validation_data=test_dataset, epochs=maxEpochs,
          callbacks=[early_stop, model_checkpoint], verbose=1)

方案2：序列随机采样

若序列长度差异极大，可对长序列随机截取固定长度子序列，短序列重复填充（或用掩码），在统一长度的同时保留数据多样性：

def sample_fixed_length(seq, target_len):
    seq_len = seq.shape[0]
    if seq_len == target_len:
        return seq
    elif seq_len > target_len:
        start_idx = np.random.randint(0, seq_len - target_len)
        return seq[start_idx:start_idx+target_len]
    else:
        # 短序列重复填充至目标长度
        repeat_times = target_len // seq_len + 1
        seq_repeated = np.tile(seq, (repeat_times, 1))
        return seq_repeated[:target_len]

# 取所有序列长度的中位数作为目标长度
all_seq_lengths = [x.shape[0] for x in Xdata]
target_len = np.median(all_seq_lengths).astype(int)

# 处理所有样本
Xdata_processed = [sample_fixed_length(x, target_len) for x in Xdata]
Xdata_processed = np.array(Xdata_processed)

方案3：添加注意力机制

让模型自动聚焦序列中的关键片段，提升变长序列的特征提取能力：

from tensorflow.keras.layers import Attention

class SequenceAttention(tf.keras.layers.Layer):
    def __init__(self):
        super().__init__()
        self.attention = Attention()
    
    def call(self, inputs):
        # 用序列最后一个时间步作为查询向量，匹配整个序列的特征
        query = tf.expand_dims(inputs[:, -1, :], axis=1)
        context = inputs
        attention_out, _ = self.attention([query, context])
        return tf.squeeze(attention_out, axis=1)

# 修改模型结构
model = Sequential()
model.add(BatchNormalization(input_shape=(None, nfeatures)))
model.add(Bidirectional(LSTM(numHiddenUnits, return_sequences=True)))
model.add(Activation('relu'))
model.add(Bidirectional(LSTM(numHiddenUnits, return_sequences=True)))
model.add(SequenceAttention())  # 插入注意力层
model.add(BatchNormalization())
model.add(Dropout(dropoutProb))
model.add(Dense(numClasses))
model.add(Activation('softmax'))

其他优化建议

过采样部分：当前简单重复样本易导致过拟合，可尝试时间序列数据增强（如轻微时间扰动、加高斯噪声）或使用SMOTE的时序扩展版本；
模型选型：长序列场景下可尝试TransformerEncoder层，其对变长序列的处理效率优于LSTM；
评估指标：分类任务建议添加precision、recall、f1-score等指标，更全面评估模型性能。

内容的提问来源于stack exchange，提问作者yuuuu