-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathwettbewerb.py
348 lines (310 loc) · 13.1 KB
/
wettbewerb.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
# -*- coding: utf-8 -*-
"""
Diese Datei sollte nicht verändert werden und wird von uns gestellt und zurückgesetzt.
Funktionen zum Laden und Speichern der Dateien
"""
__author__ = "Maurice Rohr und Dirk Schweickard"
from typing import List, Tuple, Dict, Any
import csv
import scipy.io as sio
import numpy as np
import os
### Achtung! Diese Funktion nicht veraendern.
def load_references(folder: str = '../training') -> Tuple[List[str], List[List[str]],
List[np.ndarray], List[float],
List[str], List[Tuple[bool,float,float]]]:
"""
Liest Referenzdaten aus .mat (Messdaten) und .csv (Label) Dateien ein.
Parameters
----------
folder : str, optional
Ort der Trainingsdaten. Default Wert '../training'.
Returns
-------
ids : List[str]
Liste von ID der Aufnahmen
channels : List[List[str]]
Liste der vorhandenen Kanäle per Aufnahme
data : List[ndarray]
Liste der Daten pro Aufnahme
sampling_frequencies : List[float]
Liste der Sampling-Frequenzen.
reference_systems : List[str]
Liste der Referenzsysteme. "LE", "AR", "Sz" (Zusatz-Information)
"""
# Initialisiere Listen ids, channels, data, sampling_frequencies, refernece_systems und eeg_labels
ids: List[str] = []
channels: List[List[str]] = []
data: List[np.ndarray] = []
sampling_frequencies: List[float] = []
reference_systems: List[str] = []
eeg_labels: List[Tuple[bool,float,float]] = []
# Erzeuge Datensatz aus Ordner und fülle Listen mit Daten
dataset = EEGDataset(folder)
for item in dataset:
ids.append(item[0])
channels.append(item[1])
data.append(item[2])
sampling_frequencies.append(item[3])
reference_systems.append(item[4])
eeg_labels.append(item[5])
# Zeige an wie viele Daten geladen wurden
print("{}\t Dateien wurden geladen.".format(len(ids)))
return ids, channels, data, sampling_frequencies, reference_systems, eeg_labels
### Achtung! Diese Klasse nicht veraendern.
class EEGDataset:
def __init__(self,folder:str) -> None:
"""Diese Klasse stellt einen EEG Datensatz dar.
Verwendung:
Erzeuge einen neuen Datensatz (ohne alle Daten zu laden) mit
dataset = EEGDataset("../training/")
len(dataset) # gibt Größe des Datensatzes zurück
dataset[0] # gibt erstes Element aus Datensatz zurück bestehend aus (id, channels, data, sampling_frequency, reference_system, eeg_label)
it = iter(dataset) # gibt einen iterator zurück auf den Datensatz,
next(it) # gibt nächstes Element zurück bis alle Daten einmal geholt wurden
for item in dataset: # iteriert einmal über den gesamten Datensatz
(id, channels, data, sampling_frequency, reference_system, eeg_label) = item
# Berechnung
Args:
folder (str): Ordner in dem der Datensatz bestehend aus .mat-Dateien und einer REFERENCE.csv Datei liegt
"""
assert isinstance(folder, str), "Parameter folder muss ein string sein aber {} gegeben".format(type(folder))
assert os.path.exists(folder), 'Parameter folder existiert nicht!'
# Initialisiere Listen für ids und labels
self._folder = folder
self._ids: List[str] = []
self._eeg_labels: List[Tuple[bool,float,float]] = []
# Lade references Datei
with open(os.path.join(folder, 'REFERENCE.csv')) as csv_file:
csv_reader = csv.reader(csv_file, delimiter=',')
# Iteriere über jede Zeile
for row in csv_reader:
self._ids.append(row[0])
self._eeg_labels.append((int(row[1]),float(row[2]),float(row[3])))
def __len__(self):
return len(self._ids)
def __getitem__(self,idx) -> Tuple[str, List[str],
np.ndarray, float,
str, Tuple[bool,float,float]]:
#Lade Matlab-Datei
eeg_data = sio.loadmat(os.path.join(self._folder, self._ids[idx] + '.mat'),simplify_cells=True)
ch_names = eeg_data.get('channels')
channels = [x.strip(' ') for x in ch_names]
data = eeg_data.get('data')
sampling_frequency = eeg_data.get('fs')
reference_system = eeg_data.get('reference_system')
return (self._ids[idx],channels,data,sampling_frequency,reference_system,self._eeg_labels[idx])
def get_labels(self):
return self._eeg_labels
### Achtung! Diese Funktion nicht veraendern.
#predictions = {"id":id,"seizure_present":seizure_present,"seizure_confidence":seizure_confidence,
# "onset":onset,"onset_confidence":onset_confidence,"offset":offset,
# "offset_confidence":offset_confidence}
def save_predictions(predictions: List[Dict[str,Any]], folder: str=None) -> None:
"""
Funktion speichert the gegebenen predictions in eine CSV-Datei mit dem name PREDICTIONS.csv.
Alle Optionalen Vorherhsagen werden mit Standardwerten ersetzt.
Parameters
----------
predictions : List[Dict[str,Any]]
Liste aus dictionaries. Jedes Dictionary enthält die Felder "id","seizure_present",
"seizure_confidence" (optional),"onset","onset_confidence" (optional),
"offset" (optional),"offset_confidence" (optional)
folder : str
Speicherort der predictions
Returns
-------
None.
"""
# Check Parameter
assert isinstance(predictions, list), \
"Parameter predictions muss eine Liste sein aber {} gegeben.".format(type(predictions))
assert len(predictions) > 0, 'Parameter predictions muss eine nicht leere Liste sein.'
assert isinstance(predictions[0], dict), \
"Elemente der Liste predictions muss ein Dictionary sein aber {} gegeben.".format(type(predictions[0]))
assert "id" in predictions[0], \
"Prädiktionen müssen eine ID besitzen, aber Key in Dictionary nicht vorhanden"
if folder==None:
file = "PREDICTIONS.csv"
else:
file = os.path.join(folder, "PREDICTIONS.csv")
# Check ob Datei schon existiert wenn ja loesche Datei
if os.path.exists(file):
os.remove(file)
with open(file, mode='w', newline='') as predictions_file:
# Init CSV writer um Datei zu beschreiben
predictions_writer = csv.writer(predictions_file, delimiter=',')
# Iteriere über jede prediction
header=["id","seizure_present","seizure_confidence","onset","onset_confidence","offset","offset_confidence"]
predictions_writer.writerow(header)
for prediction in predictions:
_id = prediction["id"]
_seizure_present = prediction["seizure_present"]
_seizure_confidence = prediction.get("seizure_confidence",1.0)
_onset = prediction["onset"]
_onset_confidence = prediction.get("onset_confidence",1.0)
_offset = prediction.get("offset",999999.0)
_offset_confidence = prediction.get("offset_confidence",0.0)
predictions_writer.writerow([_id,_seizure_present,_seizure_confidence,_onset,_onset_confidence,_offset,_offset_confidence])
# Gebe Info aus wie viele labels (predictions) gespeichert werden
print("{}\t Labels wurden geschrieben.".format(len(predictions)))
def get_3montages(channels: List[str], data: np.ndarray) -> Tuple[List[str],np.ndarray,bool]:
"""
Funktion berechnet die 3 Montagen Fp1-F3, Fp2-F4, C3-P3 aus den gegebenen Ableitungen (Montagen)
zur selben Referenzelektrode. Falls nicht alle nötigen Elektroden vorhanden sind, wird das entsprechende Signal durch 0 ersetzt.
----------
channels : List[str]
Namen der Kanäle z.B. Fp1, Cz, C3
data : ndarray
Daten der Kanäle
Returns
-------
montages : List[str]
Namen der Montagen ["Fp1-F3", "Fp2-F4", "C3-P3"]
montage_data : ndarray
Daten der Montagen
montage_missing : bool
1 , falls eine oder mehr Montagen fehlt, sonst 0
"""
montages = []
_,m = np.shape(data)
montage_data = np.zeros([3,m])
montage_missing = 0
if '-' in channels:
try:
montage_data[0,:] = data[channels.index('Fp1-F3')]
montages.append('Fp1-F3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[1,:] = data[channels.index('Fp2-F4')]
montages.append('Fp2-F4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[2,:] = data[channels.index('C3-P3')]
montages.append('C3-P3')
except:
montage_missing = 1
montages.append('error')
return (montages,montage_data,montage_missing)
else:
try:
montage_data[0,:] = data[channels.index('Fp1')] - data[channels.index('F3')]
montages.append('Fp1-F3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[1,:] = data[channels.index('Fp2')] - data[channels.index('F4')]
montages.append('Fp2-F4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[2,:] = data[channels.index('C3')] - data[channels.index('P3')]
montages.append('C3-P3')
except:
montage_missing = 1
montages.append('error')
return (montages,montage_data,montage_missing)
def get_6montages(channels: List[str], data: np.ndarray) -> Tuple[List[str],np.ndarray,bool]:
"""
Funktion berechnet die 6 Montagen Fp1-F3, Fp2-F4, C3-P3, F3-C3, F4-C4, C4-P4 aus den gegebenen Ableitungen (Montagen)
zur selben Referenzelektrode. Falls nicht alle nötigen Elektroden vorhanden sind, wird das entsprechende Signal durch 0 ersetzt.
----------
channels : List[str]
Namen der Kanäle z.B. Fp1, Cz, C3
data : ndarray
Daten der Kanäle
Returns
-------
montages : List[str]
Namen der Montagen ["Fp1-F3", "Fp2-F4", "C3-P3", "F3-C3", "F4-C4", "C4-P4"]
montage_data : ndarray
Daten der Montagen
montage_missing : bool
1 , falls eine oder mehr Montagen fehlt, sonst 0
"""
montages = []
_,m = np.shape(data)
montage_data = np.zeros([6,m])
montage_missing = 0
if '-' in channels:
try:
montage_data[0,:] = data[channels.index('Fp1-F3')]
montages.append('Fp1-F3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[1,:] = data[channels.index('Fp2-F4')]
montages.append('Fp2-F4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[2,:] = data[channels.index('C3-P3')]
montages.append('C3-P3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[3,:] = data[channels.index('F3-C3')]
montages.append('F3-C3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[4,:] = data[channels.index('F4-C4')]
montages.append('F4-C4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[5,:] = data[channels.index('C4-P4')]
montages.append('C4-P4')
except:
montage_missing = 1
montages.append('error')
return (montages,montage_data,montage_missing)
else:
try:
montage_data[0,:] = data[channels.index('Fp1')] - data[channels.index('F3')]
montages.append('Fp1-F3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[1,:] = data[channels.index('Fp2')] - data[channels.index('F4')]
montages.append('Fp2-F4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[2,:] = data[channels.index('C3')] - data[channels.index('P3')]
montages.append('C3-P3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[3,:] = data[channels.index('F3')] - data[channels.index('C3')]
montages.append('F3-C3')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[4,:] = data[channels.index('F4')] - data[channels.index('C4')]
montages.append('F4-C4')
except:
montage_missing = 1
montages.append('error')
try:
montage_data[5,:] = data[channels.index('C4')] - data[channels.index('P4')]
montages.append('C4-P4')
except:
montage_missing = 1
montages.append('error')
return (montages,montage_data,montage_missing)