竞赛资料源码-嵩山杯 2023 初赛 心电检测赛道 参赛实现.zip

# ss杯 2023 初赛 心电检测赛道 参赛实现 ## 项目介绍 本项目为2023 ss杯生态应用挑战赛初赛 `赛题3 可穿戴12导联动态心电质量评估 ` 同赛道第二的实现。 实现方式为pytorch搭建CNN+LSTM网络以及Se-ResNet。 提供了数据处理和训练过程的notebook文件，以及测试和评估脚本。 赛题链接：http://nscc.zzu.edu.cn/ai/#/myMatch?tabType=questionsData&tabTeamType=createTeam&tabForumType=matchForum ### 问题描述 >本赛题使用的数据集来自真实世界的动态心电数据，包含10名患者的标准12导联心电图共100 条。这些心电信号的采样频率为100 Hz，并被分割为每条10秒。数据集标签根据心电信号P、 QRS、T和U波的完整性分为四类：A类代表所有波形清晰可见，无基线漂移，采集质量高。B类 表示存在1-3个干扰心跳，但不会对诊断产生重大影响。C类表示能识别50%以上的波形，对诊断 有部分影响。D类表示完全无法识别波形，没有可用的心电信号。 >本赛题质量评估任务分为两个子题： > >1. 二分类质量评估，一类为高质量心电（标签A），另一类为其他（标签B/C/D）。该任务性能 评估指标需统一展示Precision，Recall和F1 Score，并以F1 Score作为算法评价标准。 > >2. 四分类质量评估，四类标签分别为A/B/C/D。该任务性能指标以Accuracy作为算法评价标准。 > >赛题数据下载：心电图赛题数据 > >赛题BaseLine下载：心电图BaseLine > >评分标准: 提交模型在私有的测试集上进行预测 > >1. 二分类质量评估任务性能 评估指标需统一展示Precision，Recall和F1 Score，并以F1 Score作为算法评价标准 > >2.四分类质量评估任务性能指标以Accuracy作为算法评价标准 > >提交结果:提交人工智能模型文件 ### 使用到的模型 CNN_LSTM 使用多尺度的1d卷积进行特征提取，然后将提取到的特征送入LSTM进行特征识别，最后使用全连接网络进行分类. Se-ResNet 在Conv1d和LSTM的基础上添加上了SeBlock和ResBlock，形成了多尺度的残差网络模型，相对CNN_LSTM具有更深的层数，但是由于数据集数量较小，效果反而不佳. ### 模型结果 |网络性能和参数信息 || | |Created by cy 2023.10.25| | | | |:--------:|:-----------:|:-----------:|:-------------:|:------------:|:---------------:|:-------------------:|:---------------:| |**Model** |**四分类** | |**二分类** | | **模型参数信息** | | | | | BestValAcc | Precison |Recall | F1 Score | Params | bidirectional-LSTM | File | |CNN_LSTM | 83 | 0.9462 | 0.8381 | 0.8888 | 128 64 60 20 | No | CNN_LSTM_128_64_60_20_acc83.pt| |Se-ResNet | 80 | 0.9375 | 0.8571 | 0.8955 | blk[1 2 2 1] | Yes | Se-ResNet_1221_acc80.pt| ### 项目相关文件 ``` main.py # 提交结果运行的主程序，本程序会根据提供的数据集目录生成如下所示的结果 data.ipynb # 数据集代码和相关处理过程 train.ipynb # 训练代码和相关过程 model.py # 模型定义和实现 infer.py # 推理相关功能实现 utils.py # 工具函数 data_raw # 用于存放官方提供数据集的目录 data # 整合的中间数据目录，在data.ipynb中生成 dataset # 训练过程中用用到的数据集，在data.ipynb中生成 CNN_LSTM_128_64_60_20_acc83.pt # 模型权重文件 Se-ResNet_1221_acc80.pt # 模型权重文件 best-ckpt.pt # 模型训练权重检查点文件 baseline # 赛题的baseline实现 ``` ### 正确输出示例 ``` [msxxxxxx@64bb532bde1a heart]$ python main.py Processing: 100%|███████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1200/1200 [00:11<00:00, 108.77iteration/s] model: CNN_LSTM model: CNN_LSTM Accuracy(classes=4): 0.8941666666666667 Precision(classes=2): 0.9781976744186046 Recall: 0.9295580110497238 F1 Score: 0.953257790368272 Processing: 100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1200/1200 [00:19<00:00, 62.26iteration/s] model: Se-ResNet Accuracy(classes=4): 0.9033333333333333 Precision(classes=2): 0.9797687861271677 Recall: 0.93646408839779 F1 Score: 0.9576271186440679 ``` 测试用的数据使用的是原始(包含训练）数据集，只是用来展示程序正常输出，不具备参考意义，实际精度数据以测试数据集为准 该项目使用的是zzcs AC平台预置的jupyter环境和conda环境 具体为 jupyterlab-pytorch:1.10.0-centos7.6-dtk-22.10-py37(Jupyter预置) + pytorch1.10.0a0-py37-dtk22.04.2(conda预置) 建议新建Notebook容器，并且使用 jupyterlab-pytorch:1.10.0-centos7.6-dtk-22.10-py37(Jupyter预置)环境，勾选使用加速器 以免出现无所需依赖的问题 该环境中的终端中运行 python main.py 即可正确输出结果