pyCBPE

O pyCBPE é um framework desenvolvido para o estudo de aplicações de algoritmos de aprendizagem de máquina para a estimativa da pressão arterial por meio de sinais de fotopletismografia.

Pré-requisitos

Para utilizar o framework, é necessário que se tenham os seguintes pré-requisitos configurados na sua máquina:

• Python 3.8
• pip
• venv
• Make

Preparação

Para utilizar este projeto, é necessário instalar as suas dependências, como forma de simplificar esse processo, foi desenvolvido um Makefile.

Clonando o repositório

Para clonar o repositório do projeto e ir para sua pasta, utilize os seguintes comandos:

cd ~/Documents/
git clone git@github.com:luigiluz/pyCBPE.git
cd pyCBPE/

Instalação

Após instalar os pré-requisitos e clonar o repositório, é necessário instalar as dependências do projeto. Para instalar as dependências, basta utilizar o seguinte comando:

$ make bootstrap

Guia de uso

Obtenção da base de dados

Para fazer o download da base de dados, basta executar o seguinte comando:

$ cd files/dataset/
$ wget https://archive.ics.uci.edu/ml/machine-learning-databases/00340/data.zip
$ unzip data.zip
$ cd ../..

Talvez seja necessário instalar o pacote unzip para extrair o arquivo da base de dados.

Configurar o diretório raiz do projeto

O diretório raiz do projeto é utilizado para gerar os arquivos de base de dados ao longo do projeto, dessa forma, deve-se atualizar a constante ROOT_PATH do arquivo constants.py com o diretório raiz no qual o diretório se encontra no seu computador.

Preparação da base de dados

Para preparar a base de dados, basta executar o comando abaixo:

$ make prepare_dataset

Gerar o dataset de features e labels

Para gerar o dataset de features e labels, basta executar o comando abaixo:

$ make generate_dataset

Gerar e avaliar modelo de aprendizagem de máquina

Para gerar e avaliar um dos modelos de aprendizagem de máquina, basta executar um dos comandos abaixo:

$ make generate_linear_regression_model

$ make generate_decision_tree_model

$ make generate_random_forest_model

$ make generate_adaboost_model

No diretório files/estimators irá existir uma pasta que contém todas as métricas de avaliação do modelo que foi gerado, bem como o arquivo .joblib com o modelo treinado gerado.

Limpeza

Para deletar os arquivos criados pelo venv, basta executar o comando abaixo:

$ make clean