我最近开始研究各种类别的ECG信号分类。它基本上是多标签分类任务（共4类）。我是Deep Learning，LSTM和Keras的新手，为什么我在一些事情上感到困惑。
谢谢你的时间。问候
我正在考虑将标准化的原始信号作为网络的输入，这是一个好方法吗？
是的，这是一个很好的方法。实际上，深度学习算法非常标准地为您提供标准化或重新标准化的输入。
这通常有助于您的模型更快收敛，因为现在您在较小的范围内（即：[ - 1,1]）而不是原始输入的较大的非标准化范围（比如[0,1000]）。它还可以帮助您获得更好，更精确的结果，因为它有助于解决消失渐变等问题，并更好地适应现代激活和优化器功能。
我还需要了解LSTM的训练输入形状，因为ECG信号具有可变长度（9000到18000个样本），并且通常分类器需要固定变量输入。如何在LSTM的情况下处理这种类型的输入。
这部分非常重要。你是对的，LSTM期望接收具有固定形状的输入，你事先知道的（事实上，任何深度学习层都需要固定的形状输入）。这也在关于周期性层的keras docs中解释，他们说：
输入形状
具有形状的3D张量（batch_size，timesteps，input_dim）。
我们可以看到，它希望您的数据具有多个timesteps以及每个时间步长的维度（批量大小通常为1）。举例来说，假设您的输入数据包含以下元素：[[1,4],[2,3],[3,2],[4,1]]。然后，使用1的batch_size，数据的形状将是（1,4,2）。因为你有4个时间步长，每个有2个功能。
因此，您必须确保对数据进行预处理，使其具有固定的形状，然后传递给LSTM图层。这个你必须自己找到，因为你比我们更了解你的数据和问题。
也许你可以修复你从信号中获得的样本，丢弃一些并保持其他信号，使每个信号长度相同（如果你说你的信号在9k到18k之间，选择9000可能是合乎逻辑的选择，丢弃其他你的样本得到）。您甚至可以以一种可以从9000-18000的输入映射到固定大小的方式对数据进行其他转换。
最后，对于如此冗长的输入应该是深LSTM网络的结构，以及我应该使用多少层。
这个非常广泛，没有独特的答案。这将取决于您的问题的性质，并且先验地确定这些参数并不是那么简单。
我建议你做的是首先从一个简单的模型开始，然后逐步添加图层和块（神经元），直到你对结果满意为止。
首先尝试一个隐藏层，训练和测试您的模型并检查您的表现。然后，您可以添加更多块，并查看性能是否有所提高。您还可以添加更多图层并检查相同内容，直到您满意为止。
这是创建深度学习模型的好方法，因为您可以在保持网络尽可能精简的同时达到所需的结果，从而有助于您的执行时间和复杂性。祝您编码顺利，希望您觉得这很有用。