張中齊 || ECG Data Analysis || 2024/1/17 ||

MeDA
2粉絲
1 次觀看·2024年1月25日
2024 AMPSS Workshop
Speaker 1: 張大衛, MeDA Lab, NTU - Medical Image Segmentation
Speaker 2: 陳彥嘉, MeDA Lab, NTU - Medical Image Classification
Speaker 3: 蔡欣翰, MeDA Lab, NTU - Medical Image Registration
Speaker 4: 張中齊, MeDA Lab, NTU - ECG Data Analysis
Speaker 5: 傅琪鉦, Nvidia - Generative AI in Medicine and Healthcare
[音樂]
呃,讓我們開始吧,所以,這一
部分將是關於心電圖,這就
像是最常見的
醫療信號之一,呃,我們有,我想我
不知道,但是,嗯,所以,我們將重點
關注,呃,主要是 呃信號
分類問題,嗯,我們還
爲您準備了一些幻燈片,呃,但是呃,
我們將在幻燈片上花費大約 15 分鐘,
然後嗯,稍後轉向呃演示,
所以
嗯,是的,讓我們開始
心電圖吧,我 來自 Meda 所以是的呃我是 J 嗯
所以嗯信號真的很常見,
我們在現實生活中確實有一堆信號
所以這裏有一些關於
如何處理
信號的介紹所以信號基本上是一個
函數 嗯包含
關於某事物的某種信息,所以
你可以將所有東西都視爲一個
函數所以嗯幾乎
所有東西都是一個信號所以例如我們
有音頻信號我們有圖像信號,
呃通常我們不會稱之爲信號 IM 是
一個信號,因爲它有點奇怪,
但是圖像可以被認爲是一個
函數,其中每個像素都
被分配了一個值,例如
顏色或其他東西的某種強度,因此圖像可以 被
認爲是一個信號,通常
有兩種類型的信號,第一種
是連續時間信號
,幾乎是現實生活中的所有
信號,我們也有
離散時間信號,我們將
使用它,因爲嗯,如果你' 正在做
計算和一些你無法
真正存儲在內存中的東西,比如無限量的
數據,所以呃,所以我們將
在演示器中使用 stre 時間信號,
呃,所以這裏的主要主題
是心電圖信號,嗯 呃,
爲你記錄心跳,嗯,所以我
在那裏附加了一個隨機的互聯網信號,
以供
參考,好吧,那麼,什麼是心電圖,我
不確定你是否已經瞭解
心電圖是什麼,或者你知道如何
稱呼心電圖 心電圖信號的每個部分
或其他東西,但是呃,所以在
我們進入協作
教程之前,我要先談談心電圖,所以 isg 信號基本上
就像心跳的記錄,嗯,所以
你可以有點嗯 分解一個簡單的
信號,例如,如果它是一次
心跳,那麼它將採用
右側圖片的形式,您
可以將其分解爲不同的
組件,例如像 P wve
就像前面的一個小山一樣 在
信號前面,然後我們
有一些急轉彎,即 QRS 複合
波,您可以看到那裏的一個
瘋狂峯值上方有一個小呃一個巨大的 r,
所以這被稱爲 r 峯值,我們
還有一個 t 波 就像
QRS 複合波之後的最後一波呃,所以嗯,
它們都描繪了不同種類的
不同呃心跳過程,
但這在今天的講座中並不重要,
所以是的,所以我們將只
關注名詞以及我們如何
稱呼
它們和嗯,所以心電圖可以用
不同的方式記錄,例如,就像我們有
嗯,因爲當你記錄心電圖信號時,
就像你在身體上放置很多呃不同的嗯
電極,這意味着
你可以知道嗯檢測
到 不同角度的心電圖信號,
所以呃,這些被稱爲導聯,所以
我們通常有 12 條導聯用於一個
EG 信號,它有點
複雜,但我們不會
在這裏使用確切的定義。 所以這只是爲了
介紹 所以嗯 那麼 12 條線索是多少
所以我們有線索 1 線索 2 和
線索 3 呃所以在圖片上它將
位於圖片的左邊大部分
嗯,我們還有
AVR AVL 右、左和下
avf,我們還有胸部 uh 導聯,
它們是 V1 到 V6,這是
最右邊的 uh 六個 uh e 信號,
在圖片中是的,
所以 uh 這些是 ECG
的 12 導聯
和 um 所以我們今天要解決的主要主題或主要
呃問題是
呃對實際纖維顫動的檢測,
呃可以是AB縮寫爲AF,我們
稍後將其稱爲AF所以什麼是
實際纖維顫動所以實際
纖維顫動是 嗯,心臟病,我
認爲這是一種硬性嗯
障礙,嗯,其
特徵是,嗯,通常是不規則或
快速的心跳,例如,所以你可以
在這裏的心電圖模式上看到,嗯,它
由不規則的 R 間隔組成,
例如,嗯,所以在 下面的
圖像,右邊的是正常
心電圖,所以在右下角的信號中,您
可以看到 RR 間隔,即
兩個
連續 R 峯值之間的距離,幾乎完全相同,右邊大約是,
它們是 大約呃點像0.8秒
秒,嗯很規律,
呃在左邊你可以看到,如果是
AF呃,心電圖信號會
有點失真,嗯呃間隔
並不像嗯完全相同
在這裏你可以看到它更短,
呃你可以看到它
在這裏更長一點,所以它有所不同,所以這些
是 AF 的特徵特徵之一,
AF 的另一個特徵是缺乏
明顯的 p 波,所以什麼 是 p 波,所以
p 波就是我剛纔說的,它在
QRS 波羣前面有點蒼白,所以呃,你可以看到,
在正常情況下,抱歉,在正常心電圖
信號中,p wve 在這裏存在,並且
它非常明顯,但是如果你看
一下 af1s,那麼你可以看到
p 波並不真正在這裏,
就像它在這裏幾乎看不見一樣,
這可能是 P,但我不確定,
所以這是特徵之一 AF 的原因是
P 可能會消失,就像
它可能不存在一樣,所以是的,
如果你想驗證 e 信號是否是 AF 的話,這兩個就是人類或我通常會像我們一樣看到的,
所以
嗯我們' 今天不打算使用這個,但是
這只是供您
參考,所以這些被稱爲
心率變異性或 HRV 特徵,所以
什麼是硬率 V 變異性所以
我們剛纔說過,如果它是 AF 信號,
那麼心臟 心率將是
不規則的,所以呃,如果我們以
某種方式測量心率的變化或
波動性,那麼
可以在某種程度上推斷出,你知道
也許我們可以進行分類,嘗試以
這種方式對每個信號進行分類
只是計算一些東西,所以這些被
稱爲嗯 HIV 特徵,所以它試圖呃
記錄呃所有的 r 間隔並嘗試
呃計算出某種變異性
,有很多
不同的方法來計算波動性
或變異性所以嗯
這裏有很多名詞,嗯,但這只是爲了
介紹,所以我有一個
維基百科鏈接,所以如果你想谷歌
或其他東西,你可以檢查一下,
所以嗯不同類型的 hrb 功能
可以呃包括像時間 域
特徵,這正是我剛纔所說的,
例如 sdnn 是
nn 間隔的標準差,NN
間隔是 U 只是正常的 RR 間隔,
所以這只是某種標準
差,我們還獲得了頻
域特徵 在對信號
應用某種
呃某種數學函數之後,
你就會在
信號上獲得類似 SEO dis 分佈明智的東西,所以
我們有低低呃低頻信號,
高頻的以及
長線性的,所以如果您對 AF 的分類問題感興趣,這些可能是
您想要
瞭解或檢查的一些事情,
好的,是的,呃,所以這裏有一些
特殊的 tra 在
我們進入
實際演示之前,我們先了解一下機器學習中的心電圖信號,例如,嗯,就像
這個簡單的信號確實是一個
有趣的話題,因爲它是
一維的,這
意味着它可以有很多
優勢,如果它是 與
圖像或 MRI 掃描或呃我
不知道 CT 掃描相比,所以它
在加載數據或處理數據時使用的時間更少,
而且它更輕,因此
您實際上不需要調整大小 或者
類似,因爲它並沒有真正
佔用你計算機中那麼多的內存,
所以嗯,它有某種更容易
適應的東西,比如呃前端
模型,而不是前端尖端模型,
比如嗯,比如語言
模型,也許是因爲像 你可以把
它看作一個句子,
嗯,某種信號,我想是這樣,
因爲它是一維的,所以它
在這裏有一些優勢,而且作爲一個
信號意味着你可以用
不同的方式來看待它,例如
您可以將其視爲一維
圖像,這意味着如果您有
某種變換或
可以對圖像執行某些操作,您也可以處理
信號,
例如,如果您想
在您的圖像上應用一些類似 Instagram 濾鏡的功能,那麼您可以將其視爲一維圖像。 圖像
你可以在信號上做,或者你可以做
一些對比我不知道對比重新重新
採樣或信號上的一些東西
嗯,所以這是
優勢之一嗯,而且你也可以將它
視爲一個信號,所以有一個 處理信號的特定領域
稱爲信號處理,它有一些
有趣的數學東西,
例如帶通濾波器或
連續無變換變換,
您也可以將信號構建爲
時間序列,這意味着您 可以對其
應用一些統計數據,就像
每個 Max 模型移動平均
模型一樣,或者像 Auto cor 一樣計算
自相關性,就像嘗試使用
E 信號的週期性來發揮自己的
優勢,所以嗯,是的,這就是
心電圖的介紹 我們將在
這裏進行演示,所以演示是一個
分類
問題,
目標是將 30 秒
心電圖片段分爲 AF
或非 AF 兩類,所以我們還有其他
這裏的卡條件,但它們被合併
到非 AF 中,所以非 if 意味着像正常條件
和可能的其他條件一樣,
嗯,是的,所以我們將如何做到這一點,
我們將使用機器學習,更
具體地說,使用樹脂 18 進行深度學習
是 我們的模型,嗯,所以我們將
在 Google cab 上訓練模型,嗯,是的,
爲了您的娛樂,我想,
工作流程將低於
數據
預處理,並且呃進行訓練
驗證並進行測試測試 在
單獨的測試集上,好的,
我們要使用的數據是一個開放數據集,
來自它稱爲
mitb U AF 數據庫呃呃是的,這是一個
非常呃衆所周知的數據庫呃關於心電圖
檢測並且它有呃兩個導聯所以它是
就像來自 23 名患者的雙通道 10 小時心電圖
信號,
每個信號以每秒 250 個樣本的速度進行採樣,
這意味着如果您如果我們
因爲我們的目標是嘗試對
30 秒片段是否爲 AF 進行分類
所以呃,一個 30 秒的信號平均
信號意味着嗯它將
包含大約 7 個
7,500 個值在它的 CU 中就像每秒 250 個值
嗯是的它有正常的 AF 和
其他記錄,呃我已經將
它裁剪成 30 秒的片段
因爲它的代碼有點混亂,
所以嗯,我不會將其包含在
演示中,這是呃,這些是
您可以嘗試查看
我們正在
使用的數據的鏈接,以便 正確的是,
我們想要談論這三件事,所以
前兩個是非常標準的
處理心電圖數據的方法,第一個是
消除 gion 噪聲,C 噪聲
就像白噪聲,所以呃它發生了 在
測量過程中,呃,我們要
刪除它,呃,通常我們要
刪除基線魔杖,即嗯,如
右圖所示,所以呃,
有了基線奇蹟,你可以看到
e 只是呃,它正在漫遊到太空中,或者
然後毫無疑問
它就像一條直線,所以如果
我們給模型提供更多的東西 um
Regular r 這可能會更好地讓
模型學習重要的特徵,而
不是隨機漫遊 是的,
然後是 C uh 連續波 BL
變換是我之前談到的,它
是一個數學函數,它
接收 ECG 信號並
變換爲
頻域上的某種分佈,這意味着
它是
每個
時間戳的頻率分佈,但這並不意味着
如果你對
連續變換一無所知,你可以
谷歌它,如果你想
好的話,所以我們使用的模型是
共振18,它基本上是一堆矩陣
乘法,所以我們有嗯,
所以最左邊的我們 有輸入,所以我們
將一個信號輸入
到模型中,然後將兩個通道信號輸入到模型中,然後進行
一系列矩陣乘法,然後做
一些事情,然後我會考慮
它是否是 AF 的可能性,
所以需要更多時間 所以
呃,所以我們要進入
這裏的 IPython 筆記本,所以呃,請打開
IPython 筆記本,嗯,所以當
你進入這個
頁面之後,請
稍候,所以當你進入這個頁面之後,呃,所以
呃,你有點想保存一個 複製到
驅動器中,因爲這樣您就可以編輯
它,所以在保存副本後,
您必須擁有,
因爲我們正在進行訓練,所以您
必須將運行時運行時類型更改爲
GPU,所以在此處選擇此選項 T4 GPU,
然後單擊“
保存”,好的,現在我們準備好了,
上面的部分就是我
之前談到的,所以首先我們
要加載我們的數據,所以呃,你怎麼樣,
因爲你知道谷歌的一些Li ations
驅動器,因此您必須在此處添加快捷方式,
方法是單擊呃右側呃右鍵
單擊並選擇添加
快捷方式,然後您要選擇
例如嗯只是我的
驅動器只是我的驅動器將其添加到您的
驅動器中然後單擊
添加然後它應該 就像在
我的驅動器中的驅動器中一樣,我的意思是文件夾
,然後嗯,所以這
與之前的講座相同,嗯,
所以呃單擊此處的小運行按鈕
將您的驅動器安裝到 U 將
驅動器連接到
筆記本中 因此,單擊您的帳戶,然後單擊“
繼續”,大約需要 10 秒,或者還
可以,所以現在我猜您
已經安裝了,所以嗯,您可以單擊
此處的文件夾圖標來查看
驅動器中的內容,這樣您就可以看到我們
嗯,我們剛剛在此處添加的快捷方式就在
這裏,所以 mitb
a.zip 然後在安裝
驅動器後,您想將其解壓縮,因此
單擊此運行
按鈕,然後它會說它正在
膨脹或其他什麼,
然後 然後嗯,就完成了,所以
你已經
成功地將
嗯數據解壓到你當前的工作
環境中,該環境不在你的驅動器中,
就像谷歌中的一些雲服務器
嗯,所以在這裏你可以在嗯
文件夾中看到我們 剛剛解壓,我們就
留下了一個原始信號僅供
參考,因爲我已經對
信號進行了分段,所以在過程數據中
我們有一堆 30 秒的心電圖
信號,好吧,首先讓
我們安裝軟件包 '將使用所以 monai 是的
monai 類似於醫學成像,
它非常有用,我們有 wfdb,它
用於嗯這個數據集,因爲
這是來自 phys net 的,嗯
來自 physonet 的數據通常使用這個庫
來幫助嗯可視化或 讀或寫我
想所以呃安裝
它之後你安裝了它你
必須導入它
顯然嗯是的然後我們是因爲
我
在文件夾中留下原始信號的主要原因因爲我們正在嘗試
查看rosic 首先,我們
要加載這個數據
4043,然後然後嗯嘗試看看
你知道它是什麼樣的所以這裏的
信號意味着心電圖數據
註釋意味着
嗯相應的實驗室例如
嗯是否是AF 或者是否
是正常的或其他的東西都在
註釋 uh 對象中,所以
這裏的時間戳意味着 um
標籤發生的時間戳,
標籤的
長度與時間戳相同,所以你可以看到
長度是 166 它與
時間戳的長度相同,
即 um 166,所以這裏的每個標籤
對應一個時間戳,這
意味着從
68 um 值開始,ECG 信號是正常的,所以
過了一會兒,就像這樣
數字 ISU SLE 將是 AF
而不是正常的,這就是您
查看註釋文件的方式,因爲
原始信號是 10 小時,所以
信號長度將非常長,
這就是這裏的數字,嗯 是
正常的,所以首先,我們要
通過點擊這個來繪製它,
所以顏色意味着你知道
它更好看,然後你可以
看到這裏有一個狹窄的凌亂的
圖表,因爲
它太長了 10 個小時,所以它並沒有真正
做任何事情,就像你繪製它一樣,它並
沒有真正告訴你任何東西,所以嗯,
你有點想放大,例如
在這裏,我們只繪製從
它的一半到 50% 的圖 它試圖看看它
看起來是什麼樣子,它仍然
很混亂,所以我們試圖
走得更遠,所以這裏是的,這就像
一個 EC 標誌的很好的例子,所以你可以
看到這裏有一條紅線 這
意味着,在這條紅線之後,它將
是 AF,然後在此之前,
它應該是正常的
或其他
條件,所以就像我剛纔在幻燈片中所說的那樣,
您可以看到,當
它是 AF 時,會有一些非常不規則的情況
這裏發生的事情,比如 QRS
複合波真的很奇怪,嗯,p
波不再真正存在了,
所以呃,是的,這就是你如何
從數據庫中可視化或讀取原始信號
,然後我們將
跳到訓練部分 其中,嗯,
使用來自
我剛剛給你的 zip 文件中的過程數據,
所以呃,就是這個,你嘗試獲得
正確的文件名,然後你可以
打印它,所以這些是呃
原始文件名的 IDS,您可以
認爲每個 ID 都是一名患者,所以這個人
4015 是一名患者,
然後 443 是一個患者,所以我們
有
21 名患者,因爲其中有 2 名患者
不可
用 抱歉,我們有 23 個,我想是的
23 個,然後我們會因爲
我們在開始訓練時會使用一些 Shing,
所以呃,所以我們要
確保隨機的事情會
發生,呃我們是 要
確保它是固定的而不是真正
隨機的,所以嗯只需設置確定性
確定性,這樣你就可以嘗試呃
重現我們
在這裏做什麼,如果你不運行它,你也不能這樣做
每次運行此筆記本時都會有所不同,
所以現在我們已經修復了
隨機性,我們準備將
文件名拆分爲訓練驗證測試
集,請注意,我們
還沒有加載文件,原因是 爲什麼
我們在這裏分開是因爲嗯,你確實
希望測試像
訓練驗證集一樣是不同的病人,
你不希望像
病人的一些樣本在訓練中,
但也在測試中,這並不真正 這是
有道理的,因爲測試應該
真正獨立於訓練和
驗證,所以在這裏我們使用
文件名的 ID,就像某種
患者身份一樣,這樣我們就
不會
搞亂訓練。 部分將是
80%,驗證
部分將是 10%,這意味着
我們還剩下 10% 進行測試,
嗯,是的,所以這裏有一些語法,只需運行
它,這樣我們就有 18 個文件用於訓練兩個
文件用於驗證三個 用於
測試,然後有一些 K St 它,
因爲 um
719 這個文件和這個文件
不像它們,它們實際上不包含除
AF 之外的任何東西,所以如果你
用它來驗證或測試它會
搞砸 輸出幾乎如此,因爲
CU 之類的驗證僅包含
兩個文件,所以如果您使用它進行
驗證,它將類似於 75% AF
或不平衡的東西,IM
巨大,所以呃,所以我們將使用
它們進行訓練 只是這意味着
我們要重新將它們從
驗證或測試中刪除並交換其他內容,
以便在運行後您可以加載
樣本,所以呃這裏是前五個
樣本是呃
這些和呃我們總共有我們
總共 嗯
4,400 個樣本,這意味着我們
生成了我們已經分段採樣的呃 200 個
樣本,呃抱歉,是的,呃,
一個
病人中有 200 個樣本,是的,呃,現在已經準備好
加載了,所以如果你查看這裏的文件,
這裏的文件名,你 可以看出
這是患者 ID 或 um
標識符,這是
uh 標籤,就像 1 表示它是 AF
0 表示它不是 AF 和 1 呃 th 是
uh 這個數字在這裏表示 um
文件數量的索引 文件
生成正確,因爲我們
總共有 4,40 400 個數據,所以這個數字
意味着它是 200 uh 2, 249 個
樣本 uh 來重新生成 uh
生成的
好吧,所以 uh 就像我們通常做的那樣,讓我們將
第一個樣本繪製爲 看看它是什麼樣的
看看樣本是什麼樣子總是一個好主意,
這樣你就可以
看到你知道它要短得多,
因爲它就像只有 30 秒的信號
,我們這裏還有兩個數字,
開始意味着
呃這對應 到
原始 exive 信號文件中原始 10 時間戳的位置,
這意味着它是 C
從這裏開始到
這裏,所以它是這樣的,
因爲我們使用 T 導聯
ECG 信號,所以這是第一個 導聯或
通道零第一個
通道呃導聯通常
在機器學習中稱爲通道,
這是第二個
通道,所以它們是不同的,因爲
它們是
同一心電圖
信號的不同觀點,嗯
是的,現在我們準備加載
就像我們之前所做的那樣,將數據分成不同的集合,
所以呃,這很混亂,但
沒關係,所以在我們分割數據之後,我們
現在可以看到總共 4 4,400 個
樣本已被
放入不同的集合中,就像我們
在訓練中有 3,400 個樣本一樣 我們有四個 400
驗證 600 用於左
測試,讓你瞭解
這個東西包含什麼,這
基本上是一個列表,
這些是列表,它有一堆
字典,其中有
對原始信號的引用
請注意,我們還沒有加載
信號,但我們只
使用這裏的路徑來表示它,這樣你就可以
看到它是一個路徑,它是一個
字符串,它是一個它不是一個真正的某種
呃數字,所以也許我們
只需查看字典中的最後一項,
您就可以看到信號是
這個,標籤爲零,因爲
這是零,是的,
這正是您想要的,
嗯,當您進行機器學習或
深度學習時,因爲您並不真正想要
立即加載數據我的意思是因爲
嗯內存將
不夠,嗯只是爲了呃訓練
目的,我們將初始化
所有模型,比如優化器或
使用 py 的東西 torch 是一個
非常常見的機器
學習或深度
學習庫,所以導入它,然後我們
將使用 GPU,這就是爲什麼我們將
運行時更改爲 GPU,所以它
更快,我們將使用 resonet
18,它有 um 的維度爲一,因爲
重置 uh 能夠執行 uh 數據 uh,
無論其維度如何,所以這裏 e
信號是一維的 um 並且我們
有兩個引線,因此輸入通道
將是兩個,我們試圖
預測它是否是 AF 或不正確,所以它是
兩個
類,然後嗯,然後我們有
優化器,所以優化器只是
幫助你更新
模型的東西,所以你不能真正
自己更新更新模型,正確的,
因爲它包含很多
參數, 我們有一個損失函數,
基本上是呃,我們試圖
告訴機器,看看
預測是否足夠接近,所以我們
有一個損失函數,我們試圖
最小化它,所以我們試圖呃 使
機器在預測方面工作得更好,
嗯,你可以看到
這裏的輸出基本上是我打印出
模型中的所有內容,這樣你就可以
看到諧振 18 的結構,
它有一個卷積層,這是一些
矩陣乘法和一些矩陣
矩陣乘法然後是一些
函數函數函數,然後是很多
塊,然後在所有這些之後它會
輸出一個 h 兩個數字 uh uh 幾乎是
兩個 um 兩個類的類概率
,你知道 AF 或
不是這樣的,這些是模型和技術
技術
材料,現在我們準備好
預處理心電圖
數據所以嗯所以這裏我準備了呃
三個呃基本的我不知道基本的嗯
就像基本的我不知道
你的標準做法是
我剛纔在幻燈片中談到的噪聲消除
,基線漂移和對齊中心,
因此噪聲消除消除了白噪聲,
基線奇蹟消除了基線
奇蹟,然後對齊中心意味着
它使信號居中,因此它 並
沒有真正進入像隨機更高的更高
級別或隨機高級別或
或像兩個或兩個遠離
中心的模型,這可能對模型來說有點令人
擔憂,
所以嗯這些正在開始
實施它,你只需按
運行即可 註冊它,
然後然後下面的一組
轉換對於嗯
加載圖像顯然是至關重要的,因爲我們
還沒有加載圖像,然後我們
可能想要調整大小,但也許你可以
跳過這個我不知道,因爲嗯
信號不是 確實使用了那麼多
內存,所以如果您不調整
大小,那也沒什麼問題,然後也許您想
向其中添加一些類似隨機嗯嗯操作的操作,例如隨機嗯空間
裁剪,這意味着該函數會
隨機裁剪加載的圖像或
加載的圖像 ECG 信號爲你添加更多的
噪聲,然後隨機果阿
噪聲幾乎就像
聽起來一樣,對於張量 d 意味着嗯,
它試圖將它放入張量中,
這是 pytorch 將使用的數據類型,
所以這裏 我們將導入它
並導入我們將要
使用的變壓器,這是
我們今天使用的官方呃變壓器,
所以你可以看到它加載
圖像抱歉加載圖像意味着
信號加載信號然後它
之所以如此,是因爲信號是 30
秒,所以 30
所以 um uh 它包含 7
7,500 個值,所以也許我們想將
其減少到像這樣 200
uh 2, 48 那麼它有點短,
所以它可能更輕,嗯 它
會計算得
更快,嗯,所以做一些噪音消除,
做一些基線魔杖去除,做一些呃
對齊中心,然後
呃也許你想做一些隨機的
事情,也許你不想,所以嗯我
在這裏註釋掉了操作,但是
你 可以
取消提交,只需刪除
它前面的主題標籤即可取消提交,如果您
希望它還活着,如果您不希望它還
活着,那麼您可以將
其註釋掉,呃,也許我們應該嘗試
查看以下輸出 嗯,一些你知道的
感覺標準實踐,先看看它是
什麼樣子,所以我會嗯,我會評論
不承諾稍後好吧所以嗯現在
就像我已經運行了它,嗯所以讓我們看看
轉換的效果所以
這些
抱歉所以 這是第一個訓練
樣本,這是情節,然後我們
有一個,
所以你可以看到轉換的效果,
例如,
這樣有點吵,
裏面真的很亂,但這
好多了 噪音已被
消除,很多噪音已被消除,
所以消除噪音可能會更好,
而且您還可以看到,
xaxis 最初是
7,500 100,正如我們所說,但
現在是 200 呃 多了 2,000 個,所以
在
效率方面要好得多,所以你可以
改變轉換來查看
差異,例如,
也許你知道這不常見,
然後按
運行,然後你就可以看到效果
你會看到,呃,
就像它被剪得很短,它被
剪成差不多一千個,抱歉,
一千多一點,嗯,
它就像是一些非常奇怪的
形狀,因爲我們添加了噪音,
所以這是原創的東西,這是 呃
變換之類的東西,甚至強度也
不再相同了,所以呃,你可以
嘗試製作並匹配所有
變形金剛以獲得你
想要的東西,所以抱歉,所以讓我們
首先擺脫隨機,因爲就像我們想看到的
模型的基線性能,所以這是
沒有隨機性的變形金剛,然後嗯,所以
這裏又是一些技術性的東西,所以我們有
呃數據集,幫助我們加載
數據,我們有數據加載器,幫助我們
加載數據,然後所以它需要 需要一段
時間,但它最終會加載,嗯,我們
這裏有類似的數據集,因此
註釋部分意味着,當您
沒有足夠的內存時,您可能
不想使用緩存數據集,因爲 cach
意味着它像臨時
副本一樣存儲在內存中 有時這可能
非常昂貴,我不知道,
所以嗯,也許您有時想使用
數據集數據集,或者您想將
緩存速率降低到一半,
但 Google cab 會重新生成,所以
現在很好,然後我們 具有訓練
函數驗證函數和測試
函數uh訓練F函數
幾乎迭代
訓練uh數據集uh的小批量,
然後uh執行執行前向
路徑,這基本上是將其輸入到
模型中,然後計算損失,然後
更新參數和驗證
函數幾乎在不更新參數的情況下做同樣的事情,
所以呃,它帶來了
沒有更新的驗證損失,嗯,
我們試圖呃選擇那些
具有最好的,這意味着
最低的驗證損失,然後
測試 功能幾乎相同,
所以這是實現它的技術方法的技術,這是
一個非常常見的結構,
呃,驗證幾乎
相同的測試,是的,所以只需運行
它,然後它沒有顯示任何
正確的內容,它顯示
任何內容嗎? 它並沒有真正顯示
任何內容,是的,因爲它只是
定義,然後我們準備好
最終訓練模型,所以這 10 個
EPO 意味着我們將運行
模型 10 次,這意味着
呃模型將看到 每個
樣本或片段 10
次,然後我們選擇
最好的模型,這意味着
損失將是
最低的,所以你可以按運行,你可以
看到它發生,
所以首先它 加載,然後對於第一個
um 就像重複第一個 EPO 一樣,您會看到
訓練損失有點高,而
驗證損失則還不錯,
然後對於第二次迭代,您會看到
訓練損失變得更低,
驗證損失是 有點低,但
不是真的很多,
嗯,而且它正在變得更好,呃,它正在
變得更好,呃,驗證法
有時會上升,但這沒關係,所以
有時,呃,就像
發生了,嗯,是的,所以,嗯,只是一個旁註,嗯,
我有點懶惰
驗證損失的定義,因此您
可能想要使用一些
替代的驗證指標,
例如,如果您想選擇
最好的模型,例如
準確性或 F1 分數,那麼
嘗試使用 Val 可能是一個更好的主意 呃,
使用呃 F1 分數或準確性作爲你的
驗證指標,而不是使用
與訓練損失相同的損失,這樣你就會
看到驗證損失
在 LA 最後幾個 EPO 中並沒有下降,這
意味着我們有一些過度擬合
在這裏,
訓練
損失最終會
降低,我們保存了最好的
性能,這是
第二個紀元之後的第二個,驗證損失是
最低的,然後你可以
通過測試看到它的效果,
所以在測試後你可以看到
精度 並回憶每個 C uh 每個
um uh 類別,所以對於 AF,我們有好的
結果,我想像 88
80 um,對於 nonf,我們有 8 好的,它
幾乎相同,我們的準確性
和 F1 約爲 8 85%,所以這就像
好的所以 嗯你可以在這裏做什麼,因爲
我們還剩五分鐘,你可以
嘗試嗯做一些你知道的混合和匹配
嗯變換這裏
例如,如果我添加隨機到
其中,如果我只是刪除這些
標準實踐 出於某種原因,
然後呃,然後運行下面的所有內容,
如果你想運行下面的所有內容,你可以在
此處按 um run 或 control 和
F10,然後運行下面的所有內容,然後你
可以看到
性能是否上升
嗯是的所以嗯
現在我們還剩 4 分鐘呃
如果你有一些你知道的事情也許現在是
呃問答時間呃如果你有一些
問題或者嗯你想
知道的事情嗯你可以你知道嗯
問 現在我想或者我們將
嘗試嗯看看哪種
變換組合可以提供最佳結果
[音樂]
嗯所以嗯在這裏我們再次運行,
老實說這看起來不太好,嗯你可以嘗試
增加數量 這裏的 epo 可能
是 20 或
60 呃,它可能比
我們剛剛做的更好,
其他注意事項是,如果
你改變你的運行時間,如果你
沒有改變 GPU 的運行時間,就像
你這樣做一樣 確實停留在 CPU 運行時間上,然後
需要一段時間,
運行
一個 Air Pock 需要 20 分鐘左右,所以嗯,這裏需要 11
秒,所以這可能不是 20
分鐘,可能是 10 分鐘,所以這
真的是一個 巨大的性能
差異,希望這種方式可以
讓您瞭解
我們通常如何進行醫療信號
分類,例如使用
python 包和使用 Google
協作,如果您想使用更
先進的一些更先進的
技術,那麼 你可能需要
更多的
內存或佔用空間,這樣你就可以
支付 Google cab 的費用,這樣你就可以看到,
如果我們刪除
轉換,我的意思是對齊
中心和基線一項刪除,以及
爲什麼刪除這些 可以看到,
呃,性能有所提高,
特別是在呃
添加了隨機性的情況下,呃,
添加了隨機性以防止
過度擬合,所以這種情況也顯示出來,
因爲我們
在第 9 紀元發生了最低的咬合損失 從直觀上來說,這要好得多,
抱歉,F 5 而不是 FX 2,
這意味着該模型
不太容易過度擬合,所以
呃,你可以進行調整並
嘗試混合匹配,看看會產生什麼結果
最適合你,嗯,這
就像一個簡短的演示,並不是所有的東西都
包含在其中,所以嗯,只是用它
作爲參考,好吧,這是關於
心電圖數據分析的,是的,
非常感謝,非常感謝
