基于逻辑回归、随机森林、SVR模型+监测仪器+通过电子信号估计生命体征数据的数学模型（python源码+说明）.zip

# estimate-vital-signs 使用了三个模型来训练：逻辑回归、随机森林、SVR。监测仪器可以随时监测到被监测者的电子信号，需要将电子信号“翻译” 为被监测者能理解的生命体征数据，本项目建立通过电子信号估计生命体征数据的数学模型。 # How to use 运行每个train.py可以进行模型训练， 需要修改data_dir和model_dir的绝对路径， 训练后的模型会保存在对应的model文件夹下， 并输出呼吸频率、心率和体动各自的平均绝对误差（MAE）和均方根误差（RMSE） 运行每个predict.py可以手动输入数据进行预测， 需要修改regressor_breath、regressor_heart_rate、regressor_totalMotionp的绝对路径， 运行后输入电子信号数据（以空格分隔），如： -16.7 -16.68 -16.7 -16.68 -16.68 -16.68 -16.7 -16.7 -16.71 -16.68 -16.68 -16.7 -16.68 -16.68 -16.68 -16.7 -16.7 -16.68 -16.7 -16.68 -16.67 -16.7 -16.68 -16.68 -16.68 -16.7 -12.93 -12.93 -16.68 -16.7 -16.7 -12.92 -12.93 -16.68 -16.7 -16.68 -16.68 -16.68 -16.7 -16.7 -16.68 -16.7 -16.7 -16.68 -16.7 -16.7 -16.68 -16.7 -16.68 -16.7 返回结果： 预测的呼吸频率: 12.607083409602534 预测的心率: 63.43132435898198 预测的体动: 0.8572433033145431