---

基于Tensorflow深度學(xué)習(xí)的ECG身份識(shí)別方法（一）
基于Tensorflow深度學(xué)習(xí)的ECG身份識(shí)別方法（二）
基于Tensorflow深度學(xué)習(xí)的ECG身份識(shí)別方法（三）

---

一、前言

????上一篇粗略展示了訓(xùn)練結(jié)果以及開發(fā)環(huán)境的搭建流程，本篇將介紹數(shù)據(jù)獲取以及數(shù)據(jù)處理過程。

二、數(shù)據(jù)獲取

????首先貼一下數(shù)據(jù)來源 https://www.physionet.org/cgi-bin/atm/ATM，該網(wǎng)站上 MIT-BIH Arrhythmia Database 數(shù)據(jù)庫有 48 條雙導(dǎo)聯(lián) ECG 數(shù)據(jù)，采樣頻率為 360hz（1 秒采樣 360 個(gè)點(diǎn)）。但是由于其數(shù)據(jù)結(jié)構(gòu)比較復(fù)雜，仔細(xì)琢磨其中的讀取方法無疑增加了本次小項(xiàng)目的難度。所以本著拿來主義的原則，在網(wǎng)上找到了大神們寫好的 matlab 代碼，經(jīng)過小小的修改，將數(shù)據(jù)庫中第一導(dǎo)聯(lián)的數(shù)據(jù)轉(zhuǎn)換成文本格式分別存下來，這樣方便后續(xù)在 python 中處理。保存的文件已上傳，點(diǎn)此下載，設(shè)置了1積分下載，若是沒積分的童鞋可留下郵箱發(fā)給你。

三、數(shù)據(jù)處理

????經(jīng)過第二步的數(shù)據(jù)處理，得到了48個(gè)文件，每個(gè)文件中包含648000個(gè)數(shù)據(jù)。但是顯然我們并不需要這么多數(shù)據(jù)。我在前面幾次訓(xùn)練時(shí)，每個(gè)樣本中取的數(shù)據(jù)是1080x500，然后在神經(jīng)網(wǎng)絡(luò)中將輸入數(shù)據(jù)1080變成360x3，迭代大概30次，這樣訓(xùn)練的準(zhǔn)確率其實(shí)很高，印象中有97%左右，但是比較耗時(shí)（CPU跑深度學(xué)習(xí)的速度真是不敢恭維，建議有條件的童鞋還是裝GPU版本的tensorflow）。后來就干脆取少一點(diǎn)數(shù)據(jù)，每個(gè)樣本取360x60個(gè)數(shù)據(jù)，要迭代50次左右，準(zhǔn)確率大概93%。反正是按需處理數(shù)據(jù)吧，如果只是像我一樣簡(jiǎn)單研究下可以取少量數(shù)據(jù)去做，如果是要做實(shí)際項(xiàng)目或者是其他對(duì)準(zhǔn)確度要求比較高的東西還需要考慮很多問題，比如去噪、采樣時(shí)間等問題。

????好了，步入正題，上面講了ECG數(shù)據(jù)庫被我用Matlab讀取并存放成了文本格式，這里講一下這個(gè)保存的文件在python中怎么處理。先貼代碼

#!/usr/bin/env python3 # -*- coding: utf-8 -*-import redata_len = 360 * 1#每個(gè)樣本個(gè)數(shù) data_num = 60 Name_whole = [100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 111, 112, 113, 114, 115,116, 117, 118, 119, 121, 122, 123, 124, 200, 201, 202, 203, 205, 207, 208, 209,210, 212, 213, 214, 215, 217, 219, 220, 221, 222, 223, 228, 230, 231, 232, 233, 234]class EcgHandle(object):def __init__(self):passdef read_from_matlab(self):passdef read_from_uart(self):passdef read_from_file(self, file_name):self.ecg = list()with open(file_name, 'r') as f:file_list = f.readline()aList = re.findall('([-+]?\d+(\.\d*)?|\.\d+)([eE][-+]?\d+)?', file_list) # 使用正規(guī)表達(dá)式搜索字符串for ss in aList:aNum = float((ss[0] + ss[2]))self.ecg.append(aNum)index = []data = []for i in range(len(self.ecg) - 1):X = float(i)Y = float(self.ecg[i])index.append(X)data.append(Y)mintime = 0maxtime = mintime + len(data) + 1return (index[mintime:maxtime], data[mintime:maxtime])def Pywt_methord(self):passif __name__ == '__main__':Ecg_object = EcgHandle()train_x = []train_y = []lable = 0for i in Name_whole:(x, y) = Ecg_object.read_from_file(PATH + str(i))for j in range(data_num):train_x.append(y[j * data_len:(j + 1) * data_len])#將數(shù)據(jù)存入train_x中train_y.append(lable)#將標(biāo)簽存入train_y中l(wèi)able = lable + 1

????代碼就是將matlab中保存的文件讀取一部分出來，存放在 train_x 這個(gè) list 中，train_y是數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽，每一個(gè)文件對(duì)應(yīng)一個(gè)唯一數(shù)字，一個(gè)文件取 60 組數(shù)據(jù)，這 60 組數(shù)據(jù)就有 60 個(gè)相同的標(biāo)簽。
如果你說數(shù)據(jù)讀取你也不想讀，也行，我有上傳讀取出來序列化保存的文件。點(diǎn)此下載，同樣是1積分，沒積分的留郵箱。文件下載后幾行代碼就搞定了。代碼如下，記得修改下PATH為文件存放路徑,PATH最后的斜杠要多加一個(gè)轉(zhuǎn)義。

#!/usr/bin/env python3 # -*- coding:utf-8 -*-import picklePATH = r'D:\VM\share\workspace\tensorflow_learn\train_file\\'with open(PATH + 'train_x', 'rb') as f:train_x = pickle.load(f)with open(PATH + 'train_y', 'rb') as f:train_y = pickle.load(f)

四、數(shù)據(jù)劃分

????做那么多事才把數(shù)據(jù)終于把心心念念的數(shù)據(jù)讀出來了，共 60 x 48 = 2880 組數(shù)據(jù)，接下來要把這些數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。先貼代碼。

train_num = 2700#訓(xùn)練數(shù)據(jù)大小Indices = np.arange(len(train_x)) # 隨機(jī)打亂索引 np.random.shuffle(Indices)Data_x = train_x Data_y = train_y train_x = np.array(Data_x)[Indices[:train_num ]] train_y = np.array(Data_y)[Indices[:train_num ]] test_x = np.array(Data_x)[Indices[train_num :]] test_y = np.array(Data_y)[Indices[train_num :]]

????代碼很簡(jiǎn)單，把 2880 組數(shù)據(jù)先隨機(jī)打亂索引，然后取2700組數(shù)據(jù)當(dāng)做訓(xùn)練集，剩下的180組當(dāng)做測(cè)試集，用于后續(xù)模型評(píng)估。

五、小結(jié)

????本篇介紹了數(shù)據(jù)讀取、轉(zhuǎn)換、劃分，下一篇會(huì)介紹一維cnn網(wǎng)絡(luò)搭建。至此米已經(jīng)準(zhǔn)備好了，煮成熟飯也不遠(yuǎn)了。

——>下一篇

總結(jié)

以上是生活随笔為你收集整理的基于Tensorflow深度学习的ECG身份识别方法（二）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。