Benutzer-Werkzeuge
ws2021:hier
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen gezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung Nächste Überarbeitung | Vorhergehende Überarbeitung | ||
|
ws2021:hier [2021/03/28 13:17] elena_kirschner |
ws2021:hier [2021/04/05 15:49] (aktuell) elena_kirschner angelegt |
||
|---|---|---|---|
| Zeile 1: | Zeile 1: | ||
| - | <code> | + | {{ws2021:ekg:schem_ekg_beschriftet.png?390|schematische Darstellung Sinuskurve}} |
| - | class Netzwerk(nn.Module): | + | {{ws2021:ekg: echtes_ekg_annotiert2.png?250|Sinuskurve aus Datensatz}} |
| - | def __init__(self): | + | |
| - | super(Netzwerk, self).__init__() | + | |
| - | self.conv1 = nn.Conv1d(12, 24, kernel_size=15, stride=1, padding=1) | + | |
| - | self.pool1 = nn.MaxPool1d(kernel_size=3, stride=2, padding=1) | + | |
| - | self.conv2 = nn.Conv1d(24, 32, kernel_size=10, padding=1) | + | |
| - | self.pool2 = nn.MaxPool1d(2, stride=2, padding=1) | + | |
| - | self.conv3 = nn.Conv1d(32, 24, kernel_size=5, padding=1) | + | |
| - | self.pool3 = nn.MaxPool1d(3, stride=2, padding=1) | + | |
| - | self.conv4 = nn.Conv1d(24, 12, kernel_size=3, padding=1) | + | |
| - | self.pool4 = nn.MaxPool1d(3, stride=2, padding=1) | + | |
| - | self.lin1 = nn.Linear(12*61, 40) | + | Links: //schematische Darstellung Herzschlag//; Rechts: //Herzschlag aus Datensatz (annotiert)// |
| - | #self.lin2 = nn.Linear(800, 40) | + | |
| - | self.lin3 = nn.Linear(40, 10) | + | |
| - | self.lin4 = nn.Linear(10, 2) | + | |
| - | self.history_loss = [] | + | Hier ist jeweils nur eine der 12 gemessenen Kurven pro EKG dargestellt. Die Ausschnitte zeigen die elektrische Aktivität während eines Herzschlages, beginnend mit der **//P-Welle//**. Diese Erregung ist für die Kontraktion der Vorhofmuskulatur verantwortlich. Anschließend folgt der **//QRS-Komplex//**. Dieser starke Ausschlag der Spannungsänderung sorgt für die Kontraktion der Herzkammern, welche das Blut durch den Körper pumpen. Abschließend folgt die **//T-Welle//**, hier findet die Erregungsrückbildung statt. |
| - | self.history_eval = [] | + | |
| - | self.classific_accuracy_training = [] | + | |
| - | self.current_epoch = 0 | + | |
| - | def forward(self, x): | + | Zwischen PQ, sowie ST verlaufen **//isoelektrische Linien//**. Das heißt, dass hier keine Änderung des Stromflusses stattfindet. Ein Herzinfarkt, zum Beispiel, lässt sich durch eine Verschiebung der ST-Strecke nach oben oder unten erkennen. |
| - | x = self.pool1(F.relu(self.conv1(x))) | + | |
| - | x = self.pool2(F.relu(self.conv2(x))) | + | |
| - | x = self.pool3(F.relu(self.conv3(x))) | + | |
| - | x = self.pool4(F.relu(self.conv4(x))) | + | |
| - | + | ||
| - | x = x.view(-1, 12*61) # umwandeln der Shape, sodass Uebergang von Conv. Layer zu linearen layers moeglich | + | |
| - | '''x = F.relu(self.lin1(x)) | + | |
| - | #x = F.relu(self.lin2(x)) | + | |
| - | x = F.relu(self.lin3(x)) | + | |
| - | x = self.lin4(x)''' | + | |
| - | return x | + | |
| - | + | ||
| - | def num_flat_features(self, x): | + | |
| - | """eigentlich irrelevant???""" | + | |
| - | size = x.size()[1:] | + | |
| - | num = 1 | + | |
| - | for i in size: | + | |
| - | num *= i | + | |
| - | return num | + | |
ws2021/hier.1616930273.txt.gz · Zuletzt geändert: 2021/03/28 13:17 von elena_kirschner
Seiten-Werkzeuge
