请在代码中加入预处理后的波形图像显示，还有还原后的波形图像显示

好的，以下代码在原来的基础上加入了预处理后的波形图像显示和还原后的波形图像显示。

import numpy as np
import wfdb
from scipy import signal
import tensorflow as tf
import matplotlib.pyplot as plt

# 加载数据
record = wfdb.rdrecord('path_to_data/ptbdb_normal/100', channels=[0])
data = record.p_signal.flatten()

# 预处理：滤波和去噪
sos = signal.butter(4, (0.5, 40), 'bandpass', fs=record.fs, output='sos')
filtered_data = signal.sosfilt(sos, data)
denoised_data = signal.wiener(filtered_data)

# 显示预处理后的波形
plt.figure(figsize=(10, 6))
plt.plot(data[:record.fs*10], label='Original data')
plt.plot(filtered_data[:record.fs*10], label='Filtered data')
plt.plot(denoised_data[:record.fs*10], label='Denoised data')
plt.legend()
plt.title('Preprocessed data')
plt.show()

# 特征提取：使用CNN+RNN
input_data = tf.keras.layers.Input(shape=(record.fs,))
x = tf.keras.layers.Reshape((record.fs, 1))(input_data)
x = tf.keras.layers.Conv1D(32, 5, activation='relu')(x)
x = tf.keras.layers.MaxPooling1D()(x)
x = tf.keras.layers.Conv1D(64, 5, activation='relu')(x)
x = tf.keras.layers.MaxPooling1D()(x)
x = tf.keras.layers.LSTM(64, return_sequences=True)(x)
x = tf.keras.layers.LSTM(32)(x)
output_data = tf.keras.layers.Dense(1, activation='sigmoid')(x)
model = tf.keras.models.Model(inputs=input_data, outputs=output_data)
model.compile(loss='binary_crossentropy', optimizer='adam')
model.summary()

# 训练模型
X_train = np.array([denoised_data[:record.fs*10]])
y_train = np.array([0])
model.fit(X_train, y_train, epochs=10)

# 复原数据并显示预处理后的波形
recovered_data = model.predict(X_train).flatten()
recovered_data = signal.wiener(recovered_data)

# 显示还原后的波形
plt.figure(figsize=(10, 6))
plt.plot(data[:record.fs*10], label='Original data')
plt.plot(recovered_data[:record.fs*10], label='Recovered data')
plt.legend()
plt.title('Recovered data')
plt.show()

这个代码在原来的基础上加入了两个`matplotlib`库函数，分别用于显示预处理后的波形和还原后的波形。在预处理后的波形图像中，显示了原始数据、滤波后的数据和去噪后的数据。在还原后的波形图像中，显示了原始数据和使用训练好的模型复原后的数据。运行代码后，可以得到两个波形图像，用于检查预处理和还原的效果。