Creación Experimentos Clasificadores

[J0SEF4]

Branch Experimentos Clasificadores y adentro está lo mismo del main y se añadió una carpeta Experimentos Clasificadores que por ahora tiene 2 archivos:

• Load & Classification Estructurado.ipynb. El archivo de Carlos de la carpeta, examples/, pero ahora está estructurado.
• Experimentos sin RN, con HO.ipynb. Lo hice yo con hold out, con muchos experimentos mezclando selectores/transformadores/clasificadores. En el que el mejor resultado fue sfs con 45 características, knn con 8 con 91.6% de accuracy. Sin usar redes neuronales aún como tal, lo más cercano a eso es MLP, Perceptron, Logistic Regression.
  • Chequear si la extracción de datos de señales es correcta, específicamente la de fourier.

[J0SEF4]

Se añadio:

• Experimentos con RN con HO.ipynb. Lo hice yo y con ayuda de ChatGPT, con Hold Out y usando Redes neuronales SimpleNN, CNN, RNN.
  • Chequear si esta bien hecha la estructura y lo de convertir tensores.
• Experimentos sin RN, con VC.ipynb. Lo hice yo con validación cruzada y sin usar redes neuronales aún como tal, lo más cercano a eso es MLP, Perceptron, Logistic Regression.

[cgvalle]

Hola! Los resultados están super!. Sería ideal agregar el nombre de las características seleccionadas para que después podamos evaluar cuáles eliminar.

Features

Seria ideal hacer algunos cambios en:

• Zero Crossing: Cambiar zc = ((rectified_signal[:-1] * rectified_signal[1:]) < 0).sum() por zc = ((signal0[:-1] * signal0[1:]) < 0).sum(). Como la señal está rectificada, nunca pasa por cero.
• Fourier: Eliminaría fourier_feats = fourier(rectified_signal) y dejaría solo scipy.signal.welch, ya que son proporcionales entre sí. Además, aplicaría la transformada en la señal original y no en la rectificada; de lo contrario, se modifica el espectro de frecuencias típico del EMG.

Cambios en Redes Neuronales

• Arreglé un error en la red recurrente, donde h0 y c0 se inicializaban como un array de ceros al comienzo de cada batch.
• Se agregó el seguimiento de la pérdida para entrenamiento (train_loss) y prueba (test_loss).
• Se agregó soporte para GPU con device = torch.device('cuda' if torch.cuda.is_available() else 'cpu').
• Se incrementó el número de epochs.

Espectrograma como Característica

Agregué features.ipynb donde se calcula el espectrograma de uno de los músculos. Sería ideal explorar el uso del espectrograma como única característica con redes neuronales.

[J0SEF4]

Se hizó lo siguente en el archivo Experimentos con RN con HO.ipynb:

• Se agregó el nombre de las características seleccionadas.
• Se cambió Zero Crossing: por zc = ((signal0[:-1] * signal0[1:]) < 0).sum().
• Se eliminó Fourier: fourier_feats = fourier(rectified_signal) y se dejó solo scipy.signal.welch, ya que son proporcionales entre sí. Además, se aplicó la transformada en la señal original y no en la rectificada.
• Se dejó como estaba la branch en redes neuronales, dado lo que se corrigió.

• Se obtuvieron los siguientes resultados con distintas cantidades de características seleccionadas para sfs:	# features	Simple NN	CNN	RNN
  60	86.6	85	65
  55	83.3	81.6	41.6
  50	86.6	83.3	78.3
  45	90	81.6	56.6
  40	85	90	78.3
  35	83.3	83.3	75
  30	80	81.6	76.6
  25	81.6	81.6	76.6
  20	83.3	76.6	80
  15	81.6	80	80
  10	76.6	73.3	63.3
  5	73.3	75	73.3

Considerar que el resultado de accuracy varía cada vez que se ejecuta.

Falta

• Explorar el uso del espectrograma como única característica con redes neuronales. (Se agregó anteriormente features.ipynb donde se calcula el espectrograma de uno de los músculos).
  • Implementar espectrograma con transformada de Fourier, una idea con ventana móvil.
• Aumentar fases, 10-16 puede ser bueno (1 fase=1 paso).
• Probar ventana móvil (tomar 100 muestras hacia atrás ejemplo).
• Poner nombre labels y cuál seleccionar.
• Bajar número de características.
• Pesos de las features en clasificador.
• Ver que features selecciono