Lululove Blog

你好，Lululove Blog

Tue, 21 Jul 2026 00:00:00 GMT

欢迎来到 Lululove Blog。

这里将记录我的网络安全学习、编程实践、项目开发与大学生活。

接下来会写什么#

Python、C/C++、Linux 与数据库学习笔记
FastAPI、Django 和微信小程序开发记录
古琴文化学习小程序的开发过程
睡眠数据分析、LSTM 与智能温控项目进展
旅行、摄影与阶段性总结

往昔之局未竞，今日仍可落子。

古琴小程序开发记录：识谱页面终于有了第一个雏形

Wed, 19 Aug 2026 00:00:00 GMT

从一个按钮开始#

最近继续折腾我的古琴小程序。

前面更多时间都花在页面结构和整体功能规划上，但一直只有页面，没有真正让我觉得“这个东西已经开始能用了”的功能。

所以这次我决定先把重点放到 识谱页面 上。

我的想法很简单：

用户上传一张古琴琴谱图片，小程序识别图片中的琴谱内容，然后把结果展示出来。

真正做到完整识别当然还有很长一段路，但至少可以先把整个操作流程跑起来。

目前第一版已经有了一个比较完整的雏形。

现在已经能做什么#

目前识谱页面实现的流程是：

选择图片 → 显示图片 → 点击识别 → 显示识别结果

用户可以直接从相册选择图片，也可以调用手机摄像头拍摄。

小程序里我使用的是 wx.chooseMedia：

1
wx.chooseMedia({
2
  count: 1,
3
  mediaType: ['image'],
4
  sourceType: ['album', 'camera'],
5

6
  success: (res) => {
7
    const tempFilePath = res.tempFiles[0].tempFilePath
8

9
    this.setData({
10
      imagePath: tempFilePath,
11
      result: ''
12
    })
13
  }
14
})

选择成功之后，会拿到一个临时图片路径：

1
const tempFilePath = res.tempFiles[0].tempFilePath

然后通过：

1
this.setData({
2
  imagePath: tempFilePath
3
})

把图片路径保存到页面数据中。

这样页面就可以把用户刚刚选择的琴谱显示出来。

虽然只是很基础的一步，但当图片真正出现在页面上的时候，还是挺有“项目终于动起来了”的感觉。

“开始识别”现在还只是一个演示版#

图片上传之后，下一步自然就是点击“开始识别”。

目前我先写了一个简单的加载效果：

1
wx.showLoading({
2
  title: '识别中'
3
})

然后暂时返回一段模拟识别结果。

现在的结果并不是真正通过算法得到的，而是为了先验证整个前端流程：

用户有没有上传图片？

按钮能不能正常点击？

识别的时候有没有加载提示？

识别结束后结果能不能正确显示？

这些功能确认没有问题以后，再把假的识别结果换成真正的后端返回数据。

以前写代码的时候，我经常想一次就把完整功能做完。

但现在慢慢发现，项目开发更适合一步一步来。

如果一开始同时写图片上传、Django 接口、图像处理和识别算法，一旦出错，很难判断到底是哪一层出了问题。

所以目前我的策略是：

先把前端做通，再做后端，最后接算法。

这样每一步都可以单独验证。

下一步：把图片真正传给 Django#

现在的识谱功能还全部发生在小程序前端。

真正完整的流程应该是：

1
微信小程序
2
    ↓
3
用户选择琴谱图片
4
    ↓
5
上传图片
6
    ↓
7
Django 后端接收
8
    ↓
9
识谱算法处理
10
    ↓
11
返回识别结果
12
    ↓
13
小程序展示结果

所以下一步我要做的，就是让小程序真正把图片发送到 Django。

第一版后端接口甚至不用马上做识谱。

可以先做到：

1
收到图片
2
返回文件名
3
返回图片大小
4
返回上传成功

只要这一层能够成功，就意味着：

微信小程序和 Django 后端之间的图片上传链路已经打通。

之后再慢慢把真正的琴谱识别算法接进去。

为什么我想做识谱这个功能#

相比小程序里的文章展示、每日一曲这些功能，我一直觉得“识谱”是整个项目里最有意思的一部分。

因为它不只是把已有内容展示给用户。

而是用户给系统一个输入，系统真正对这个输入进行处理，再返回新的结果。

这种交互会让整个小程序从一个“古琴资料展示工具”，慢慢变成一个真正有功能的应用。

当然，现在距离真正能够识别古琴谱还很远。

图像预处理怎么做？

琴谱符号怎么识别？

复杂版面怎么处理？

识别结果以什么形式展示？

这些问题后面都会慢慢遇到。

写在最后#

现在这个识谱页面还只能算一个很早期的版本。

甚至真正的识谱算法都还没有接进来。

但相比最开始只有一个“识谱”按钮，现在至少已经有了：

图片选择、图片预览、识别交互和结果显示。

从“我想做一个识谱功能”，到屏幕上真的出现一个可以操作的页面，中间其实就是很多这样不起眼的小步骤。

下一步：

让图片真正跑到 Django 后端。

等这一段跑通以后，再继续记录。

第一次用 LSTM 做睡眠预测：从看懂数据开始

Wed, 19 Aug 2026 00:00:00 GMT

最近开始认真学 LSTM#

最近除了继续写一些项目代码之外，我把不少时间放到了 LSTM 上。

原因也很直接。

现在正在做的智能睡眠项目，重点逐渐从“做一张温控床垫”转到了 睡眠数据分析和算法控制。

硬件当然仍然重要，但真正决定系统是不是“智能”的，其实不是床垫能不能加热或者降温。

而是系统能不能知道：

用户现在睡得怎么样？

以及：

接下来可能进入什么睡眠状态？

如果连睡眠状态都无法判断，后面的智能温控就没有什么依据。

于是我开始接触 LSTM。

第一次看到真实睡眠数据#

真正开始做以后，我发现第一件事根本不是搭模型。

而是：

先把数据看懂。

以前学习机器学习的时候，经常使用已经整理好的数据集。

一行就是一个样本。

每一列是什么也写得清清楚楚。

但真实的睡眠数据完全不是这样。

我现在接触的是 PSG，也就是多导睡眠监测数据。

其中可能同时存在多个生理信号通道，例如：

脑电信号
心电信号
呼吸信号
血氧信号
其他生理信号

每一个通道又对应不同的采样数据。

一开始打开数据的时候，最大的感觉就是：

多。

不是几十行，也不是几千行。

因为生理信号是连续采样的。

如果采样频率是 100 Hz，那么一秒钟就会记录 100 个点。

一分钟就是：

1
100 × 60 = 6000

一个小时就是：

1
100 × 60 × 60 = 360000

如果记录一整晚，数据量很快就会上升到非常大的规模。

这也是我第一次比较直观地感受到什么叫“时间序列数据”。

在训练模型之前，要先回答很多问题#

拿到数据以后，并不能直接扔进 LSTM。

首先要搞清楚：

1
数据里一共有多少个通道？
2
每个通道分别代表什么？
3
采样频率是多少？
4
总记录时间有多长？
5
有没有缺失数据？
6
睡眠阶段标签在哪里？
7
标签和信号时间怎么对应？

这些问题如果没有弄清楚，后面模型训练出来的结果其实没有太大意义。

所以第一阶段我做的事情更像是在“认识数据”。

例如先读取文件基本信息：

1
print(raw.info)

查看通道：

1
print(raw.ch_names)

确认采样频率：

1
print(raw.info["sfreq"])

然后再进一步确定数据持续时间。

这些代码看起来都很简单。

但真正意义并不是“打印几行信息”。

而是在确认：

我手里的数据到底是什么。

为什么睡眠状态适合使用 LSTM#

睡眠本身并不是一个完全独立的分类问题。

假设某一个时刻人在浅睡眠。

下一个时刻的状态，并不是随机从：

1
清醒
2
浅睡
3
深睡
4
REM

里面随便选择一个。

睡眠阶段之间存在比较明显的连续变化。

也就是说：

当前状态和之前发生了什么是有关联的。

这正是时间序列问题的特点。

普通的全连接神经网络通常只关心当前输入。

而 LSTM 可以在处理序列的时候保留一部分之前的信息。

简单理解，可以把它想成：

1
第1段睡眠数据
2
     ↓
3
记住一部分信息
4
     ↓
5
第2段睡眠数据
6
     ↓
7
继续更新记忆
8
     ↓
9
第3段睡眠数据
10
     ↓
11
预测睡眠状态

当然，这只是非常简单的理解。

真正训练的时候还要考虑窗口划分、特征维度、隐藏层、批次大小等很多参数。

第一阶段，我不准备追求很高的准确率#

刚开始接触模型的时候很容易特别关注一个数字：

1
Accuracy

好像准确率越高，模型就越厉害。

但对于我现在这个阶段来说，我反而觉得：

先把整个流程跑通更重要。

我的第一阶段目标大致是：

1
读取 PSG 数据
2
    ↓
3
选择需要的信号
4
    ↓
5
进行预处理
6
    ↓
7
划分时间窗口
8
    ↓
9
对应睡眠阶段标签
10
    ↓
11
构建 Dataset
12
    ↓
13
送入 LSTM
14
    ↓
15
完成训练
16
    ↓
17
输出预测结果

显示更多显示更少

哪怕第一版准确率很一般，只要完整流程跑通，就意味着之后有很多地方可以继续调整。

例如：

窗口到底应该取多长？

输入原始信号还是提取特征？

LSTM 用一层还是多层？

hidden size 应该是多少？

不同信号组合效果有没有差异？

这些都可以在第一版模型之后慢慢实验。

数据处理可能比模型本身更麻烦#

这是最近最大的一个感受。

以前看很多深度学习教程的时候，注意力几乎都放在模型上。

比如：

1
model = LSTM(...)

然后：

1
loss.backward()
2
optimizer.step()

看起来最核心的事情就是训练神经网络。

但真正处理真实数据以后会发现：

模型代码反而可能是最短的一部分。

真正花时间的是：

1
读取
2
清洗
3
对齐
4
切片
5
归一化
6
标签处理
7
数据检查

如果这些步骤有问题，后面再复杂的网络也没什么意义。

所以现在我越来越觉得：

机器学习项目首先是一个数据问题，其次才是模型问题。

后面还想做什么#

目前 LSTM 还处在学习和第一版实验阶段。

接下来准备继续尝试：

第一步：完成数据预处理

把原始 PSG 数据整理成适合神经网络使用的格式。

第二步：完成一个基础 LSTM

不追求特别复杂，先完成睡眠阶段预测。

第三步：评价模型效果

除了 Accuracy，还需要关注不同睡眠阶段的识别情况。

第四步：继续优化

尝试不同时间窗口、特征组合以及网络结构。

再往后，才是整个项目真正比较有意思的部分：

把睡眠预测结果和温控策略结合起来。

写在最后#

现在回头看，这个项目让我重新理解了“学习一个算法”是什么意思。

以前学习 LSTM，可能是：

看原理、抄代码、跑一个示例。

现在学习 LSTM，则变成了：

我手里真的有一份睡眠数据，我需要让这个模型解决一个实际问题。

这种感觉完全不一样。

现在还只是刚开始。

第一阶段甚至连模型效果都还谈不上。

但至少已经从“LSTM 是什么”，慢慢走到了：

怎么把真实的睡眠数据交给 LSTM。

等第一版模型真正训练起来，再继续写下一篇。

关于这个小站

Sun, 26 Jul 2026 00:00:00 GMT

欢迎来到 Lululove Blog。

这是属于我的一片小天地，也是我用来记录生活、学习与成长的地方。

为什么建立这个博客#

生活中有很多值得被记住的瞬间。

可能是一次项目顺利运行时的开心，也可能是学习新知识时的收获，还可能是一张照片、一首歌曲，或者某一天突然产生的想法。

我希望把这些内容记录下来，让它们不会轻易被时间遗忘。

以后会记录什么#

编程与网络安全学习笔记
项目开发过程和遇到的问题
大学生活与志愿活动
旅行、摄影和日常随笔
音乐以及值得纪念的瞬间

这个小站现在还很简单，但我会慢慢完善它。

往昔之局未竞