def Generating_WCs(Decomp, QMF_name, order):
'''
Intro
- 각 신호에 대해서, 미리 정의된 L, QMF 를 바탕으로 Wavelet Coefficients를 뽑아낸다.
- 이전 실험에서 우리는 모든 WBFs에 대해서 같은 WCs가 특징선을 잡아낸다는 것을 밝혔다.
- 따라서, 여기서는 'db' '8' 에 대해서 실험을 실행한다.
INPUT
- Decomposition Level
- QMF
- ORDER
OUTPUT
- WCs 들이 적혀있는 CSV 파일
- No return value
'''
qmf = wavelet.qmf(QMF_name, order)
L = 13 - Decomp
HE_record = []
MI_record = []
# ECG_HE의 각 row 별로 신호를 읽어낸다.
for idx in range(37):
mysignal = data_call("ECG_HE", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
Core_WCs = wc[128:256]
Core_WCs.insert(0, idx) # List의 첫번째 elements에 신호의 번호매김
HE_record.append(Core_WCs)
# Healthy 신호를 HE.csv 파일로 저장
HE_csv = open('HE.csv', 'wb')
wr = csv.writer(HE_csv, quoting=csv.QUOTE_ALL)
for x in HE_record:
wr.writerow(x)
# ECG_HE의 각 row 별로 신호를 읽어낸다.
for idx in range(208):
mysignal = data_call("ECG_MI", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
Core_WCs = wc[128:256]
Core_WCs.insert(0, idx) # List의 첫번째 elements에 신호의 번호매김
HE_record.append(Core_WCs)
# ECG_MI의 각 row 별로 신호를 읽어낸다.
for idx in range(208):
mysignal = data_call("ECG_MI", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
# 0~127 (1~128) 번째까지는 Scaling coefficients (128개)
# 128 ~ 255 (129~256) 까지는 Feature
Core_wc = wc[128:256]
Core_wc.insert(0, idx)
MI_record.append(Core_wc)
# MI 신호를 HE.csv 파일로 저장
MI_csv = open('MI.csv', 'wb')
wr = csv.writer(MI_csv, quoting=csv.QUOTE_ALL)
for x in MI_record:
wr.writerow(x)
def mydata():
from Module.data_call import data_call
from Module.bandpass import butter_bandpass_filter
testnum = 0
mysignal = data_call("PPG_KW_long", testnum, 0)
return testnum, mysignal
def mydata():
from Module.data_call import data_call
from Module.bandpass import butter_bandpass_filter
testnum = 0
mysignal = data_call("PPG_KW_long", testnum, 0)
return testnum, mysignal
def mydata():
from Module.data_call import data_call
from Module.bandpass import butter_bandpass_filter
testnum = 1
mysignal = data_call("PPG_KW_long", testnum, 0)
#mysignal = butter_bandpass_filter(mysignal,0.125,10,1000)
return testnum, mysignal
def mydata():
from Module.data_call import data_call
from Module.bandpass import butter_bandpass_filter
testnum = 2
mysignal = data_call("PPG_KW_long", testnum, 0)
#mysignal = butter_bandpass_filter(mysignal,0.125,10,1000)
return testnum, mysignal
def __init__(self, Str_DataName, Int_DataNum,Int_Buffer ):
self.FltSamplingRate = 125.0
self.Str_DataName = Str_DataName
self.Int_DataNum = Int_DataNum
self.Int_Buffer = Int_Buffer
self.Array_PPG_Long = data_call(data_name=self.Str_DataName,data_num=self.Int_DataNum, wanted_length=0)
self.Array_TimeDomain_Long = np.linspace(0, len(self.Array_PPG_Long) / self.FltSamplingRate ,len(self.Array_PPG_Long) )
## CONTROL VARIABLE ##
Int_Start = 40
Int_End = 43
Int_CutTime = 60
self.Int_CutIdx = int(Int_CutTime * self.FltSamplingRate)
self.Array_PPG_Long = self.Array_PPG_Long[: self.Int_CutIdx ]
self.Array_PPG_Long = self.BandPassFilter(Array_Signal=self.Array_PPG_Long)
self.Array_TimeDomain_Long = self.Array_TimeDomain_Long[:int(self.FltSamplingRate) * Int_CutTime]
self.Array_PPG = self.Array_PPG_Long[ Int_Start *int(self.FltSamplingRate) :Int_End * int(self.FltSamplingRate)]
self.Array_TimeDomain = self.Array_TimeDomain_Long[Int_Start *int(self.FltSamplingRate) :Int_End * int(self.FltSamplingRate)]
if __name__ == "__main__":
# Str_DataName = "PPG_KW_long"
# Str_DataName = "PPG_Walk"
Str_DataName = "PPG_Label"
Int_DataNum = 2
Flt_SamplingRate = 125
Flt_highCut = 11
Flt_LowCut = 0.5
Int_OneMinCut = 3600*Flt_SamplingRate
PLOT = False
# PLOT = True
Array_PPG_Long = data_call(data_name=Str_DataName,data_num=Int_DataNum, wanted_length=0)
Array_PPG_Long = np.array(Array_PPG_Long)
Array_Time_Long = np.linspace(0,len(Array_PPG_Long)/Flt_SamplingRate,len(Array_PPG_Long))
Array_PPG = Array_PPG_Long[:Int_OneMinCut]
Array_Time = Array_Time_Long[:Int_OneMinCut]
# Object_LowPassFilter = BandPassFilter(Array_Signal=Array_PPG_Long,Flt_SamplingRate=Flt_SamplingRate, Flt_LowCut=Flt_LowCut, Flt_HighCut=Flt_highCut)
# Array_PPG_Long = Object_LowPassFilter.butter_bandpass_filter()
Object_SSF = SSFMethod(Array_Signal=Array_PPG, Array_Time=Array_Time)
Dict_PeakIdxLoc_PeakAmp, Array_Threshold, List_MaxIdx = Object_SSF.Conduct_PeakDetect()
print Object_SSF.Check_Result(Str_DataName=Str_DataName, Int_DataNum=Int_DataNum, List_PeakIdx=List_MaxIdx)
if PLOT:
plt.figure()
def Generating_WCs(Decomp, QMF_name, order):
'''
Intro
- 각 신호에 대해서, 미리 정의된 L, QMF 를 바탕으로 Wavelet Coefficients를 뽑아낸다.
- 이전 실험에서 우리는 모든 WBFs에 대해서 같은 WCs가 특징선을 잡아낸다는 것을 밝혔다.
- 따라서, 여기서는 'db' '8' 에 대해서 실험을 실행한다.
INPUT
- Decomposition Level
- QMF
- ORDER
OUTPUT
- WCs 들이 적혀있는 CSV 파일
- No return value
'''
qmf = wavelet.qmf(QMF_name, order)
L = 13 - Decomp
HE_record = []
MI_record = []
# ECG_HE의 각 row 별로 신호를 읽어낸다.
for idx in range(37):
mysignal = data_call("ECG_HE", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
Core_WCs = wc[128:256]
Core_WCs.insert(0, idx) # List의 첫번째 elements에 신호의 번호매김
HE_record.append(Core_WCs)
# Healthy 신호를 HE.csv 파일로 저장
HE_csv = open('HE.csv', 'wb')
wr = csv.writer(HE_csv, quoting=csv.QUOTE_ALL)
for x in HE_record:
wr.writerow(x)
# ECG_HE의 각 row 별로 신호를 읽어낸다.
for idx in range(208):
mysignal = data_call("ECG_MI", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
Core_WCs = wc[128:256]
Core_WCs.insert(0, idx) # List의 첫번째 elements에 신호의 번호매김
HE_record.append(Core_WCs)
# ECG_MI의 각 row 별로 신호를 읽어낸다.
for idx in range(208):
mysignal = data_call("ECG_MI", idx, 0)
wc = wavelet.FWT_PO(mysignal, L, qmf)
# 0~127 (1~128) 번째까지는 Scaling coefficients (128개)
# 128 ~ 255 (129~256) 까지는 Feature
Core_wc = wc[128:256]
Core_wc.insert(0, idx)
MI_record.append(Core_wc)
# MI 신호를 HE.csv 파일로 저장
MI_csv = open('MI.csv', 'wb')
wr = csv.writer(MI_csv, quoting=csv.QUOTE_ALL)
for x in MI_record:
wr.writerow(x)
Int_EndSec = 13
# No MA
Str_DataName_NoMA = "PPG_KW_long"
Int_DataNum_NoMA = 2
# Weak MA
Str_DataName_WMA = "PPG_Walk"
Int_DataNum_WMA = 3
# Strong MA
Str_DataName_SMA = "PPG_Walk"
Int_DataNum_SMA = 2
Int_CutMin = Int_SampRate * 60
Array_PPGData_NoMA = data_call(data_name=Str_DataName_NoMA, data_num=Int_DataNum_NoMA, wanted_length=0)[:Int_CutMin]
Array_PPGData_WMA = data_call(data_name=Str_DataName_WMA, data_num=Int_DataNum_WMA, wanted_length=0)[:Int_CutMin]
Array_PPGData_SMA = data_call(data_name=Str_DataName_SMA, data_num=Int_DataNum_SMA, wanted_length=0)[:Int_CutMin]
Array_Time = np.linspace(0, len(Array_PPGData_NoMA)/Int_SampRate, len(Array_PPGData_NoMA))
# PLOT
matplotlib.rcParams.update({'font.size': 15})
f, (ax1, ax2, ax3) = plt.subplots(3, sharex=True, sharey=True)
ax1.plot(Array_Time, Array_PPGData_NoMA)
ax2.plot(Array_Time, Array_PPGData_WMA)
ax3.plot(Array_Time, Array_PPGData_SMA)
plt.xlabel("Time (Sec)", fontsize=20)
plt.show()
