Anomaly detection per rilevare le infezioni da Covid-19 usando modelli non supervisionati di anomaly detection
- Python 3.10.4
- Numpy
pip install numpy - Pandas
pip install pandas - Sklearn
pip install scikit-learn - Matplotlib
pip install matplotlib - Tensorflow
pip install tensorflow - Seaborn
pip install seaborn - Pylab
pip install pylab-sdk
I dati utilizzati nell'esperimento sono presenti nella cartella /data e sono due files:
- ASFODQR_hr.csv
- ASFODQR_steps.csv
Entrambi i dataset hanno 3 colonne relative a:
- Codice utente: "user" - stringa (ASFODQR)
- Data, ora, minuto della rilevazione: - data "datetime"
- Valore associato: - intero "heartrate" nel file ASFODQR_hr.csv e "steps" nel file ASFODQR_steps.csv
Andare nella cartella /laad_ASFODQR è presente lo script laad_covid19.py, eseguirlo il comando:
python laad_covid19.py --heart_rate ASFODQR_hr.csv --steps ASFODQR_steps.csv --myphd_id ASFODQR --symptom_date 2024-08-14
I risultati una volta terminata l'esecuzione dello script sono visibili nella stessa cartella.
Nella cartella principale è presente lo script rhrad_offline.py, eseguirlo mediante il comando:
python rhrad_offline.py --heart_rate data/ASFODQR_hr.csv --steps data/ASFODQR_steps.csv --myphd_id asfodqr --anomalies ASFODQR_exp.csv --symptom_date 2024-08-07 --diagnosis_date 2024-08-14 --outliers_fraction 0.25 --random_seed 10
I risultati sono stampati a video inoltre le matriche ed i grafici ottenuti dall'esperimento si trovano nella cartella /reports in cui ci sono:
- Grafici delle anomalie rilevate da ciascuno dei quattro modelli
- File csv delle anomalie rilevate per ciascuno dei modelli
- Matrici di confusione
- Esperimento LAAD, autoencoder con cui ho ottenuto i risultati di riferimento LAAD-Github
- Esperimento utilizzato per fare il confronto tra i modelli non supervisionati Anomaly detection COVID