1. 题目
目标是利用常规静息心电图的电压信号,预测“正常心电图”和“异常心电图”。根据心血管医生对心电图的诊断结果作为金标准,我们将那些没有明显异常的心电图作为“正常心电图”,并将包含一种或更多异常或疾病的心电图作为“异常心电图”。各团队需要在初赛规定时间内,利用训练集中常规心电图的电压信号,设计并实现可预测正常和异常等两类心电图的算法。
2. 数据
完整的训练集和测试集,共1000例常规心电图,其中训练集中包含600例,测试集中共400例。该数据是从多个公开数据集中获取。参赛团队需要利用有正常/异常两类标签的训练集数据设计和实现算法,并在没有标签的测试集上做出预测。
该心电数据的采样率为500 Hz。为了方便参赛团队用不同编程语言都能读取数据,所有心电数据的存储格式为MAT格式。该文件中存储了12个导联的电压信号。训练数据对应的标签存储在txt文件中,其中0代表正常,1代表异常。
3. 分析
- 数据集共有1000个样本,其中训练集包括600例,测试机400例。训练集是具有label的,用于训练模型;测试集没有label,需要我们用训练好的模型进行预测。
- 其实就是一个二分类问题
- 流程包括:数据加载与预处理,模型搭建,模型训练,模型测试
4. pytorch实现
(1)数据加载与处理 (dataset.py)
from scipy.io import loadmat
import os
from torch.utils import data
import pandas as pd
import numpy as np
# 将标签转为OneHot(便于计算损失)
def convert2oneHot(index, Lens):
hot = np.zeros((Lens,))
hot[index] = 1
return hot
#对数据进行归一化
def normalize(v):
part1 = v - v.mean(axis=1).reshape((v.shape[0], 1))
part2 = v.max(axis=1).reshape((v.shape[0], 1)) + 2e-12
return part1 / part2
# 自定义数据加载函数
class MyDataset(data.Dataset):
def __init__(self, mode, data_path):
super(MyDataset, self).__init__()
self.csv_path = os.path.join(data_path, "reference.csv")
self.data_path = os.path.join(data_path, "TRAIN")
self.temp_list = [] # mat文件名列表
self._parse_dataset()
self.mode = mode.lower()
if self.mode == 'train':
self.temp_list = self.temp_list[:500]
elif self.mode == 'valid':
self.temp_list = self.temp_list[500:]
else:
raise ValueError('mode must be "train" or "valid"!')
def __getitem__(self, item):
feature = self.get_feature(self.temp_list[item, 0])
label = convert2oneHot(self.temp_list[item, 1], 2)
return feature, label
def __len__(self):
return len(self.temp_list)
def get_feature(self, name):
mat = loadmat(os.path.join(self.data_path, name))
dat = mat['data']
feature = dat[0:12] # feature: (12, 5000)
# return normalize(feature).transpose() # feature: (5000, 12)
return normalize(feature)
# 读入csv并转成np.array
def _parse_dataset(self):
self.temp_list = np.array(pd.read_csv(self.csv_path))
(2)网络模型搭建(model.py)
from torch import nn
# input: (20, 12, 5000)
class Net(nn.Module):
def __init__(self):
super(Net, self).__init__()
self.layer1 = nn