Il progetto consiste nell’analizzare un dataset contenente segnali elettroencefalografici (EEG) e spettrogrammi utilizzando AutoML come tecnica di Machine Learning.

Nello specifico, il dataset utilizzato è stato preso da una competizione di Kaggle e il framework AutoML usato è AutoPyTorch.

Il dataset contiene le valutazioni fornite da alcuni esperti sulla base di diversi campioni EEG della durata di 50 secondi con i rispettivi spettrogrammi ricavati da pazienti ospedalieri critici.

L’obiettivo è stimare, attraverso l’uso della regressione, sei valori target:

• seizure_vote
• lpd_vote → lpd = lateralized periodic discharges
• gpd_vote → gpd = generalized periodic discharges
• lrda_vote → lrda = lateralized rhythmic delta activity
• grda_vote → grda = generalized rhythmic delta activity
• other_vote

Ognuno di questi numeri reali rappresenta la frequenza relativa dei voti ottenuti per ciascuna categoria, ed è dunque un numero compreso tra 0 ed 1.

Inoltre, la somma delle frequenze relative deve essere pari ad 1.

E' possibile visualizzare i notebook su Kaggle con i link nelle rispettive sezioni.

Tuttavia, se si desidera eseguire il codice sulla propria macchina, è necessario:

• Installare le librerie necessarie per l'esecuzione del codice
• Scaricare i dataset utilizzati dai notebook su Kaggle (si possono scaricare dai notebook stessi)

Il link per il notebook di Kaggle che utilizza CatBoost è disponibile qui.

Nel caso non fosse già installata, si può scaricare la libreria tramite il seguente comando

  pip install catboost

Se non si dispone di una GPU, è possibile modificare la seguente porzione di codice

https://github.com/Alessandro-Isceri/HMS-AutoPyTorch/blob/09c39f8b5f3970eebbfdfc6c7c0a889a8c006f71/src/HMSCatBoost.py#L161-L168

Sostituendo

    task_type="GPU",
    devices='0:1'

con

    task_type="CPU"

Il link per il notebook di Kaggle che utilizza AutoPyTorch è disponibile qui.

Nel momento in cui è stato sviluppato questo progetto, la normale installazione di AutoPyTorch creava dei problemi con le versioni di python successive alla 3.9.

Per riuscire ad installare e ad utilizzare correttamente AutoPyTorch si può procedere in questi due modi:

Con python 3.9 i problemi creati dalle dipendenze di AutoPyTorch non sussistono, dunque creando un virtual environment si può facilmente risolvere il problema.

apt-get update
apt install -y python3.9
pip install virtualenv
virtualenv venv -p $(which python3.9)
/venv/bin/pip install autopytorch

Nel codice utilizzato in questo progetto è stato necessario anche installare le seguenti librerie per interagire con i file che contenevano i dati

/venv/bin/pip install pyarrow
/venv/bin/pip install fastparquet

Una volta che il setup dell'ambiente di lavoro è terminato, è possibile proseguire salvando il proprio codice in un file python (in questo caso HMSAutoPyTorch.py) ed eseguirlo con il seguente comando

/venv/bin/python3.9 HMSAutoPyTorch.py

Grazie all'intervento di un altro utente (Borda), che ha modificato le dipendenze come è possibile vedere qui, è possibile utilizzare il seguente comando per installare AutoPyTorch

pip install "git+https://github.com/Borda/Auto-PyTorch.git@bump/sklearn-1.0+"

Una documentazione più approfondita del lavoro è visualizzabile nel file D10 - AutoML for Brain Predictor.pdf