Question

问题陈述

我有一个大小（19,1000,100）的数据集，其中包含：

- 100 SAMPLES
- 19 channels / samples of length 1000 (2 s at 500 Hz)

数据集是label，矢量长度为100。

我想使用学习算法，当然，为了获得最佳拟合。为此，我将数据集拆分为训练集和测试集。目前的代码：

# -*- coding: utf-8 -*-

# Library importation
import os
import numpy as np
from scipy import io as sio
from scipy import signal
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from matplotlib import pyplot as plt

#------------------------------------------------------------------------------
# Functions

def filter(x, n, fs, fc1, fc2):
    b, a = signal.butter(n, [fc1/(fs/2), fc2/(fs/2)], 'bandpass')
    y = signal.filtfilt(b, a, x)
    return y

def haming(x, L):
    # Symetric L-points hamming window
    window = signal.hamming(L)
    y = x * window.T                            # Element wise multiplication
    return y

#------------------------------------------------------------------------------
# Script

s_EEG = "{}/{}".format(EEG_path, EEG[4])
data = sio.loadmat(s_EEG)['s_EEG']['data'][0][0].astype(float)     # data[i, j ,k]
labels = sio.loadmat(s_EEG)['s_EEG']['labels'][0][0][0]            # labels[k]
fs = sio.loadmat(s_EEG)['s_EEG']['sampling_rate'][0][0][0][0]      # 500 Hz
size = data.shape                                                  # (i,j,k)

for i in range(size[0]):
    for k in range(size[2]):
        data[i,:,k] = haming(filter(data[i,:,k], 10, fs, 1, 45), size[1])

data = data.reshape(size[0] * size[1], size[2]).T

# X signal / Y label
X_train, X_test, Y_train, Y_test = train_test_split(data, list(labels), test_size=0.33, random_state=42)

clf = SVC()
clf.fit(X_train, Y_train)
print (clf.score(X_test, Y_test))

过滤每个样品（1 Hz和45 Hz之间的带通）。每个样品都应用汉明窗。

然后通过一个接一个地放置样本，以100 * 19 000的形式重新整形数据。

问题

方法是否正确？
通过一个接一个地放置样品，是不是会产生问题？
我如何使用大量功能进行分类？例如，频谱分析，频道之间的同步方法，均值，方差......是否可以为每个样本提取“特征信号”，然后将它们一个接一个地放置，即，svc的输入将是一个100 * A LOT的矩阵？有没有办法保持信号的形式：

（样本*（通道1，通道2，...通道19，功能1，功能 2，......））

甚至更好：

（样本*（（通道1，通道2，...通道19），（功能1为通道1，通道2的特征1，......），（通道1的功能2， chan 2的特征2，...）））

由于我不知道哪个特征可能会出现在我的信号中（EEG数据......），我需要测试很多不同的功能并保持最佳功能。

感谢您的帮助！

P.S：代码的任何优化，就速度，内存，简单而言都很棒：）

Python SKLearn具有信号功能

0 个答案: