筋肉の電気信号・筋電位の識別 Part 2

    # データセット　学習データ（パワースペクトル）＊センサ数＋ラベル（姿勢）
    emg_dataset = np.empty((SAMPLING_N // 2 + 1) * SENSOR_NUM + 1)

    for posture in range(POSTURE_NUM):
        pyplot.figure()
        data_csv = pd.read_csv("emg" + str(posture) + ".csv", header=None)
        # 時刻ごとのFFT
        index = 0
        while index + SAMPLING_N < data_csv.shape[0]:
            amp_array = np.empty(0)
            # センサごとのFFT
            for i in range(SENSOR_NUM):
                emg = data_csv[i].values[index: index + SAMPLING_N]
                # フィルター処理
                emg = signal.detrend(emg)
                emg = np.convolve(emg, np.ones(10) / 10.0, mode='same')
                # 窓関数
                window = np.hamming(SAMPLING_N)
                f = np.fft.fft(emg * window)
                amp = np.abs(f)
                amp = amp[0: SAMPLING_N // 2 + 1]
                amp_array = np.append(amp_array, amp)
            # ラベルとして姿勢を登録
            label = posture
            amp_array = np.append(amp_array, label)
            emg_dataset = np.vstack((emg_dataset, amp_array))
            index += SAMPLING_N // 4

    emg_dataset = np.delete(emg_dataset, 0, 0)
    # 配列並び替え
    np.random.shuffle(emg_dataset)

    train_data = emg_dataset[:, 0: emg_dataset.shape[1] - 1].astype(dtype=np.float32)
    label_data = emg_dataset[:, emg_dataset.shape[1] - 1: emg_dataset.shape[1]].T.astype(dtype=np.int32)
    label_data = label_data[0]

    # 学習データの教師データとテスト用データに分ける
    threshold = np.int32(emg_dataset.shape[0] * 9 / 10)
    train = tuple_dataset.TupleDataset(train_data[0:threshold], label_data[0:threshold])
    test = tuple_dataset.TupleDataset(train_data[threshold:], label_data[threshold:])