ECG-with-Deep-learning

本仓库分为如下两部分：

文档
- 深度学习模型方面：记录了我们小组从零开始，一步步摸索搭建深度学习模型的过程，解释了我们每一阶段选择某种特定模型的理由，也对我们的改进思路进行了阐述；
- 数据融合方面：从众多数据库中挑选出4个较为合适的进行了详细介绍，包括融合的详细过程；
- 服务器部署：通过Docker将模型部署在服务器上是工业界常见的场景。这属于在线部署模型，虽然我们最终的目标是边缘计算，但是在线部署是“端-管-云”架构的重要体现，之前的项目中只用过边缘计算的我也想尝试一下这种方式。
- 硬件部署：使用raspberry zero w,AD8232心电模块,PCF8591模数转换模块，采集人体心电数据，在树莓派上进行实时分类，实现边缘计算。
代码
- train.py
- model:
  - CNN.py
  - CNNLSTM.py
  - SENetLSTM.py
- save
  - CNN
  - CNNLSTM
  - SENetLSTM
- tensorboard
  - CNN20201201-103452
  - CNNLSTM20201224-153049
  - SENetLSTM20210108-154007
- tflite
  - model.tflite
- checkpoint
  - SeqCNN.ckpt-1.data-00001-of-00002

Name		Name	Last commit message	Last commit date
Latest commit History 22 Commits
checkpoint		checkpoint
data		data
figure		figure
model		model
save		save
tensorboard/fit		tensorboard/fit
tflite		tflite
PQRS.PNG		PQRS.PNG
README.md		README.md
train.py		train.py
基于深度学习的ECG分类(一)——项目介绍.md		基于深度学习的ECG分类(一)——项目介绍.md
基于深度学习的ECG分类(七)——总结回顾.md		基于深度学习的ECG分类(七)——总结回顾.md
基于深度学习的ECG分类(三)——基本模型复现：CNN+GRU.md		基于深度学习的ECG分类(三)——基本模型复现：CNN+GRU.md
基于深度学习的ECG分类(二)——数据集合并及数据预处理.md		基于深度学习的ECG分类(二)——数据集合并及数据预处理.md
基于深度学习的ECG分类(五)——使用Docker部署模型.md		基于深度学习的ECG分类(五)——使用Docker部署模型.md
基于深度学习的ECG分类(六)——使用Tensorflow Lite将模型部署到树莓派.md		基于深度学习的ECG分类(六)——使用Tensorflow Lite将模型部署到树莓派.md
基于深度学习的ECG分类(四)——模型改进：SE-Net.md		基于深度学习的ECG分类(四)——模型改进：SE-Net.md

Provide feedback