基于单通道脑电信号实现的自动睡眠分期研究python源码+文档说明+数据

# 基于单通道脑电信号的自动睡眠分期研究 **Automatic Sleep Staging Based on EEG Signal using Deep Network** > 本项目参考自https://github.com/flower-kyo/Tinysleepnet-pytorch ## 简介 本项目使用了Sleep-EDF公开数据集的SC数据进行实验，一共153条整晚的睡眠记录，使用Fpz-Cz通道，采样频率为100Hz，数据获取与具体数据信息可前往数据集官网查看：[Sleep-EDF Database Expanded v1.0.0 (physionet.org)](https://physionet.org/content/sleep-edfx/1.0.0/)。 整套代码写的较为简洁，而且有添加相应的注释，因此进行分享，而且不仅仅说是睡眠分期，也可以作为学习如何使用神经网络去进行**时序数据分类**问题的一个入门项目，包括怎么用GRU、LSTM和Attention这些经典网络结构。 网络结构（具体可查看network.py文件）： - 网络整体结构类似于[TinySleepNet](https://ieeexplore.ieee.org/document/7961240/)，对RNN部分进行了修改，增加了双向RNN、GRU、Attention等网络结构，可根据参数进行调整选择。 - 定义了seq_len参数，可以更灵活地调整batch_size与seq_len。 数据集加载（具体可查看dataset.py文件） - 直接继承自torch的Dataset，并定义了seq_len和shuffle_seed，方便调整输入，并复现实验。 训练（具体可查看train.py文件）： - 定义并使用了focal loss损失函数 - 在实验中有使用wandb，感觉用起来还挺方便的，非常便于实验记录追溯 测试（具体可查看test.py文件）： - 可以输出accuracy、mf1、recall_confusion_matrics、precision_confusion_matrics、f1_confusion_matrics评价指标 ## 使用 ### 1. 安装环境 ``` pip install -r requirements.txt ``` ### 2. 数据准备 下载数据，信号和标注文件格式为edf文件。 ``` python downloading_sleepedf.py ``` 处理数据，并保存为numpy数组。 ``` python prepare_data.py ``` ### 3. 模型训练 ``` python train.py --n_epochs 150 --batch_size 16 --seq_len 64 --network "GRU" ``` 如果不知道要使用哪些哪些参数，可以看下代码，或者使用`python train.py -h`来查看。 ### 4. 模型测试 ``` python test.py --batch_size 16 --seq_len 64 --network "GRU" --model_path "./models/model_GRU.pt" --data_path "./data/sleepedf/npz" ``` 可输出precision、recall和F1的混淆矩阵。 ### 5. 模型预测 上传了一个小seq_len训练的模型，效果没那么好，但可以拿来测试体验一下。 ``` python predict.py --seq_len 16 --input_file "./data/eeg_signal.txt" ``` ## Web系统 新增了一个简单的Web演示系统，界面截图如下：  ### 部署与启动 ``` cd web ./run.sh ``` 执行run.sh会自动下载需要的依赖库，但是没有包含pytorch，如若没有需要前往官网下载，推荐1.10以上的版本。 ## 补充 我自己是在服务器上跑的，使用显卡为A100 256G显存，因此seq_len会设置的比较大些，自己可根据具体情况进行调整。有发现seq_len越大，效果会稍微好些，在设置seq_len=64，使用GRU时，测试集上准确率可达87%，MF1可达0.80。但使用Attention或者Transformer的Encoder进行训练时，发现效果并不怎么好，只能达到72%左右，而且如果堆叠太多层encoder就会跑不起来了，不是很懂。