利用LSTM对脑电波信号进行分类

最近我们在做利用LSTM网络对脑电波信号(纺锤体)进行分类的相关工作。我们的数据集是来自于美国开源的睡眠数据集（national sleep research resource）https://sleepdata.org

我们获得数据包含纺锤波的持续时间，振幅，时间，等几个特征。我们采集的样本主要来自于正常人和病人。我们初步的思想是将纺锤波视为一个事件，生成一个序列。出现纺锤波信号的为1，反之为0.然后利用神经网络，来学习这个序列的内部特征，通过序列来判断病人有没有患病。

众所周知LSTM神经网络在处理时序信息时有一个很好的效果，特别是几年来nlp的飞速发展。

我们首先需要的是对序列进行二进制编码

def bit_coding(data, step): #对一个数据进行编码code = []pre_data = 0count = 0length = len(data)while count < length:n = (data[count]-pre_data) / stepif 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 += 1return code

其中的step就是设置的精度，多少步长进行统计，这个值将决定你获得一个脑电波的序列的维度大小。

我们再生成一个脑电波的类的相关信息

class SpindleData:path = ""paths = []labels = []data = []step = 0.0001max_length = 0#设置默认的编码间隔coding_q = []def __init__(self, path="datasets", step=0.0001 ):self.path = pathself.step =stepself.paths, self.labels = self.get_data_labels()   #获得路径以及标签self.coding()def get_data_labels(self):  # 返回获取的数据以及标签[0,1,0,1,...]  "./datasets/"path = self.pathcate = [(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:paths.append(p)labels.append(i)np.asarray(labels)                  #将标签转化为np的格式return paths, labelsdef coding(self):#所有的数据读取以及存储(这里保存了数据的原始数据占用内存可能比较大)codeing_q = []for p in self.paths:data = pd.read_csv(p, skiprows=(0, 1), sep=",")print("正在读取第%d个csv文件..." % (self.paths.index(p)+1))data =data['Time_of_night']self.data.append(data)for i, d in enumerate(self.data):code = bit_coding(d, step=self.step)print("正在对第%d个序列进行编码..."%(i+1))codeing_q.append(code)#将二位的编码加入到序列中self.max_length = max([len(x) for x in codeing_q])codeing_q = preprocessing.sequence.pad_sequences(codeing_q, maxlen=self.max_length)   #将所有的串都弄成相同的维度self.coding_q = np.asarray(codeing_q)

这个类主要包含编码后的0/1序列，1序列表示的是纺锤波出现，0表示的是纺锤波没有出现。同时我们利用了keras 的对齐。超过固定长度的部分会被截断，不足的部分会补零。同时我们再生成一个labels数组，这个对应的是病人患病与健康。其实就是一个二分类问题。

我们再来搭建一个LSTM神经网络

def learning_lstm():                   #lstm暂时还是比较适合于文本中，对于有序序暂不合适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   #每一个系列的长度spindle = SpindleData()x_train = spindle.coding_qy_train = spindle.labelslength = spindle.max_lengthreturn x_train, y_train, length

我实验中的step设置的最小间距0.0001，因此每个序列都有120,000维.暂时实验的效果不是很明显。

由于我们暂时获取的数据还比较小，导致训练不充分，同时可能会导致过拟合等问题。接下来我们会进行改进测试。

我先把github源码发上来，相关的原发发布到了我的github上：https://github.com/danzhewuju/Spindle 欢迎指正！

利用LSTM对脑电波信号进行分类相关推荐

利用LSTM(长短期记忆网络)来处理脑电数据
目录 LSTM 原理介绍 LSTM的核心思想一步一步理解LSTM 代码案例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:903290195 Rose小哥今天介绍一下用LS ...
基于一维卷积神经网络对机械振动信号进行分类并加以预测
基于一维卷积神经网络对机械振动信号进行分类并加以预测 *使用一维卷积神经网络训练振动信号进行二分类 2020年7月16日,一学期没等到开学,然而又放假了. 总览CSDN中大多数卷积神经网络都是对二维图 ...
【思维导图】利用LSTM(长短期记忆网络)来处理脑电数据
文章来源| 脑机接口社区群友认知计算_茂森的授权分享在此非常感谢认知计算_茂森! 本篇文章主要通过思维导图来介绍利用LSTM(长短期记忆网络)来处理脑电数据. 文章的内容来源于社区分享的文章&l ...
DL之LSTM：基于《wonderland爱丽丝梦游仙境记》小说数据集利用LSTM算法(层加深，基于keras)对单个character字符预测
DL之LSTM:基于<wonderland爱丽丝梦游仙境记>小说数据集利用LSTM算法(层加深,基于keras)对单个character字符预测目录基于<wonderland爱丽 ...
DL之LSTM：基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测
DL之LSTM:基于tensorflow框架利用LSTM算法对气温数据集训练并回归预测目录输出结果核心代码输出结果数据集 tensorboard可视化 iter: 0 loss: 0.010 ...
TF之LSTM：利用LSTM算法对Boston(波士顿房价)数据集【13+1,506】进行回归预测(房价预测)
TF之LSTM:利用LSTM算法对Boston(波士顿房价)数据集[13+1,506]进行回归预测(房价预测) 相关文章 DL之LSTM:利用LSTM算法对Boston(波士顿房价)数据集[13+1, ...
DL之LSTM之MvP：基于TF利用LSTM基于DIY时间训练csv文件数据预测后100个数据(多值预测)状态
DL之LSTM之MvP:基于TF利用LSTM基于DIY时间训练csv文件数据预测后100个数据(多值预测)状态目录数据集csv文件内容输出结果设计思路训练记录全过程数据集csv文件内容输 ...
DL之LSTM之UvP：基于TF利用LSTM基于DIY时间训练1200个数据预测后200个数据状态
DL之LSTM之UvP:基于TF利用LSTM基于DIY时间训练1200个数据预测后200个数据状态目录输出结果设计思路训练记录全过程输出结果设计思路训练记录全过程 INFO:tensor ...
TF之LSTM：利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练、评估(偶尔100%准确度，交叉熵验证)
TF之LSTM:利用LSTM算法对mnist手写数字图片数据集(TF函数自带)训练.评估(偶尔100%准确度,交叉熵验证) 目录输出结果设计思路代码设计输出结果第 0 accuracy 0. ...

利用LSTM对脑电波信号进行分类

利用LSTM对脑电波信号进行分类相关推荐

最新文章

热门文章