pdkit 1.2

安装说明

震颤处理器

如何使用pdkit计算震颤振幅和频率的示例：

>>> import pdkit
>>> tp = pdkit.TremorProcessor()
>>> ts = pdkit.TremorTimeSeries().load(filename)
>>> amplitude, frequency = tp.amplitude(ts)

其中，filename是要加载的数据路径，默认为cloudupdrs格式。

pdkit还可以读取mpower格式的数据，就像：

>>> ts = pdkit.TremorTimeSeries().load(filename, 'mpower')

其中，filename是要以mpower格式加载的数据路径。

要计算Welch，作为使用快速傅里叶变换的可靠替代，请使用like:

>>> amplitude, frequency = tp.amplitude(ts, 'welch')

这个类还提供了一个名为extract_features的方法 提取Tremor Processor中可用的所有功能。

>>> tp.extract_features(ts)

运动迟缓

>>> import pdkit
>>> ts = pdkit.TremorTimeSeries().load(filename)
>>> tp = pdkit.TremorProcessor(lower_frequency=0.0, upper_frequency=4.0)
>>> amplitude, frequency = tp.bradykinesia(ts)

步态

示例如何使用pdkit计算各种步态特征：

>>> import pdkit
>>> ts = pdkit.GaitTimeSeries().load(filename)
>>> gp = pdkit.GaitProcessor()
>>> freeze_times, freeze_indexes, locomotion_freezes = gp.freeze_of_gait(ts)
>>> frequency_of_peaks = gp.frequency_of_peaks(ts)
>>> speed_of_gait = gp.speed_of_gait(ts)
>>> step_regularity, stride_regularity, walk_symmetry = gp.walk_regularity_symmetry(ts)

其中，filename是要加载的数据路径，默认为cloudupdrs格式。

手指敲击

示例如何使用pdkit计算手指敲击测试的平均交替距离：

>>> import pdkit
>>> ts = pdkit.FingerTappingTimeSeries().load(filename)
>>> ftp = pdkit.FingerTappingProcessor()
>>> ftp.mean_alnt_target_distance(ts)

动觉评分（按键次数）

>>> ftp.kinesia_scores(ts)

测试结果集

pdkit可用于提取单个文件夹中不同测量（即震颤、手指敲击）的所有特征。结果 是一个数据框，其中测量值是行，列是提取的特征。

>>> import pdkit
>>> testResultSet = pdkit.TestResultSet(folderpath)
>>> testResultSet.process()

其中folderpath是具有不同度量值的相对文件夹。对于cloudupdrs，有以下测量值 文件夹/tests/data。生成的包含所有已处理功能的数据帧保存在testresultset.features中

我们还可以将数据帧写入如下输出文件：

>>> testResultSet.write_output(dataframe, name)

updrs

pdkit可以计算给定testresultset的updrs分数。

>>> import pdkit
>>> updrs = pdkit.UPDRS(data_frame)

updrs分数可以写入文件。您可以传递文件名和输出格式

>>> updrs.write_model(filename='scores', output_format='csv')

对训练过的knn聚类进行新的度量。

>>> updrs.score(measurement)

从文件中读取testresultset数据。有关详细信息，请参阅TestResultSet类。

>>> updrs = pdkit.UPDRS(data_frame_file_path=file_path_to_testResultSet_file)

临床updrs

pdkit使用临床数据计算实现k近邻投票的分类器。

>>> import pdkit
>>> clinical_UPDRS = pdkit.Clinical_UPDRS(labels_file_path, data_frame)

其中labels_file_path是临床数据文件的路径，data_frame是testresultset的结果。

对训练过的knn聚类进行新的度量。

>>> clinical_UPDRS.predict(measurement)

从文件中读取testresultset数据。有关详细信息，请参阅TestResultSet类。

>>> clinical_UPDRS = pdkit.Clinical_UPDRS(labels_file_path, data_frame_file_path=file_path_to_testResultSet_file)