pytorch 對小鼠的腦電資料進行睡眠狀態三分類

3. 分類結果

本文採用pytorch框架，用實驗室採集到老鼠大腦資料來學習一波多分類。

我的資料是26只老鼠的mat形式的腦電資料，每個老鼠有15個通道，每個老鼠在不同的睡眠狀態擷取30段資料，每一段資料長為10s。這裡採集的睡眠狀態有三種，分別是awake,rem,和sws

這裡為了更好的獲取時域和頻域的特徵，分別用相關矩陣和轉移熵矩陣作為我們分類的特徵，然後用pca方法對相關矩陣和轉移熵矩陣各提取前30個特徵，總共得到60個特徵，最終得到的資料為（2340，60）的矩陣，接下來就可以開始處理了。

data_size = np.shape(all_sample)[0
]feature_size = np.shape(all_sample)[1
]n =
int(data_size /3)
# 每個睡眠狀態的樣本數
x = all_sample
y = np.zeros(data_size)
# 為每個樣本打label
y[n:
2* n]=1
y[2* n:]=
2# 用sklearn裡面的minmaxscaler進行歸一化
scaler_minmax = minmaxscaler(feature_range=(-
1,1)
)# 設定變換範圍
x_minmax = scaler_minmax.fit_transform(x)
# 隨機選取30%的資料作為測試集
x_train, x_test, y_train, y_test = train_test_split(x_minmax, y, test_size=
0.3)
# 樣本資料轉tensor float32
# label 轉tensor int64
x_train = torch.from_numpy(x_train)
.to(torch.
float
).to(device)
x_test = torch.from_numpy(x_test)
.to(torch.
float
).to(device)
y_train = torch.from_numpy(y_train)
.to(torch.int64)
.to(device)
y_test = torch.from_numpy(y_test)
.to(torch.int64)
.to(device)

pytorch 的迭代器可以很方便分批匯入batch塊，我們這裡設定batch_size為30.

batch_size =
30train_dataset = torch.utils.data.tensordataset(x_train, y_train)
test_dataset = torch.utils.data.tensordataset(x_test, y_test)
train_iter = torch.utils.data.dataloader(train_dataset, batch_size=batch_size, shuffle=
true
, num_workers=0)
test_iter = torch.utils.data.dataloader(test_dataset, batch_size=batch_size, shuffle=
false
, num_workers=
0)

用nn.swquential()函式來構建網路。因為我們用到的神經網路中每一層之前都是全連線，所以可以用線性層加啟用函式層來進行正向傳播。隱藏層神經元個數設定為20，啟用函式直接呼叫了nn裡面的sigmoid函式（relu也可以，並且訓練速度會快很多）。pytorch中的初始化可以用torch.nn中的init.normal_()函式直接對我們構建的net進行初始化。

# 模型構建
num_inputs, num_outputs, num_hiddens = feature_size,3,
20net = nn.sequential(
nn.linear(num_inputs, num_hiddens)
,    nn.sigmoid(),
# nn.linear(num_hiddens, num_hiddens),
# nn.relu(),
nn.linear(num_hiddens, num_outputs)
# torch交叉熵的損失函式自帶softmax運算，這裡就沒有再加一層啟用函式
)# 引數初始化
for param in net.parameters():
init.normal_(param, mean=
0, std=
0.01
)

訓練完成後需要對測試集進行評估，我們先構建乙個評估函式.這裡模型的輸出net(x)的形狀是（batch_size, 3）,所以判斷輸出結果時，用.argmax(dim=1)返回第二維的最大值的index。然後用.item()提取結算結果。

def
acc(test_iter, net, device)
:    acc_sum, n =
0.0,
0for x, y in test_iter:
acc_sum +=
(net(x.to(device)
).argmax(dim=1)
== y.to(device)).
sum(
).item(
)        n += y.shape[0]
return acc_sum / n

用該評估器來評估還未訓練的模型對測試集的識別率，輸出結果應該分布在1/3左右：

acc(test_iter, net, device)
out[3]
:0.31196581196581197

損失函式使用torch中的交叉熵損失函式

# 交叉熵損失函式
loss = torch.nn.crossentropyloss(
)

優化器採用torch.optim中的sgd方法(adam使用方法也類似),這裡設定學習率為0.01，正則化引數為0.0001

# 優化器
optimizer = torch.optim.sgd(params=net.parameters(
), lr=
0.01
, weight_decay=
0.0001
)#optimizer = torch.optim.adam(params=net.parameters(), lr=0.01, weight_decay=0.0001)

接下來開始訓練，在pytorch中梯度的計算十分方便，我們可以直接在建立tensor時用requires_grad=true來設定是否跟蹤梯度，在每個batch中只需用.backward（）函式就可獲得梯度，然後用optimizer.step()自動更新net中的引數。具體**如下

num_epochs =
500for epoch in
range
(num_epochs)
:    train_l_sum, train_acc_sum, n =
0.0,
0.0,
0for x, y in train_iter:
y_hat = net(x)
l = loss(y_hat, y)
.sum()
optimizer.zero_grad(
)# 優化器的梯度清零
l.backward(
)# 反向傳播梯度計算
optimizer.step(
)# 優化器迭代
train_l_sum += l.item(
)        train_acc_sum +=
(y_hat.argmax(dim=1)
== y)
.sum()
.item(
)        n += y.shape[0]
test_acc = acc(test_iter, net, device)
print
('epoch %d, loss %.4f, train acc %.3f, test acc %.3f'
%(epoch +
1, batch_size * train_l_sum / n, train_acc_sum / n, test_acc)
)

最終可以得到97%左右的正確率

pytorch 對小鼠的腦電資料進行睡眠狀態三分類

主成分分析（PCA）對腦電資料進行降維

腦電微狀態的時間結構

腦電資料（EEG SEEG）處理特徵視覺化

pytorch 對小鼠的腦電資料進行睡眠狀態三分類

主成分分析（PCA）對腦電資料進行降維

腦電微狀態的時間結構

腦電資料（EEG SEEG）處理 特徵視覺化

相關推薦

腦電資料（EEG SEEG）處理特徵視覺化