EOG眼电信号（眨眼检测）

转载请注明作者和出处：https://blog.csdn.net/qq_28810395
Python版本： Python3.x
运行平台： Windows 10
IDE： Pycharm profession 2019

1、任务需求：

1、看懂程序，理解眼电数据处理；
2、把程序完善，现在eog.py是一个校准的文件
3、在此基础上，写一个检测是否有眨眼的程序

2、数据集解析：

根据程序观察对数据集数据进行了解，使用EDFbrowser软件对5个数据集进行数据观看并分析

*EOG是采集的眼电信号 event是时钟打标（同步信号）
此图为病人的眼电信号数据图，眨眼动作眼电信号会进行一个赋值跳变，打标点基本把每个眨眼动作分离。

3、程序理解：

进入程序进行程序理解，代码算法实现逻辑为，首先将眼电数据进行读入，利用打标点判断进行分离，每次选取125个数据点。然后进入数据处理部分，将波峰位置、波峰值、波谷值和持续时间返回并绘制曲线。最后将所得数据进行处理（均值、标准差）建立模型。

4、EOG眼电数据（峰值、峰值位置、持续时间）检测函数

1、对传入的125个数据点进行低通滤波

2、在20-98之间进行峰值位置、峰值和持续时间检测计算

3、根据持续时间进行选择，持续时间过大，说明不是眨眼动作，峰值位置无效（赋值124 和1）

4、最后将相关数据赋值返回

5、眨眼检测与绘图函数

眨眼检测采用了K-近邻算法（五特征值），训练数据集采用了这5套数据集进行汇总，是否眨眼根据人眼识别进行标记。训练数据集如下：

50个样本数据：

*第一特征值：波峰位值、	第二特征值：波峰值、 第三特征值：波谷位值
*第四特征值：波谷值、 第五特征值：持续时间   
*标签：眨眼（1）未眨眼（0）

1、由于数据集是文本，所以添加文本处理函数：

根据其三特征值的K-近邻中占比相差不大，所以未采用归一化算法进行数据处理。
2、眨眼检测——K-近邻算法实现
kNN算法是著名的模式识别统计学方法，是最好的文本分类算法之一，在机器学习分类算法中占有相当大的地位，是最简单的机器学习算法之一。算法实现为：
K-近邻算法对未知类别属性的数据集中每个数据点处理流程如下
①　计算已知类别数据集中的每个数据点与当前数据点之间的距离；
采用欧氏距离公式（两特征值）：

②　按照距离递增次序排序；
③　选取与当前数据点距离最小的K个数据点；
④　确定前K个数据点所在类别的出线频率；
⑤　发挥前K个数据点最高的类别当作当前点的预测分类；

K-近邻进行分类完成后进行绘图显示：

绘图结果显示：（3.13）