【源码】基于PyTorch框架的医学时间序列分类模型

项目简介

本项目是基于PyTorch框架构建的深度学习项目，主要解决医学领域的时间序列分类问题。项目内有多个模型，像结合图卷积网络（GCN）和自注意力机制（Attention）的CGU模型，还有多种基线模型以及插值 - 预测网络模型，适用于处理如生理参数、生命体征等医学时间序列数据。

项目的主要特性和功能

1. 多模型支持：包含CGU模型、多种基线模型（如SEFT、MTGNN等）和插值 - 预测网络模型，满足不同数据特性与任务需求。
2. 时空特性处理：模型可处理时空特性数据，通过自注意力机制和图卷积网络提取时空特征并输出分类结果。
3. 数据预处理：提供数据预处理脚本，能生成数据集拆分ID、处理不规则采样时间序列数据、移除异常值等，为模型训练准备数据。
4. 训练和评估：有训练和评估脚本，可训练和测试模型，并输出准确率、AUPRC、AUROC等性能统计信息。
5. 插值 - 预测网络：插值 - 预测网络模型可处理时间序列数据中的缺失值，先填充缺失值，再预测目标变量值。

安装使用步骤

1. 复制项目：将项目从源代码库复制到本地。
2. 安装依赖：使用pip或conda安装PyTorch、numpy、pandas等项目所需依赖库。
3. 数据预处理：运行Generate_splitID.py、IrregularSampling.py、ParseData.py、remove_outliers.py和sanity_check.py等脚本对医学时间序列数据进行预处理。
4. 模型训练：使用CGU_train.py、baselines_train.py、baselines_train_missing.py和baselines_train_missing_ode_rnn.py等脚本进行模型训练和评估。
5. 评估模型：运行baselines_train_missing_ode_rnn.py等脚本，在测试集上评估模型性能并输出评估结果。

注意：本项目涉及医学专业知识，实际应用时需根据具体数据和任务调整优化。代码使用Python的argparse库接收命令行参数配置模型训练过程。

下载地址

点击下载 【提取码: 4003】【解压密码: www.makuang.net】