1. BEATs.py 官方 BEATs 模型
2. BEATs.py 个人定义的 function 文件，用于提取特征等操作
3. BEATs_try.py 主要程序运行文件，包括数据处理和模型训练
4. BEATs_def.py 定义部分功能函数
5. BEATs_try.ipynb 用于测试函数功能
6. BEATs_run.py 用于运行训练和测试模型

1. 将文件按照 Patient ID 创建文件夹并把听诊区 wav 文件和 tsv 文件存入文件夹
2. 在每个 Patient ID 文件下创建听诊区文件，按照 tsv 文件的分割点对 wav 文件进行分割为收缩期心跳和舒张期心跳存入听诊区文件夹(file*name: patient_ID_Poisition_收缩/舒张_num_Present\Absent_timming.wav)
3. load “Patient ID”，按照 8:2 将 patient ID 划分为 train-set/test-set 并存为 CSV >>absnet_train/test_id.csv, present_train/test_id.csv
4. 按照 CSV 将 wav 文件存入 train/test 文件夹 (>>copy_wav)[此步取消]
5. 遍历 train/test 文件夹，在 get_wav_data中对 wav 进行操作
   • 重采样至 16k
   • 设定每条 wav 数据长度为3500对长度不足 3500 的 wav 数据 padding,对于大于 3500 的特征裁剪,[0:3500]( >>get_mfcc_features )
   • 将裁剪后的 wav 数据保存为单独的.csv 文件并 append 到列表中，最后返回一个包含所有 wav 数据的数组
   • 保存 wav 返回的 array 数组和 label 为.npy ,下次直接读取
6. 设置超参数，如 masking、调整训练和测试数据集大小，Absent/Present 比例、lr 等细节。
7. 通过 MayDataset 和 dataloader 生成train_loader，test_loader
8. 训练模型 9.保存模型结果等信息

模型定义位于 BEATs.py 的**class BEATs_Pre_Train_itere3(nn.Module)** 由于 BEATs.extract_features(wav)[0] 已经在上文执行，故此处只定义 fine-tuning 部分，

• 首先添加 checkpoint,导入 BEATs 的配置
• 其次定于全连接层和 Dropout 定义 forward 函数：

def forward(self, x, padding_mask: torch.Tensor = None):
    # with torch.no_grad():
    x, _ = self.BEATs.extract_features(x, padding_mask)
    # dropout
    # with torch.enable_grad():
    y = self.last_Dropout(x)

    y = self.fc_layer(y)
    # add fc layer
    output = self.last_layer(y)
    # mean
    output = output.mean(dim=1)
    # sigmoid
    # output = torch.sigmoid(output)
    return output

用于训练，测试函数并进行训练

• 冻结参数所使用的方法为:

  param.requires_grad = False

• 时域和频域 masking 方法为：

  freqm = TT.FrequencyMasking(freqm)
  timem = TT.TimeMasking(timem)

• 学习率设为可调，如 cosine 函数

1. make dataset
2. save as npy file