Skip to content

Latest commit

 

History

History
116 lines (102 loc) · 4.39 KB

README_CN.md

File metadata and controls

116 lines (102 loc) · 4.39 KB
Raw
image

candock

| English | 中文版 |

一个通用的一维时序信号分析,分类框架.
它将包含多种网络结构，并提供数据预处理,数据增强,训练,评估,测试等功能.
一些训练时的输出样例: heatmap running_loss log.txt

支持的功能

数据预处理

通用的数据预处理方法

  • Normliaze : 5_95 | maxmin | None
  • Filter : fft | fir | iir | wavelet | None

数据增强

多种多样的数据增强方法.注意:使用时应该结合数据的物理特性进行选择.
[Time Series Data Augmentation for Deep Learning: A Survey]

  • Base : scale, warp, app, aaft, iaaft, filp, crop
  • Noise : spike, step, slope, white, pink, blue, brown, violet
  • Gan : dcgan

网络

提供多种用于评估的网络.

1d

lstm, cnn_1d, resnet18_1d, resnet34_1d, multi_scale_resnet_1d, micro_multi_scale_resnet_1d,autoencoder,mlp

2d(stft spectrum)

mobilenet, resnet18, resnet50, resnet101, densenet121, densenet201, squeezenet, dfcnn, multi_scale_resnet,

K-fold

使用K-fold使得结果更加可靠． --k_fold&--fold_index

  • --k_fold
# fold_num of k-fold. If 0 or 1, no k-fold and cut 80% to train and other to eval.
  • --fold_index
"""--fold_index
When --k_fold != 0 or 1:
Cut dataset into sub-set using index , and then run k-fold with sub-set
If input 'auto', it will shuffle dataset and then cut dataset equally
If input: [2,4,6,7]
when len(dataset) == 10
sub-set: dataset[0:2],dataset[2:4],dataset[4:6],dataset[6:7],dataset[7:]
-------
When --k_fold == 0 or 1:
If input 'auto', it will shuffle dataset and then cut 80% dataset to train and other to eval
If input: [5]
when len(dataset) == 10
train-set : dataset[0:5]  eval-set : dataset[5:]
"""

关于EEG睡眠分期数据的实例

为了适应新的项目，代码已被大幅更改，不能正常运行如sleep-edfx等睡眠数据集，如果仍然需要运行，请参照下文按照输入格式标准自行加载数据，如果有时间我会修复这个问题。 当然，如果需要加载睡眠数据集也可以直接使用老的版本
感谢@swalltail99指出的错误，为了适应sleep-edfx数据集的读取，使用这个版本的代码时，请安装mne==0.18.0

pip install mne==0.18.0

入门

前提要求

  • Linux, Windows,mac
  • CPU or NVIDIA GPU + CUDA CuDNN
  • Python 3
  • Pytroch 1.0+

依赖

This code depends on torchvision, numpy, scipy , PyWavelets, matplotlib, available via pip install.
For example:

pip3 install matplotlib

克隆仓库:

git clone https://github.com/HypoX64/candock
cd candock

下载数据集以及预训练模型

[Google Drive] [百度云,y4ks]

  • 数据集包括 signals.npy(shape:18207, 1, 2000) 以及 labels.npy(shape:18207) 可以使用"np.load()"加载
  • 样本量:18207, 通道数:1, 每个样本的长度:2000, 总类别数:50
  • Top1 err: 2.09%

训练

python3 train.py --label 50 --input_nc 1 --dataset_dir ./datasets/simple_test --save_dir ./checkpoints/simple_test --model_name micro_multi_scale_resnet_1d --gpu_id 0 --batchsize 64 --k_fold 5
# 如果需要使用cpu进行训练, 请输入 --gpu_id -1

测试

python3 simple_test.py --label 50 --input_nc 1 --model_name micro_multi_scale_resnet_1d --gpu_id 0
# 如果需要使用cpu进行训练, 请输入 --gpu_id -1

使用自己的数据进行训练

  • step1: 按照如下格式生成 signals.npy 以及 labels.npy.
#1.type:numpydata   signals:np.float64   labels:np.int64
#2.shape  signals:[num,ch,length]    labels:[num]
#num:samples_num, ch :channel_num,  length:length of each sample
#for example:
signals = np.zeros((10,1,10),dtype='np.float64')
labels = np.array([0,0,0,0,0,1,1,1,1,1])      #0->class0    1->class1
  • step2: 输入 --dataset_dir "your_dataset_dir" 当运行代码的时候.

More options.