サードパーティの必要条件

GPU 環境の検証

この例を実行するのに必要なコンパイラおよびライブラリが正しく設定されていることを検証するために、関数coder.checkGpuInstallを使用します。

envCfg = coder.gpuEnvConfig('host'); envCfg.DeepLibTarget ='cudnn'; envCfg.DeepCodegen = 1; envCfg.Quiet = 1; coder.checkGpuInstall(envCfg);

ECG データの説明

この例ではPhysioNetデータベースの ECG データを使用します。これには、3 つの患者グループのデータが含まれています。

ARR の患者の記録は 96 個、CHF の患者の記録は 30 個、NSR の患者の記録は 36 個あります。ecg_signalsMAT ファイルには、テスト ECG データが時系列形式で含まれています。この例のイメージ分類器は、ARR、CHF、および NSR を区別します。

アルゴリズム ワークフロー

この仿金宝app真软件モデルのアルゴリズムワークフローのブロック線図を以下に示します。

ECG 深層学習 Simulink モデル

ECG 信号分類のための Simulink モデルを以下に示します。このモデルを実行すると、分類された ECG 信号がVideo Viewerブロックにより表示されます。

open_system('ecg_dl_cwt');

ECG Preprocessing サブシステム

ECG Preprocessingサブシステムには、CWT を実行して ECG 信号のスカログラムを取得し、スカログラムを処理してイメージを取得するMATLAB Functionブロックと、trainedNet.matから事前学習済みネットワークを読み込み、SqueezeNet 深層学習 CNN に基づくイメージ分類の予測を実行するImage Classifierブロックが含まれています。

open_system('ecg_dl_cwt/ECG Preprocessing');

ScalogramFromECG関数ブロックは、次の操作を行う関数ecg_to_scalogramを定義します。

ecg_to_scalogramの関数シグネチャを以下に示します。

typeecg_to_scalogram

function ecg_image = ecg_to_scalogram(ecg_signal) % Copyright 2020 The MathWorks, Inc. persistent jetdata; if(isempty(jetdata)) jetdata = colourmap(128,'single'); end % Obtain wavelet coefficients from ECG signal cfs = cwt_ecg(ecg_signal); % Obtain scalogram from wavelet coefficients image = ind2rgb(im2uint8(rescale(cfs)),jetdata); ecg_image = im2uint8(imresize(image,[227,227])); end

ECG Postprocessing

MATLAB函数ブロックECG Postprocessingは、イメージ分類器から出力されるスコアの最高スコアに基づいて、スカログラム イメージのラベルを検出する関数label_prob_imageを定義します。スカログラム イメージが、このイメージに表示されているラベルと信頼度とともに出力されます。

typelabel_prob_image

function final_image = label_prob_image(ecg_image, scores, labels) % Copyright 2020 The MathWorks, Inc. scores = double(scores); % Obtain maximum confidence [prob,index] = max(scores); confidence = prob*100; % Obtain label corresponding to maximum confidence label = erase(char(labels(index)),'_label'); text = cell(2,1); text{1} = ['Classification: ' label]; text{2} = ['Confidence: ' sprintf('%0.2f',confidence) '%']; position = [135 20 0 0; 130 40 0 0]; final_image = insertObjectAnnotation(ecg_image,'rectangle',position,text,'TextBoxOpacity',0.9,'FontSize',9); end

シミュレーションの実行

[コンフィギュレーション パラメーター] ダイアログ ボックスを開きます。

[シミュレーション ターゲット]ペインで[GPU による高速化]を選択します。[深層学習]グループで、ターゲット ライブラリとして[cuDNN]を選択します。

アルゴリズムを検証し、ワークスペースに読み込まれたテスト ECG 信号のラベルと信頼度スコアを表示するため、シミュレーションを実行します。

set_param('ecg_dl_cwt',“SimulationMode”,'Normal'); sim('ecg_dl_cwt');

Simulink モデルの生成とビルド

[コード生成]ペインで言語として[C++]を選択し、[GPU コードの生成]を有効にします。

[コード生成]、[GPU コード]ペインを開きます。サブカテゴリ[ライブラリ]で、[cuBLAS]、[cuSOLVER]、および[cuFFT]を有効にします。

slbuildコマンドを使用して、ホスト GPU で Simulink モデルを生成してビルドします。コード ジェネレーターは実行可能ファイルを "ビルド フォルダー"(現在の作業フォルダーの中のecg_dl_cwt_ert_rtwという名前のサブフォルダー) に配置します。

status = evalc("slbuild('ecg_dl_cwt')");

生成された CUDA® コード

ecg_dl_cwt_ert_rtwという名前のサブフォルダーには、Simulink モデルの各種ブロックに対応して生成された C++ コードと、これらのブロックで実行される特定の演算が含まれています。たとえば、trainedNet0_ecg_dl_cwt0.hファイルには、numLayersなどの特定の属性を含む C++ クラスと、getBatchSize()、predict()などのメンバー関数が含まれています。これらのクラスは、Simulink モデルに読み込まれている事前学習済みのSqueezeNetを表します。

クリーンアップ

Simulink モデルを閉じます。

close_system('ecg_dl_cwt/ECG Preprocessing'); close_system('ecg_dl_cwt');