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%。
| 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：
.
├── 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
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】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
