【2】基于深度神经网络的脑电睡眠分期方法研究（标签导入）

使用Polyman和Python相结合的方法。

1、Polyman：先从pysiobank中下载到与原始数据相对应的标签文件，用Pysiobank可以打开文件，然后导出csv文件（即excel表格），将里面的所有标签改成0、1、2、3、4、5的分类名称（为了好区分），将movement状态改成一个接近的状态，将最后一个标签删除。

2、在python中将csv文件转换成txt文件（在txt文件中标签以0、1、2、3、4、5的形式出现，一行一个数）

# coding: utf-8
r"""
生成标签
"""
import pandas as pddef main():save_path = '4041_label.txt'file_path = r"C:\Users\10133\Desktop\标签集\SC4041_label.csv"df = pd.read_csv(file_path)values = df.valuesduration = values[:, 3]label = values[:, 4]result = []for i, d in enumerate(duration):num = d // 30current_label = label[i]item = [current_label] * numresult = result + itemresult = list(map(str, result))content = '\n'.join(result)open(save_path, 'w+').write(content)print()if __name__ == '__main__':main()

3、将上个博客中导出的30s一段的信号根据标签进行分类，首先第一步是建立训练集和验证集，利用代码建成train和valid两个文件夹，下面分设六个种类的文件夹（如果嫌麻烦，可以手动建文件夹）本文中使用的方法是将前七个人的数据分成训练集和验证集，将第八个人的数据直接用来测试分成六个种类。

# -*- coding:utf-8 -*-
# In[1]:
import os
import shutil
import numpy as np#先建立一个数据的文件夹
base_dir = r'C:\Users\10133\Desktop\bishe\matlab\traintest'
if os.path.exists(base_dir):shutil.rmtree(base_dir)
os.mkdir(base_dir)  # 在该路径下创建目录#在总的文件夹下自动创建训练集和验证集两个文件夹
train_dir = os.path.join(base_dir, 'train')  # 训练文件夹
os.mkdir(train_dir)
test_dir = os.path.join(base_dir, 'valid')  # 验证文件夹
os.mkdir(test_dir)print('主目录已经建立好了！')#在训练集文件夹下自动建立六个类别文件夹
train_0_dir = os.path.join(train_dir, '0')
os.mkdir(train_0_dir)train_1_dir = os.path.join(train_dir, '1')
os.mkdir(train_1_dir)train_2_dir = os.path.join(train_dir, '2')
os.mkdir(train_2_dir)train_3_dir = os.path.join(train_dir, '3')
os.mkdir(train_3_dir)train_4_dir = os.path.join(train_dir, '4')
os.mkdir(train_4_dir)train_5_dir = os.path.join(train_dir, '5')
os.mkdir(train_f5_dir)print('类别目录已经建立好了！')

第二步就是根据标签将图片分类（只是分成了五类，但是还没有分训练集和验证集）

# -*- coding:utf-8 -*-
# In[1]:
import os
import shutil
import numpy as nptrain_0_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\0'
train_1_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\1'
train_2_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\2'
train_3_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\3'
train_4_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\4'
train_5_dir = r'C:\Users\10133\Desktop\bishe\matlab\classification\5'original_dataset_dir = r'D:\SC4032jpg'#这个例子用的是4032的例子labelpath = r'C:\Users\10133\PycharmProjects\practice\4032_label.txt'#导入4032的标签y = np.loadtxt(fname=labelpath, delimiter='\n')print(y[0])
print(y.shape)
print('finished!')for i in range(len(y)):if y[i] == 0:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_0_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)elif y[i] == 1:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_1_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)elif y[i] == 2:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_2_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)elif y[i] == 3:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_3_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)elif y[i] == 4:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_4_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)else:src = os.path.join(original_dataset_dir, f"{i + 1}.jpg")dst = os.path.join(train_5_dir, f"{i + 1}.jpg")shutil.copyfile(src, dst)

【2】基于深度神经网络的脑电睡眠分期方法研究（标签导入）相关推荐

基于深度神经网络的遮挡人脸识别算法的研究（小白初学）
基于深度神经网络的遮挡人脸识别算法的研究(小白初学) 研究背景在自然条件下人脸面部的光照变化.角度变化.表情变化以及存在遮挡物,使得采集到的人脸图像存在人脸特征的损失.因此研究遮挡人脸识别算法提高识 ...
014基于深度学习的脑电癫痫自动检测系统-2018(300引用)
An automated system for epilepsy detection using EEG brain signals based on deep learning approach ...
基于深度强化学习的智能车间调度方法研究
摘要: 工业物联网的空前繁荣为传统的工业生产制造模式开辟了一条新的道路.智能车间调度是整个生产过程实现全面控制和柔性生产的关键技术之一,要求以最大完工时间最小化分派多道工序和多台机器的生产调度.首先, ...
基于深度学习的遥感图像场景识别方法研究
文章目录概述方法原理代码实现结果分析 SVM Resnet LSTM 概述从2012年深度卷积神经网络(AlexNet)成功应用于图像识别以来,发展出多个改进的卷积神经网络构架,包括2014 ...
(DEAP)基于图卷积神经网络的脑电情绪识别(附代码)
1. 数据集介绍以及特征部分见上篇文章: DEAP数据集介绍以及特征提取部分深度学习基于DEAP的脑电情绪识别情感分类(附代码)_qq_3196288251的博客-CSDN博客 2. 图卷积神经网络 ...
深度神经网络对脑电信号运动想象动作的在线解码
目录简介网络模型结果比较结论本分享为脑机学习者Rose整理发表于公众号:脑机接口社区 QQ交流群:941473018 简介近年来,深度学习方法的快速发展使得无需任何特征工程的端到端学习成为 ...
（脑肿瘤分割笔记：四十四）基于深度学习的脑肿瘤分割的综述
目录 Abstract&Introduction 脑肿瘤分割任务面临的主要挑战深度学习方法的脑肿瘤分割的方法脑肿瘤分割方法一:设计有效的架构分割方法针对于不同目的的模型对于精度有要求的 ...
优梦思脑电睡眠监测方案惊艳亮相CMEF 开创睡眠精准医疗新景象
热讯:第84届中国国际医疗器械(春季)博览会(CMEF2021)近日在上海国家会展中心举办.云睿智能作为鱼跃医疗的全国战略合作伙伴,携优梦思便携式脑电监测设备在呼吸展区惊艳亮相,一经展出就迅速吸引了现 ...
【深度学习】基于深度神经网络进行权重剪枝的算法（二）
[深度学习]基于深度神经网络进行权重剪枝的算法(二) 文章目录 1 摘要 2 介绍 3 OBD 4 一个例子 1 摘要通过从网络中删除不重要的权重,可以有更好的泛化能力.需求更少的训练样本.更少的学 ...
【深度学习】基于深度神经网络进行权重剪枝的算法（一）
[深度学习]基于深度神经网络进行权重剪枝的算法(一) 1 pruning 2 代码例子 3 tensorflow2 keras 权重剪裁(tensorflow-model-optimization)3 ...

【2】基于深度神经网络的脑电睡眠分期方法研究（标签导入）

【2】基于深度神经网络的脑电睡眠分期方法研究（标签导入）相关推荐

最新文章

热门文章