Реализация LSTM и CNN моделей нейронной сети в Python
1. Разработка и настройка моделей
- Seq2Label LSTM (Последовательность к числу):
- Разработать архитектуру LSTM для предсказания двух числовых значений: систолического и диастолического кровяного давления из последовательности физиологических сигналов (две последовательности сигналов ЭКГ И ППГ). Использовать доступную структуру сети из прикреплённой статьи для настройки параметров.
https://www.researchgate.net/publication/344751031_Real-Time_Cuffless_Continuous_Blood_Pressure_Estimation_Using_Deep_Learning_Model - Есть также код для этой сети, не факт что правильный
- CNN (Сверточная нейронная сеть):
- Создать CNN архитектуру для анализа временных рядов физиологических сигналов (две последовательности сигналов ЭКГ И ППГ), предсказывая кровяное давление. Настроить слои и гиперпараметры сети, добавив модификацию для вывода двух лейблов. (полный код для сети готов, нужно лишь добавить на выходе два лейбла для систолического и диастолического давления)
- https://github.com/pulselabteam/PulseDB/blob/main/Model_Training/Model_Training.py
- https://www.frontiersin.org/journals/digital-healt...
- Seq2Seq LSTM (Последовательность к последовательности):
- Спроектировать архитектуру LSTM для преобразования входной последовательности сигналов (две последовательности сигналов ЭКГ И ППГ) в две выходные последовательности, предсказывающую систолическое и диастолическое давление во времени.
2. Тренировка и тестирование моделей
- Обучить каждую из разработанных моделей на заранее сгенерированном тренировочном датасете. (все датасеты для тренировки и тестировки готовы, контактируйте меня)
- Провести тестирование моделей на двух различных тестовых датасетах (calbased test и AAMI test), анализируя их производительность на каждом.
3. Визуализация процесса обучения
- Seq2Label LSTM: Построить графики обучения с метриками MSE, ME и SD для тренировочного и тестового датасетов.
- CNN: Построить графики обучения с метриками MSE, ME и SDE для тренировочных и тестовых данных.
- Seq2Seq LSTM: Визуализировать процесс обучения с помощью графиков MSE, ME и SDE для обеих выборок.
4. Создание визуализаций архитектуры сети
- Использовать инструменты, такие как Netron (ссылка на GitHub), для создания визуализаций архитектуры нейронных сетей, что поможет в документировании и презентации вашей работы.
5. Анализ результатов и оптимизация
- Анализировать результаты, полученные каждой моделью, в контексте задачи предсказания кровяного давления.
- Оценить переобучение и обобщающую способность моделей, предложив возможные пути для их улучшения.
6. Документирование исследования
- Оформить все этапы исследования, включая код, графики, результаты и анализ, в курсовой работе на английском языке.
- Подготовить презентацию результатов для защиты курсовой работы.