Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）

news/2024/12/4 19:45:37/

 Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）

目录

 Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）

1. 项目说明

2. 数据说明

（1）心跳信号分类预测数据集

3. 模型训练

（1）项目安装

（2）准备Train和Test数据

（3）配置文件：​config.yaml​

（4）开始训练

（5）可视化训练过程

（6）一些优化建议

（7）一些运行错误处理方法

4. 模型测试效果

5. 项目源码下载

1. 项目说明

本项目将基于深度学习Pytorch，搭建一个心跳信号分类识别的训练和测试项目，实现一个简单的信号分类识别系统；项目网络模型支持LSTM，GRU和TCN等常见的模型，用户也可以自定义其他模型，进行训练和测试。采用GRU模型，在心跳信号分类预测数据集上，验证集的准确率99.3600%。

ae3b750e38a64e738927c1526778c4cb.png

模型准确率
LSTM

97.7000

TCN

96.1600

GRU

99.3600

【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/142714205

2. 数据说明

（1）心跳信号分类预测数据集

项目数据来源于某比赛《心跳信号分类预测》，该赛题主要任务是预测心电图心跳信号类别，提供了总数超过20万心电图数据记录，主要为1列心跳信号序列数据，其中每个样本的信号序列采样频次一致，长度相等。为了保证比赛的公平性，将会从中抽取10万条作为训练集，2万条作为测试集A，2万条作为测试集B，同时会对心跳信号类别（label）信息进行脱敏。

FieldDescription
id为心跳信号分配的唯一标识
heartbeat_signals心跳信号序列
label心跳信号类别（0、1、2、3）

比赛提供的数据的都是一维vector形式的信号，且数据已被归一化至 0～1 了，数据总长度均为 205 (205 个时间节点/心跳节拍)，数据非常理想，无须进行填充和异常情况处理，当然在项目训练和开发中，建议加上信号数据增强，提高模型的泛化性。

赛题提供train.csv和testA.csv数据，其中train.csv提供了label标签可用于模型训练，testA.csv用于打榜比赛，为了方面模型本地开发和调优，本项目将train.csv文件中的前5000行数据作为验证集val.csv,剩余的数据作为训练集train.csv。

3. 模型训练

（1）项目安装

整套工程基本框架结构如下：

.
├── core                 # 训练模型核心代码
├── configs              # 训练配置文件
├── data                 # 项目相关数据
├── libs                 # 项目依赖的相关库
├── demo.py              # 模型推理demo
├── README.md            # 项目工程说明文档
├── requirements.txt     # 项目相关依赖包
└── train.py             # 训练文件

   项目依赖python包请参考requirements.txt，使用pip安装即可：

# python3.8
imgaug==0.4.0
numpy==1.21.6
matplotlib==3.1.0
Pillow==9.5.0
easydict==1.9
onnx==1.14.0
onnx-simplifier==0.4.33
onnxruntime==1.15.1
onnxruntime-gpu==1.15.1
onnxsim==0.4.33
opencv-contrib-python==4.8.1.78
opencv-python==4.8.0.76
pandas==1.1.5
PyYAML==5.3.1
Pillow==9.5.0
scikit-image==0.21.0
scikit-learn==1.2.2
scipy==1.10.1
seaborn==0.12.2
tensorboard==2.13.0
tensorboardX==2.6.1
torch==1.13.1+cu117
torchvision==0.14.1+cu117
tqdm==4.55.1
xmltodict==0.12.0
basetrainer
pybaseutils

 项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）：

  • 项目开发使用教程和常见问题和解决方法
  • 视频教程：1 手把手教你安装CUDA和cuDNN(1)
  • 视频教程：2 手把手教你安装CUDA和cuDNN(2)
  • 视频教程：3 如何用Anaconda创建pycharm环境
  • 视频教程：4 如何在pycharm中使用Anaconda创建的python环境

（2）准备Train和Test数据

下载项目数据集，train.csv和val.csv

数据增强方式主要采用： 随机增加噪声，随机平移，裁剪填充，数据归一化等处理方式

# -*-coding: utf-8 -*-
"""@Author : Pan@E-mail : 390737991@qq.com@Date   : 2021-08-02 14:33:33
"""
import numbers
import random
import numpy as np
from core.transforms import data_augmentdef data_transform(seq_size, dim_size, trans_type="train"):"""x's shape (batch_size, seq_size(序列长度), dim_size(序列中每个数据的长度)):param seq_size::param dim_size::param trans_type::return::"""if trans_type == "train":transform = data_augment.Compose([data_augment.RandomNoise(low=0.0, high=1.0, w=0.03),data_augment.RandomShift(shift=(-20, 5), low=0.0, high=1.0, w=0.001),data_augment.CropPadding(size=seq_size),data_augment.Normalize(),])elif trans_type == "val" or trans_type == "test":transform = data_augment.Compose([data_augment.CropPadding(size=seq_size),data_augment.Normalize(),])else:raise Exception("transform_type ERROR:{}".format(trans_type))return transform

修改配置文件数据路径：​config.yaml​

data_type: "signal"
# 训练数据集，可支持多个数据集
train_data: "/home/user/to/心跳信号分类预测/train.csv"
# 测试数据集
test_data: "/home/user/to/心跳信号分类预测/val.csv"
# 类别文件
class_name: [ 0,1,2,3 ]

（3）配置文件：​config.yaml​

  • 模型支持，LSTM，GRU和TCN等模型，用户也可以自定义模型，进行模型训练和测试。
  • 训练参数可以通过(configs/config.yaml)配置文件进行设置
  • 损失函数支持交叉熵CrossEntropy，LabelSmoothing以及FocalLoss等损失函数

 配置文件：​config.yaml​说明如下：

data_type: "signal"
# 训练数据集，可支持多个数据集
train_data: "data/train.csv"
# 测试数据集
test_data: "data/val.csv"
# 类别文件
class_name: [ 0,1,2,3 ]
train_transform: "train"       # 训练使用的数据增强方法
test_transform: "val"          # 测试使用的数据增强方法
work_dir: "work_space/"        # 保存输出模型的目录
net_type: "GRU"               # 骨干网络,支持：TCN,GRU,LSTM
batch_size: 256                # 训练batch-size
seq_size: 205                  # 模型输入序列长度
dim_size: 1                    # 模型输入特征数据维度
lr: 0.001                      # 初始学习率
optim_type: "AdamW"            # 选择优化器，SGD,Adam
#loss_type: "CrossEntropyLoss"  # 选择损失函数：支持CrossEntropyLoss
loss_type: "LabelSmoothingCrossEntropy"  # 选择损失函数：支持CrossEntropyLoss
momentum: 0.9                  # SGD momentum
num_epochs: 120                # 训练循环次数
num_workers: 8                 # 加载数据工作进程数
weight_decay: 0.0005           # weight_decay，默认5e-4
scheduler: "multi-step"        # 学习率调整策略
milestones: [ 40,80 ]          # 下调学习率方式
gpu_id: [ 0 ]                  # GPU ID
pretrained: True               # 是否使用pretrained模型
finetune: False                # 是否进行finetune

（4）开始训练

整套训练代码非常简单操作，用户只需要将相同类别的数据放在同一个目录下，并填写好对应的数据路径，即可开始训练了。

python train.py -c configs/config.yaml

8abb6a7894984f169cfd5b3989aa61b1.png

训练完成后，在心跳信号分类预测数据集上，验证集的Accuracy在99%左右，下表给出LSTM，GRU和TCN等常用模型验证集的准确率：

模型准确率
LSTM

97.7000

TCN

96.1600

GRU

99.3600

（5）可视化训练过程

训练过程可视化工具是使用Tensorboard，使用方法，可参考这里：项目开发使用教程和常见问题和解决方法
在终端输入：

# 基本方法
tensorboard --logdir=path/to/log/
# 例如
tensorboard --logdir=work_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/log

可视化效果 

9cf309d5b40446c5801025091456c3c0.png

684d69473ccf4fa9958bd89783db9aa4.png

70e31395b8c742bda6f3dbf55cc4e0d5.png

3633e060393c418296daab267f20a688.png

8ceb953f365f4650b0a08f32d9fdaed5.png

（6）一些优化建议

如果想进一步提高准确率，可以尝试：

  1. 样本均衡： 建议进行样本均衡处理，避免长尾问题
  2. 调超参： 比如学习率调整策略，优化器（SGD,Adam等）
  3. 损失函数： 目前训练代码已经支持：交叉熵CrossEntropy，LabelSmoothing，可以尝试FocalLoss等损失函数

（7）一些运行错误处理方法

  • 项目不要出现含有中文字符的目录文件或路径，否则可能会出现很多异常！！！！！！！！

4. 模型测试效果

 demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试数据即可运行测试了

def get_parser():# 配置文件config_file = "work_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/config.yaml"# 模型文件model_file = "work_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/model/best_model_093_99.3600.pth"# 测试数据data_file = "data/val.csv"parser = argparse.ArgumentParser(description="Inference Argument")parser.add_argument("-c", "--config_file", help="configs file", default=config_file, type=str)parser.add_argument("-m", "--model_file", help="model_file", default=model_file, type=str)parser.add_argument("--data_file", help="data file", default=data_file, type=str)parser.add_argument("--device", help="cuda device id", default="cuda:0", type=str)return parser

#!/usr/bin/env bash
# Usage:
# python demo.py  -c "path/to/config.yaml" -m "path/to/model.pth" --data_file "path/to/data_file"python demo.py -c work_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/config.yaml -m work_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/model/best_model_093_99.3600.pth --data_file data/val.csv

运行测试结果： 

e487644f47a8490c9dc670b579f1e18b.png		f50ecf577be448c4b94671b7c3d54f1b.png
f1e081cd91464241951297194295ebea.png

61399cad72de4258be7ac2185104d801.png

5. 项目源码下载

【源码下载】请关注【AI吃大瓜】，回复关键字【心跳信号】

  • 项目提供心跳信号分类预测数数据集: 赛题提供train.csv和testA.csv数据，其中train.csv提供了label标签可用于模型训练，testA.csv用于打榜比赛，为了方面模型本地开发和调优，本项目将train.csv文件中的前5000行数据作为验证集val.csv,剩余的数据作为训练集train.csv。
  • 项目提供网络模型支持LSTM，GRU和TCN等常见的模型
  • 项目提供训练代码，损失函数支持交叉熵CrossEntropy，LabelSmoothing以及FocalLoss等损失函数
  • 项目提供已经训练好的模型，无需重新训练，即可运行demo.py测试效果


http://www.ppmy.cn/news/1552361.html

相关文章

（计算机网络）期末

（计算机网络）期末

计算机网络概述 物理层 信源就是发送方 信宿就是接收方 串行通信--一次只发一个单位的数据（串行输入） 并行通信--一次可以传输多个单位的数据 光纤--利用光的反射进行传输 传输之前，要对信源进行一个编码，收到信息之后要进行一个…
阅读更多...
Meta-Llama-3-8B-Instruct 模型的混合精度训练显存需求：AdamW优化器（中英双语）

Meta-Llama-3-8B-Instruct 模型的混合精度训练显存需求：AdamW优化器（中英双语）

深入分析 Meta-Llama-3-8B-Instruct 模型的混合精度训练显存需求 Meta-Llama-3-8B-Instruct 是一个 8B（80亿）参数的大型语言模型，适用于指令微调任务。与之前的 7B 模型相比，它在计算和存储方面会有更高的需求。为了提高训练效率…
阅读更多...
SQL进阶技巧：如何寻找同一批用户 | 断点分组应用【最新面试题】

SQL进阶技巧：如何寻找同一批用户 | 断点分组应用【最新面试题】

目录 0 问题描述 1 数据准备 2 问题分析 ​编辑 3 小结 0 问题描述 用户登录时间不超过10分钟的视为同一批用户，找出以下用户哪些属于同一批用户(SQL实现) 例如: user_name time a 2024-10-01 09:55 b 2024-10-01 09:57 c 2024-10-01…
阅读更多...
网络安全运维——高级 题库一 50题

网络安全运维——高级 题库一 50题

1. 单选题 进行监督和检查全管理制度的贯彻执行情况、系统的运行情况，并且对安全审查和决策机构担负保护系统安全的责任，但工作重点偏向于监视的是（）。 A. 安全审查和决策机构 B. 安全主管机构 C. 安全运行维护机构 D. 安全审…
阅读更多...
opencv-mobile在幸狐RV1106部署使用

opencv-mobile在幸狐RV1106部署使用

本文将介绍 “opencv-mobile”，一款体积仅有官方 1/10 的精简 OpenCV 库，以及它在 LuckFox Pico 平台上的应用。 原文出处：https://zhuanlan.zhihu.com/p/670191385 1、 创建一个项目文件夹 mkdir opencv-mobile-test cd opencv-mobile-test…
阅读更多...
实现PDF文档加密,访问需要密码

实现PDF文档加密,访问需要密码

01. 背景 今天下午老板神秘兮兮的来问我，能不能做个文档加密功能，就是那种用户下载打开需要密码才能打开的那种效果。boss都发话了，那必须可以。 需求：将 pdf 文档经过加密处理，客户下载pdf文档，打开文档需…
阅读更多...
SpringBoot(一)

SpringBoot(一)

Springboot(一) 什么是SpringBoot SpringBoot是Spring项目中的一个子工程，与Spring-famework同属于Spring的产品 用一些固定的方式来构建生产级别的Spring应用。SpringBoot推崇约定大于配置的方式以便于能够尽可能快速的启动并运行程序 我们把Spring Boot称为搭建程…
阅读更多...
第 41 章 - Go语言 软件工程原则

第 41 章 - Go语言 软件工程原则

在软件工程中，有一些广泛接受的原则和最佳实践，它们帮助开发者构建更易于维护、扩展和理解的代码。本章将介绍几个重要的原则：SOLID、DRY（Don’t Repeat Yourself）、KISS（Keep It Simple, Stupid&#xff0…
阅读更多...
最新文章

Copyright @ 2022~2023