本篇為《信號處理》系列博客的第十一篇，該系列博客主要記錄信號處理相關(guān)知識的學習過程和自己的理解，方便以后查閱。

本片博客為用DNN分類肌電數(shù)據(jù)的準備工作的第二篇，主要內(nèi)容為，讀取處理后的肌電數(shù)據(jù)（去噪、提取活動段），并構(gòu)成訓練數(shù)據(jù)。

import os import csv import random import numpy as np import matplotlib.pyplot as plt from sklearn import preprocessingdef data_loader(datadir, batch_size=10):'''定義訓練集數(shù)據(jù)讀取器輸入?yún)?shù)：datadir ：數(shù)據(jù)文件的保存路徑batch_size ：每次用于訓練的數(shù)據(jù)量輸出參數(shù)：原始數(shù)據(jù)+標簽'''def reader():batch_sEMG = []# 定義變量，用于存儲肌電數(shù)據(jù)圖片batch_labels = []# 定義變量，用于存儲肌電數(shù)據(jù)標簽label = 0# 標簽變量sEMG = []# 存儲一個肌電數(shù)據(jù)# 讀取數(shù)據(jù)，用于訓練for root, dirs, files in os.walk(datadir):if len(root)==len(datadir):# 去除根目錄的文件路徑continuelabel = label+1# 每個子文件夾代表一個類別random.shuffle(files)# 訓練時隨機打亂肌電文件順序# 遍歷每一個文件，一個文件即為一張圖片for sEMG_files in files:# 讀取文件內(nèi)容，并轉(zhuǎn)換為圖片with open(root+'/'+sEMG_files) as sEMG_file:# 獲取datadir文件夾下的，子文件夾內(nèi)的，文件的，內(nèi)容sEMG_signal = csv.reader(sEMG_file)for row in sEMG_signal:sEMG.append(row)# 對一次采集到的肌電信號進行歸一化，并改變矩陣的形狀sEMG = np.array(sEMG).astype('float32')min_max_scaler = preprocessing.MinMaxScaler()#默認為范圍0~1，拷貝操作sEMG_minmax = min_max_scaler.fit_transform(sEMG)sEMG_minmax = np.delete(sEMG_minmax, -1, axis=0)#刪除最后一行整行，這里matlab代碼沒有寫好，導致數(shù)據(jù)多了一行sEMG_img = sEMG_minmax.reshape(1, 200, 240)batch_sEMG.append(sEMG_img)batch_labels.append(label)sEMG = []# 變量清零，用于下一次循環(huán)if len(batch_sEMG) == batch_size:# 對一次采集到的肌電信號進行歸一化，并改變矩陣的形狀，這里改變形狀的代碼有錯# sEMG = np.array(batch_sEMG).astype('float32')# min_max_scaler = preprocessing.MinMaxScaler()#默認為范圍0~1，拷貝操作# sEMG_minmax = min_max_scaler.fit_transform(sEMG)# sEMG_minmax=np.delete(sEMG_minmax, -1, axis=0)#刪除整行# sEMG_array = sEMG_minmax.reshape(200, 240)# labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)sEMG_array = np.array(batch_sEMG).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield sEMG_array, labels_arraybatch_sEMG = []# 變量清零，用于下一次循環(huán)batch_labels = []# 變量清零，用于下一次循環(huán)if len(batch_sEMG) > 0:# 剩余樣本數(shù)目不足一個batch_size的數(shù)據(jù)，一起打包成一個mini-batchsEMG_array = np.array(batch_sEMG).astype('float32')labels_array = np.array(batch_labels).astype('float32').reshape(-1, 1)yield sEMG_array, labels_arrayreturn reader# 查看數(shù)據(jù)形狀 DATADIR = '/home/al007/Deep Learing/PaddlePaddle/sEMG' train_loader = data_loader(DATADIR, batch_size=10) data_reader = train_loader() data = next(data_reader) print(data[0].shape, data[1].shape)

打印結(jié)果：

(10, 200, 240) (10, 1)

總結(jié)

以上是生活随笔為你收集整理的读取肌电数据，构建模型训练数据的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。