# 孤独症儿童视线表情

**Repository Path**: bone-zzz/12adad

## Basic Information

- **Project Name**: 孤独症儿童视线表情
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-06-09
- **Last Updated**: 2025-06-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 孤独症儿童视线表情数据分类模型

本项目实现了一个基于机器学习的分类模型，用于区分孤独症（ASD）儿童和正常发育（TD）儿童的视线和表情数据。通过分析视线追踪和面部表情数据，为ASD的早期筛查提供辅助工具。

## 项目结构

```
.
├── ASD/                    # ASD患者数据文件夹
│   ├── BSDASD_*.csv       # ASD患者数据文件
│   ├── KNASD_*.csv       
│   └── ZK_*.csv          
├── TD/                     # 正常发育儿童数据文件夹
│   ├── DCXX_*.csv        # TD儿童数据文件
│   └── YXYEY_*.csv       
├── yyyyy.py               # 主程序代码
├── 特征重要性.png          # 输出的特征重要性图
├── 混淆矩阵.png            # 输出的混淆矩阵图
└── README.md              # 项目说明文档
```

## 数据说明

### 数据格式
每个CSV文件包含以下列：
- Frame：帧序号
- Gaze_X：视线X坐标 (-1到1的归一化值)
- Gaze_Y：视线Y坐标 (-1到1的归一化值)
- Expression：表情标签 (0-6的整数值)

### 数据预处理
- 统一截取前2000帧数据
- 对缺失帧数进行填充（使用最后一帧数据）
- 异常值处理（限制在[-1,1]范围内）
- 数据标准化（使用StandardScaler）

## 特征工程

### 统计特征
- 视线坐标（X/Y）的均值和标准差
- 表情众数和变化频率
- 每种表情的出现比例

### 时序特征
- 视线轨迹总距离
- 视线运动速度均值和标准差

### 空间特征
- 视线在4个象限的分布比例
- 注视点集中度（视线坐标的方差）

## 模型说明

### 随机森林分类器配置
- n_estimators：1000（决策树数量）
- max_depth：5（树的最大深度）
- class_weight：'balanced'（处理类别不平衡）
- random_state：42（保证结果可复现）

### 数据集划分
- 训练集：80%
- 测试集：20%
- 使用分层抽样保持类别比例

### 模型评估指标
- 准确率（Accuracy）
- 精确率（Precision）
- 召回率（Recall）
- F1分数（F1-Score）

## 使用说明

1. 环境配置
```bash
pip install pandas numpy scikit-learn matplotlib seaborn
```

2. 运行程序
```bash
python yyyyy.py
```

3. 输出结果
- 控制台显示：
  - 数据处理进度
  - 样本统计信息
  - 详细的分类报告
  - 重要特征排名
- 生成文件：
  - 特征重要性.png
  - 混淆矩阵.png

## 注意事项

1. 数据文件要求
   - ASD和TD文件夹需位于代码同级目录
   - CSV文件需包含所有必要列
   - 建议数据量充足以保证模型效果

2. 数据格式要求
   - 视线坐标范围：[-1, 1]
   - 表情标签：[0-6]的整数
   - CSV文件编码：UTF-8

## 技术栈

- Python 3.x
- pandas：数据处理和特征提取
- numpy：数值计算
- scikit-learn：机器学习模型和评估
- matplotlib/seaborn：数据可视化

## 未来改进方向

1. 特征工程优化
   - 添加更多时序特征（如视线速度加速度）
   - 考虑表情转换序列模式
   - 引入注视持续时间分析

2. 模型优化
   - 尝试深度学习方法（LSTM/CNN）
   - 实现模型集成
   - 添加参数自动优化

3. 可视化增强
   - 添加ROC曲线分析
   - 实现视线轨迹热力图
   - 开发实时预测界面

姓名郭正南
学号202352320213
班级智科二班