制作一个企业网站过程,建设银行E路航如何自动进入网站,kencms内容管理系统,扬州seo招聘Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型#xff09;
目录
Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型#xff09;
1. 项目说明
2. 数据说明
#xff08;1#xff09;心跳信号分类预测数据集
3. 模型训练
#xff08;1#xff09;项目安装 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LSTMGRU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%。 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
项目数据来源于阿里云天池比赛《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A2万条作为测试集B同时会对心跳信号类别label信息进行脱敏。
FieldDescriptionid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 01 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
imgaug0.4.0
numpy1.21.6
matplotlib3.1.0
Pillow9.5.0
easydict1.9
onnx1.14.0
onnx-simplifier0.4.33
onnxruntime1.15.1
onnxruntime-gpu1.15.1
onnxsim0.4.33
opencv-contrib-python4.8.1.78
opencv-python4.8.0.76
pandas1.1.5
PyYAML5.3.1
Pillow9.5.0
scikit-image0.21.0
scikit-learn1.2.2
scipy1.10.1
seaborn0.12.2
tensorboard2.13.0
tensorboardX2.6.1
torch1.13.1cu117
torchvision0.14.1cu117
tqdm4.55.1
xmltodict0.12.0
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 : PanE-mail : 390737991qq.comDate : 2021-08-02 14:33:33import numbers
import random
import numpy as np
from core.transforms import data_augmentdef data_transform(seq_size, dim_size, trans_typetrain):xs 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(low0.0, high1.0, w0.03),data_augment.RandomShift(shift(-20, 5), low0.0, high1.0, w0.001),data_augment.CropPadding(sizeseq_size),data_augment.Normalize(),])elif trans_type val or trans_type test:transform data_augment.Compose([data_augment.CropPadding(sizeseq_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LSTMGRU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CrossEntropyLabelSmoothing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 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LSTMGRU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 --logdirpath/to/log/
# 例如
tensorboard --logdirwork_space/GRU_LabelSmoothingCrossEntropy_20241004_223428_9301/log
可视化效果 6一些优化建议
如果想进一步提高准确率可以尝试 样本均衡 建议进行样本均衡处理避免长尾问题调超参 比如学习率调整策略优化器SGD,Adam等损失函数 目前训练代码已经支持交叉熵CrossEntropyLabelSmoothing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.csvparser argparse.ArgumentParser(descriptionInference Argument)parser.add_argument(-c, --config_file, helpconfigs file, defaultconfig_file, typestr)parser.add_argument(-m, --model_file, helpmodel_file, defaultmodel_file, typestr)parser.add_argument(--data_file, helpdata file, defaultdata_file, typestr)parser.add_argument(--device, helpcuda device id, defaultcuda:0, typestr)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_filepython 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 5. 项目源码下载 【源码下载】WX关注【AI吃大瓜】回复【心跳信号】即可下载
整套项目源码内容包含 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LSTMGRU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CrossEntropyLabelSmoothing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
