Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）

AI吃大瓜2024-10-10 18:41

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）](#Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）)

[1. 项目说明](#1. 项目说明)

[2. 数据说明](#2. 数据说明)

（1）心跳信号分类预测数据集

[3. 模型训练](#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](#4. 模型测试效果)

[5. 项目源码下载](#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%。

|----------|---------|
| 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。

Field Description
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：

bash 复制代码 
.
├── 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：

bash 复制代码 
# 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）：

（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

python 复制代码 
# -*-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_augment


def 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​

bash 复制代码 
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：

bash 复制代码 
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。

bash 复制代码 
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

复制代码 
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：
bash 复制代码 
# 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

（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

python 复制代码 
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
python 复制代码 
#!/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：

|----------------------------------------------------------------------------|----------------------------------------------------------------------------|
| | |
| | |

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
相关推荐
一只Black2 天前
LSTM实现天气模型训练与预测
人工智能·rnn·lstm
机器学习之心3 天前
LSTM-SVM时序预测 | Matlab基于LSTM-SVM基于长短期记忆神经网络-支持向量机时间序列预测
神经网络·支持向量机·lstm
WeeJot嵌入式4 天前
长短期记忆网络（LSTM）：深度学习中的序列数据处理利器
人工智能·深度学习·lstm
沅_Yuan4 天前
基于LSTM长短期记忆神经网络的多分类预测【MATLAB】
神经网络·分类·lstm
微臣愚钝4 天前
【作业】LSTM
人工智能·机器学习·lstm
MarkHD5 天前
第二十四天 循环神经网络（RNN）LSTM与GRU
rnn·gru·lstm
凳子花❀6 天前
CNN、RNN、LSTM和Transformer之间的区别和联系
rnn·yolo·cnn·lstm·transformer
Aiden_S.K.7 天前
使用LSTM神经网络对股票日线行情进行回归训练（Pytorch版）
神经网络·回归·lstm
O_o3818 天前
LSTM (Long Short-Term Memory)
rnn·深度学习·lstm
八年。。9 天前
时间序列预测（十九）——目前具有代表性的 LSTM 新架构（xLSTM、LM-LSTM、IndRNN、Attention-LSTM）
人工智能·深度学习·lstm
热门推荐
0119个Web前端交互式3D JavaScript框架和库02ARM学习（31）编译器对overlay方式的支持03玄机平台应急响应—webshell查杀04RAG 实践- Ollama+RagFlow 部署本地知识库05【一文读懂】NTN（非地面网络）技术介绍06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07ZZ038 物联网应用与服务赛题第J套08组基轨迹建模 GBTM的介绍与实现（Stata 或 R）09Docker 夺命连环 15 问10VSCode插件 —— Cody AI （免费AI助手！）