为响应国家健康中国战略,推送健康医疗和大数据的融合发展的政策,由清华大学临床医学院和数据科学研究院,天津市武清区京津高村科技创新园,以及多家重点医院联合京东云主办的首届中国心电智能大赛正式启动。自今日起至2019年3月31日24时,大赛开启全球招募,预计大赛总奖金将高达百万元!目前官方报名网站已上线,欢迎高校、医院、创业团队等有志于中国心电人工智能发展的人员踊跃参加。首届中国心电智能大赛官方报名网站>>http://mdi.ids.tsinghua.edu.cn
本文内容取自中国心电智能大赛初赛选手颜宋宋的一些实战应用与心得总结。
实战概述
本实战内容取自笔者参加的首届中国心电智能大赛项目,初赛要求为设计一个自动识别心电图波形算法。笔者使用Keras框架设计了基于Conv1D结构的模型,并且开源了代码作为Baseline。内容包括数据预处理,模型搭建,网络训练,模型应用等,此Baseline采用最简单的一维卷积达到了88%测试准确率。有多支队伍在笔者基线代码基础上调优取得了优异成绩,顺利进入复赛。
数据介绍
下载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。
赛题分析
简单分析一下,初赛的数据集共有1000个样本,其中训练集中包含600例,测试集中共400例。其中训练集中包含600例是具有label的,可以用于我们训练模型;测试集中共400例没有标签,需要我们使用训练好的模型进行预测。
赛题就是一个二分类预测问题,解题思路应该包括以下内容:
1.数据读取与处理
2.网络模型搭建
3.模型的训练
4.模型应用与提交预测结果
实战应用
经过对赛题的分析,我们把任务分成四个小任务,首先第一步是:
1.数据读取与处理
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。
我们由上述描述可以得知,
这决定了后面我们要如何读取数据
2.采样率为500 Hz(这个信息并没有怎么用到,大家可以简单了解一下,就是1秒采集500个点,由后面我们得知每个数据都是5000个点,也就是10秒的心电图片)
要注意的是,既然提供了12种导联,我们应该全部都用到,虽然我们仅使用一种导联方式也可以进行训练与预测,但是经验告诉我们,采取多个特征会取得更优效果
![]()
数据处理函数定义:
import keras from scipy.io import loadmat import matplotlib.pyplot as plt import glob import numpy as np import pandas as pd import math import os from keras.layers import * from keras.models import * from keras.objectives import * BASE_DIR = "preliminary/TRAIN/" #进行归一化 def normalize(v): return (v - v.mean(axis=1).reshape((v.shape[0],1))) / (v.max(axis=1).reshape((v.shape[0],1)) + 2e-12) #loadmat打开文件 def get_feature(wav_file,Lens = 12,BASE_DIR=BASE_DIR): mat = loadmat(BASE_DIR+wav_file) dat = mat["data"] feature = dat[0:12] return(normalize(feature).transopse()) #把标签转成oneHot形式 def convert2oneHot(index,Lens): hot = np.zeros((Lens,)) hot[index] = 1 return(hot) TXT_DIR = "preliminary/reference.txt" MANIFEST_DIR = "preliminary/referenc
读取一条数据进行显示
if __name__ == "__main__":
dat1 = get_feature("preliminary/TRAIN/TRAIN101.mat")
print(dat1.shape)
#one data shape is (12, 5000)
plt.plt(dat1[:,0])
plt.show()
我们由上述信息可以看出每种导联都是由5000个点组成的列表,12种导联方式使每个样本都是12*5000的矩阵,类似于一张分辨率为12x5000的照片。
我们需要处理的就是把每个读取出来,归一化一下,送入网络进行训练可以了。
标签处理方式
def create_csv(TXT_DIR=TXT_DIR):
lists = pd.read_csv(TXT_DIR,sep=r"\t",header=None)
lists = lists.sample(frac=1)
lists.to_csv(MANIFEST_DIR,index=None)
print("Finish save csv")
注意一定要进行数据打乱操作,不然训练效果很差。因为原始数据前面便签全部是1,后面全部是0
数据迭代方式
Batch_size = 20
def xs_gen(path=MANIFEST_DIR,batch_size = Batch_size,train=True):
img_list = pd.read_csv(path)
if train :
img_list = np.array(img_list)[:500]
print("Found %s train items."%len(img_list))
print("list 1 is",img_list[0])
steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batch
else:
img_list = np.array(img_list)[500:]
print("Found %s test items."%len(img_list))
print("list 1 is",img_list[0])
steps = math.ceil(len(img_list) / batch_size) # 确定每轮有多少个batch
while True:
for i in range(steps):
batch_list = img_list[i * batch_size : i * batch_size + batch_size]
np.random.shuffle(batch_list)
batch_x = np.array([get_feature(file) for file in batch_list[:,0]])
batch_y = np.array([convert2oneHot(label,2) for label in batch_list[:,1]])
yield batch_x, batch
数据读取的方式我采用的是生成器的方式,这样可以按batch读取,加快训练速度,大家也可以采用一下全部读取,看个人的习惯了。
2.网络模型搭建
数据我们处理好了,后面就是模型的搭建了,我使用keras搭建的,操作简单便捷,tf,pytorch,sklearn大家可以按照自己喜好来。
网络模型可以选择CNN,RNN,Attention结构,或者多模型的融合,抛砖引玉,此Baseline采用的一维CNN方式,一维CNN学习地址>>https://blog.csdn.net/xiaosongshine/article/details/88614450
模型搭建
TIME_PERIODS = 5000
num_sensors = 12
def build_model(input_shape=(TIME_PERIODS,num_sensors),num_classes=2):
model = Sequential()
#model.add(Reshape((TIME_PERIODS, num_sensors), input_shape=input_shape))
model.add(Conv1D(16, 16,strides=2, activation='relu',input_shape=input_shape))
model.add(Conv1D(16, 16,strides=2, activation='relu',padding="same"))
model.add(MaxPooling1D(2))
model.add(Conv1D(64, 8,strides=2, activation='relu',padding="same"))
model.add(Conv1D(64, 8,strides=2, activation='relu',padding="same"))
model.add(MaxPooling1D(2))
model.add(Conv1D(128, 4,strides=2, activation='relu',padding="same"))
model.add(Conv1D(128, 4,strides=2, activation='relu',padding="same"))
model.add(MaxPooling1D(2))
model.add(Conv1D(256, 2,strides=1, activation='relu',padding="same"))
model.add(Conv1D(256, 2,strides=1, activation='relu',padding="same"))
model.add(MaxPooling1D(2))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.3))
model.add(Dense(num_classes, activation='softmax'))
return(model)
用model.summary()输出的网络模型为
________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
reshape_1 (Reshape) (None, 5000, 12) 0
_________________________________________________________________
conv1d_1 (Conv1D) (None, 2493, 16) 3088
_________________________________________________________________
conv1d_2 (Conv1D) (None, 1247, 16) 4112
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 623, 16) 0
_________________________________________________________________
conv1d_3 (Conv1D) (None, 312, 64) 8256
_________________________________________________________________
conv1d_4 (Conv1D) (None, 156, 64) 32832
_________________________________________________________________
max_pooling1d_2 (MaxPooling1 (None, 78, 64) 0
_________________________________________________________________
conv1d_5 (Conv1D) (None, 39, 128) 32896
_________________________________________________________________
conv1d_6 (Conv1D) (None, 20, 128) 65664
_________________________________________________________________
max_pooling1d_3 (MaxPooling1 (None, 10, 128) 0
_________________________________________________________________
conv1d_7 (Conv1D) (None, 10, 256) 65792
_________________________________________________________________
conv1d_8 (Conv1D) (None, 10, 256) 131328
_________________________________________________________________
max_pooling1d_4 (MaxPooling1 (None, 5, 256) 0
_________________________________________________________________
global_average_pooling1d_1 ( (None, 256) 0
_________________________________________________________________
dropout_1 (Dropout) (None, 256) 0
_________________________________________________________________
dense_1 (Dense) (None, 2) 514
=================================================================
Total params: 344,482
Trainable params: 344,482
Non-trainable params: 0
_________________________________________________________________
训练参数比较少,大家可以根据自己想法更改。
3.网络模型训练
模型训练
if __name__ == "__main__":
"""dat1 = get_feature("TRAIN101.mat")
print("one data shape is",dat1.shape)
#one data shape is (12, 5000)
plt.plot(dat1[0])
plt.show()"""
if (os.path.exists(MANIFEST_DIR)==False):
create_csv()
train_iter = xs_gen(train=True)
test_iter = xs_gen(train=False)
model = build_model()
print(model.summary())
ckpt = keras.callbacks.ModelCheckpoint(
filepath='best_model.{epoch:02d}-{val_acc:.2f}.h5',
monitor='val_acc', save_best_only=True,verbose=1)
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
model.fit_generator(
generator=train_iter,
steps_per_epoch=500//Batch_size,
epochs=20,
initial_epoch=0,
validation_data = test_iter,
nb_val_samples = 100//Batch_size,
callbacks=[ckpt],
)
训练过程输出(最优结果:loss: 0.0565 - acc: 0.9820 - val_loss: 0.8307 - val_acc: 0.8800)
...
Epoch 19/20
25/25 [==============================] - 1s 37ms/step - loss: 0.0045 - acc: 1.0000 - val_loss: 1.0057 - val_acc: 0.8600
Epoch 00019: val_acc did not improve from 0.88000
Epoch 20/20
25/25 [==============================] - 1s 37ms/step - loss: 0.0012 - acc: 1.0000 - val_loss: 1.1088 - val_acc: 0.8600
Epoch 00020: val_acc did not improve from 0.8800
4.模型应用预测结果
预测数据
if __name__ == "__main__":
"""dat1 = get_feature("TRAIN101.mat")
print("one data shape is",dat1.shape)
#one data shape is (12, 5000)
plt.plot(dat1[0])
plt.show()"""
"""if (os.path.exists(MANIFEST_DIR)==False):
create_csv()
train_iter = xs_gen(train=True)
test_iter = xs_gen(train=False)
model = build_model()
print(model.summary())
ckpt = keras.callbacks.ModelCheckpoint(
filepath='best_model.{epoch:02d}-{val_acc:.2f}.h5',
monitor='val_acc', save_best_only=True,verbose=1)
model.compile(loss='categorical_crossentropy',
optimizer='adam', metrics=['accuracy'])
model.fit_generator(
generator=train_iter,
steps_per_epoch=500//Batch_size,
epochs=20,
initial_epoch=0,
validation_data = test_iter,
nb_val_samples = 100//Batch_size,
callbacks=[ckpt],
)"""
PRE_DIR = "sample_codes/answers.txt"
model = load_model("best_model.15-0.88.h5")
pre_lists = pd.read_csv(PRE_DIR,sep=r" ",header=None)
print(pre_lists.head())
pre_datas = np.array([get_feature(item,BASE_DIR="preliminary/TEST/") for item in pre_lists[0]])
pre_result = model.predict_classes(pre_datas)#0-1概率预测
print(pre_result.shape)
pre_lists[1] = pre_result
pre_lists.to_csv("sample_codes/answers1.txt",index=None,header=None)
print("predict finish")
下面是前十条预测结果:
TEST394,0
TEST313,1
TEST484,0
TEST288,0
TEST261,1
TEST310,0
TEST286,1
TEST367,1
TEST149,1
TEST160,1
展望&总结
此Baseline采用最简单的一维卷积达到了88%测试准确率(可能会因为随机初始化值上下波动),也可以多尝试GRU,Attention,和Resnet等结果,测试准确率准确率会达到更高。
这是笔者第一次参加基于深度学习应用开发的比赛,为了让更多像笔者一样才入门的朋友能尽快上手,所以记录下来了笔者整个初赛解题思路与实践过程。最后很感谢举办方组织的这个比赛,让参赛选手收获很多实战经验与应用技巧。