init commit: загрузка и предобработка данных

core/signal_processing.py

@@ -0,0 +1,134 @@
+import numpy as np
+import pandas as pd
+import scipy
+from scipy.signal import butter, lfilter
+
+
+def __create_constants(low: float, high: float, sample_rate: float, order: int) -> tuple[float, float]:
+    """Вычисление констан полосового фильтра (Баттерворта)
+
+    Args:
+        low (float): нижняя чатсота среза
+        high (float): верхняя частота среза
+        sample_rate (float): частота дискретизации
+        order (int): порядок фильтра
+
+    Returns:
+        tuple[float, float]: константы фильтра, необходимые для вычислений
+    """
+    return butter(order, [low, high], fs=sample_rate, btype="band")
+
+
+def filter_signal(df: pd.DataFrame, cols: list[str], constants: tuple[float, float]) -> pd.DataFrame:
+    """Фильтрация датасета (сигналов с датчиков)
+
+    Args:
+        df (pd.DataFrame): датафрейм с данными из OpenVibe
+        cols (list[str]): список колонок, данные в которых нужно отфильтровать
+        constants (tuple[float, float]): константы для вычисления фильтра (см. __create_constants)
+
+    Returns:
+        pd.DataFrame: входной фрейм с данными, с примененным фильтром
+    """
+    new_df = df.copy()
+    for col in cols:
+        new_df[col] = lfilter(*constants, df[col].values)
+
+    return new_df
+
+
+class CSPFilter:
+    """
+    Реализация CSP фильтра в стиле sklearn.
+    Основано на реализации github.co/Hiroaki-K4/total_perspective_vortex/main/srcs/csp.py
+    """
+
+    def __init__(self, n_components: int) -> None:
+        self.n_components = n_components
+        self.classes = None
+        self.filters = None
+        self.patterns = None
+        self.mean = None
+        self.std = None
+
+    def __get_covariate(self, x: np.ndarray, y: np.ndarray, cls: any) -> np.ndarray:
+        """Получение ковариаций
+
+        Args:
+            x (np.ndarray): отсчеты сигнала
+            y (np.ndarray): метки класса
+            cls (any): текущий класс
+
+        Returns:
+            np.ndarray: матрица ковариаций
+        """
+
+        x_class = x[y == cls]
+        _, _, n_channels = x_class.shape
+        # x_class = np.transpose(x_class, [1, 0, 2])
+        x_class = x_class.reshape(n_channels, -1)
+        cov = np.dot(x_class, x_class.T)
+        return cov
+
+    def fit(self, x: np.ndarray, y: np.ndarray) -> None:
+        """Обучение фильтра
+
+        Args:
+            x (np.ndarray): отсчеты сигнала (числа)
+            y (np.ndarray): метки класса (любые данные)
+        """
+        self.classes = np.unique(y)
+        n_classes = len(self.classes)
+        if n_classes != 2:
+            raise ValueError(f"Количество классов для CSP должно быть = 2 (получено {n_classes})")
+
+        cov_neg = self.__get_covariate(x, y, self.classes[0])
+        cov_pos = self.__get_covariate(x, y, self.classes[1])
+
+        eig_vals, eig_vecs = scipy.linalg.eigh(cov_neg, cov_pos)
+        for i in range(len(eig_vecs)):
+            eig_vecs[i] = eig_vecs[i] / np.linalg.norm(eig_vecs[i])
+
+        sorted_vals = np.argsort(eig_vals)
+        idxs = np.empty_like(sorted_vals)
+        idxs[0::2] = sorted_vals[len(sorted_vals) // 2 :][::-1]
+        idxs[1::2] = sorted_vals[: len(sorted_vals) // 2]
+
+        eig_vecs = eig_vecs[:, idxs]
+        self.filters = eig_vecs.T
+        self.patterns = np.linalg.inv(eig_vecs)
+        pick_filters = self.filters[:, self.n_components]
+
+        x = np.asarray([np.dot(pick_filters, epoch.T) for epoch in x])
+        x = (x**2).mean(axis=1)
+        self.mean = x.mean(axis=0)
+        self.std = x.std(axis=0)
+
+    def transform(self, x: np.ndarray) -> np.ndarray:
+        """Применение фильтра
+
+        Args:
+            x (np.ndarray): отсчеты сигнала (числа)
+
+        Returns:
+            np.ndarray: вторичные параметры (фичи)
+        """
+        pick_filters = self.filters[: self.n_components]
+        x = np.asarray([np.dot(pick_filters, epoch.T) for epoch in x])
+        x = (x**2).mean(axis=1)
+        x -= self.mean
+        x /= self.std
+        return x
+
+    def fit_transform(self, x: np.ndarray, y: np.ndarray) -> np.ndarray:
+        """Обучение с последующим применением ко входным данным
+
+        Args:
+            x (np.ndarray): отсчеты сигнала (числа)
+            y (np.ndarray): метки класса (любые данные)
+
+        Returns:
+            np.ndarray: вторичные параметры (фичи)
+        """
+        self.fit(x, y)
+        return self.transform(x)