利用LSTM對腦電波訊號進行分類

最近我們在做利用lstm網路對腦電波訊號(紡錘體)進行分類的相關工作。我們的資料集是來自於美國開源的睡眠資料集（national sleep research resource）

我們獲得資料報含紡錘波的持續時間，振幅，時間，等幾個特徵。我們採集的樣本主要來自於正常人和病人。我們初步的思想是將紡錘波視為乙個事件，生成乙個序列。出現紡錘波訊號的為1，反之為0.然後利用神經網路，來學習這個序列的內部特徵，通過序列來判斷病人有沒有患病。

眾所周知lstm神經網路在處理時序資訊時有乙個很好的效果，特別是幾年來nlp的飛速發展。

我們首先需要的是對序列進行二進位制編碼

def bit_coding(data, step): #對乙個資料進行編碼
code = 
pre_data = 0
count = 0
length = len(data)
while count < length:
n = (data[count]-pre_data) / step
if n > 0:
if n % 1 > 0:
n = int(n)
code += [0] * n + [1]
else:
n = int(n)
code += [0] * (n - 1) + [1]
pre_data = data[count]
count += 1
return code

其中的step就是設定的精度，多少步長進行統計，這個值將決定你獲得乙個腦電波的序列的維度大小。

我們再生成乙個腦電波的類的相關資訊

class spindledata:
path = ""
paths = 
labels = 
data = 
step = 0.0001
max_length = 0#設定預設的編碼間隔
coding_q = 
def __init__(self, path="datasets", step=0.0001 ):
self.path = path
self.step =step
self.paths, self.labels = self.get_data_labels()   #獲得路徑以及標籤
self.coding()
def get_data_labels(self):  # 返回獲取的資料以及標籤[0,1,0,1,...]  "./datasets/"
path = self.path
cate = [(os.path.join(path, x)) for x in os.listdir(path)]
paths = 
labels = 
for i, p in enumerate(cate):
path_tmps = glob.glob(os.path.join(p, "*.csv"))
for p in path_tmps:
np.asarray(labels)                  #將標籤轉化為np的格式
return paths, labels
def coding(self):#所有的資料讀取以及儲存(這裡儲存了資料的原始資料占用記憶體可能比較大)
codeing_q = 
for p in self.paths:
data = pd.read_csv(p, skiprows=(0, 1), sep=",")
print("正在讀取第%d個csv檔案..." % (self.paths.index(p)+1))
data =data['time_of_night']
for i, d in enumerate(self.data):
code = bit_coding(d, step=self.step)
print("正在對第%d個序列進行編碼..."%(i+1))
self.max_length = max([len(x) for x in codeing_q])
codeing_q = preprocessing.sequence.pad_sequences(codeing_q, maxlen=self.max_length)   #將所有的串都弄成相同的維度
self.coding_q = np.asarray(codeing_q)

這個類主要包含編碼後的0/1序列，1序列表示的是紡錘波出現，0表示的是紡錘波沒有出現。同時我們利用了keras 的對齊。超過固定長度的部分會被截斷，不足的部分會補零。同時我們再生成乙個labels陣列，這個對應的是病人患病與健康。其實就是乙個二分類問題。

我們再來搭建乙個lstm神經網路

def learning_lstm():                   #lstm暫時還是比較適合於文字中，對於有序序暫不合適
x_train, y_labels, length = data_test()
x_train = np.expand_dims(x_train, axis=2)
model = sequential()
# model.add(embedding(max_feature, 32))
model.add(lstm(32, input_shape=(length, 1)))
model.add(dense(1, activation='sigmoid'))
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
model.summary()
history = model.fit(x_train, y_labels, epochs=10, batch_size=16, validation_split=0.2)
draw(history)
def data_test():
length = 0   #每乙個系列的長度
spindle = spindledata()
x_train = spindle.coding_q
y_train = spindle.labels
length = spindle.max_length
return x_train, y_train, length

我實驗中的step設定的最小間距0.0001，因此每個序列都有120,000維.暫時實驗的效果不是很明顯。

由於我們暫時獲取的資料還比較小，導致訓練不充分，同時可能會導致過擬合等問題。接下來我們會進行改進測試。

我先把github原始碼發上來，相關的原發發布到了我的github上：歡迎指正！

利用LSTM對腦電波訊號進行分類

腦電溯源定位

腦電電極帽

pytorch 對小鼠的腦電資料進行睡眠狀態三分類

利用LSTM對腦電波訊號進行分類

腦電溯源定位

腦電電極帽

pytorch 對小鼠的腦電資料進行睡眠狀態三分類

相關推薦