# 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
基于逻辑回归、随机森林、SVR模型+建立通过电子信号估计生命体征数据的数学模型（python源码+项目说明）.zip
版权申诉
32 浏览量
2024-03-17
22:51:11
上传
评论
收藏 17.28MB ZIP 举报
基于逻辑回归、随机森林、SVR模型+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（python源码+项目说明）.zip （19个子文件） 
code_20105 
timu.pdf 283KB
How to use.txt 1KB linear_model 
predict.py 972B model regressor_breath.pkl 1KB regressor_totalMotion.pkl 1KB regressor_heart_rate.pkl 1KB 误差计算.txt 367B train.py 3KB
train.rar 22.65MB README.md 1KB SVR predict.py 945B model regressor_breath.pkl 3.76MB regressor_totalMotion.pkl 3.85MB regressor_heart_rate.pkl 3.92MB 误差计算.txt 366B train.py 3KB RandomForestRegressor predict.py 999B 误差计算.txt 355B train.py 3KB资源评论
