Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）

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。

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：

.
├── 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_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

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

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

（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：

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

原文地址：https://blog.csdn.net/guyuealian/article/details/144150267

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

.NET(C#) 如何配置用户首选项及保存用户设置
.NET(C#) 如何配置用户首选项及保存用户设置
阅读更多2024-12-14
【最新】北大数字普惠金融指数数据集-省市县（2011-2023年）
郭峰,王靖一,王芳,孔涛,张勋,程志云.测度中国数字普惠金融发展:指数编制与空间特征[J].经济学(季刊),2020,19(04):1401-1418.时间跨度：省级和城市级指数时间跨度为2011-2
阅读更多2024-12-14
GESP202412 四级【Recamán】题解（AC）
a11ak−1−kkakak−1−kak−1k小杨想知道 Recamán 数列的前n项从小到大排序后的结果。手动计算非常困难，小杨希望你能帮他解决这个问题。
阅读更多2024-12-14
IDEA遇到EasyConnect中的网络资源无法访问的问题
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。原文链接：https://blog.csdn.net/wanshanyu_/article/de
阅读更多2024-12-14
双目摄像头标定方法
此时已经完成标定，左下角为反投影误差，右边为外参可视化。将双目左右目拍的图像上传（左右目最好不少于20张）此时回到主页面，即可看到成功导出。把这些误差大的删除即可。
阅读更多2024-12-14
Servlet、omcat服务器架构与工作原理
Servlet是运行在服务器端的Java程序，它的主要职责之一是接收并处理来自客户端（如浏览器）的HTTP请求。当客户端发送一个请求到服务器时，Servlet可以解析请求中的信息，例如请求的URL路径
阅读更多2024-12-14
Vue生命周期钩子函数：深入解析与实践
作为高级Vue前端开发人员，对Vue组件的生命周期钩子函数有着深刻的理解是至关重要的。生命周期钩子函数是指在Vue组件的创建、更新、销毁等过程中，Vue自动调用的一系列方法。通过这些钩子函数，我们可以
阅读更多2024-12-14
安卓开发--使用android studio发布APP
app发布
阅读更多2024-12-14
数据结构与算法学习笔记----拓扑排序
@ author: 明月清了个风。
阅读更多2024-12-14
python 将数据保存到现有的Excel文件的新工作表
out_file = ‘query.xlsx’df1 = pd.DataFrame(out_data)若直接写入：df1.to_excel(out_file, index=False, sheet_n
阅读更多2024-12-14

Pytorch实现心跳信号分类识别(支持LSTM,GRU,TCN模型）