Este es el repositorio que aloja el código de mi Proyecto Fin de Grado. Dicho proyecto consiste en la construcción de modelos neuronales basados en BERT para clasificar electroencefalogramas (EEG).
Contiene las funciones que se han usado para entrenar y probar los diferentes modelos que se han empleado.
El script eegbert.py es el punto de entrada a todo lo que se puede hacer con la librería.
Consta de 3 modos diferentes:
-
-to--trainingque se usa para entrenar un modelo en concreto -
-io--inferenceque se usa para generar un archivo de clasificación de unos datos sobre un modelo -
-eo--evaluationque se usa para, a partir de un archivo de clasificación y (opcionalmente) uno que contenga los valores reales, generar métricas de rendimiento y una matriz de confusión.
La lista completa de opciones se puede comprobar mediante el comando --help.
A continuación detallamos un ejemplo de un entrenamiento, una inferencia con unos datos y una evaluación del rendimiento.
Ponemos a entrenar un modelo de 40 canales especificado en el archivo de configuración, sin padding, con el conjunto de datos nuevos.
eegbert.py -t --modelo 40_ch --nopad --paciente pre_post --prueba all
Usamos el modelo entrenado anteriormente para clasificar unos EEGs (especificados por regex).
eegbert.py -i --path "RUTA_DEL_MODELO" --dataset "RUTA_DE_LOS_EEG\Sujeto*[!npy]" --out_file "inference_test.csv"
A partir de las métricas obtenidas anteriormente se obtiene. Tags.csv es un archivo que en la primera columna contiene la ruta del eeg y en la segunda su tag (0 No Parkinson y 1 Parkinson).
eegbert.py -e --in_file "RUTA\inference_test.csv" --real_file "RUTA\tags.csv" --mode full
Los datos a los que hacemos referencia como los datos viejos se consiguen especificando en las opciones
que sean pacientes pre, FTI, y su conjunto de test se evaluaba sobre test_pre_post
Los datos nuevos usan pacientes pre_post, como pruebas all y el conjunto test es test