05眼动识别软件详情2波形优化-滤波

对应视频链接点击直达

01项目点击下载,可直接运行(含数据库)

05眼动识别软件详情2

    • 对应视频链接点击直达
    • 期望的数据展示
    • 数据波形对比
    • 如何实现
      • 几种常用滤波介绍
        • 维纳滤波
        • 巴特沃斯滤波器
        • 中值滤波
        • 排序滤波
      • 推荐
    • 结语
        • 其他
        • 以下是废话

原始数据的波形,简直没法看!
这章来说说波形的优化,让数据展示明显!

期望的数据展示

请添加图片描述

数据波形对比

同类型数据,无滤波
请添加图片描述
同类型数据,有滤波
请添加图片描述
主观的说,下面的数据,人能看···

如何实现

几种常用滤波介绍

维纳滤波

信号经过系统之后,相当于进行了卷积操作,若想让其复原,只需再用系统进行反卷积即可。如果没有信号,系统却有了响应,那么这种噪声可以理解为系统的噪声。如果系统的数学形式是已知的,这种噪声就很容易滤掉,如果未知,那就需要进行估计,这就是维纳做的工作。

一个有限脉冲响应(finite impulse response, FIR),其离散形式可通过卷积表示为
在这里插入图片描述
x=sin(1.5πt(1−t)+2.1)+0.1sin(2.5πt+1)+0.18cos(7.6πt)
请添加图片描述

import numpy as np
import scipy.signal as sst = np.linspace(-1, 1, 201)
PI = 2*np.pi
x = (np.sin(PI*0.75*t*(1-t) + 2.1) +0.1*np.sin(PI*1.25*t + 1) +0.18*np.cos(PI*3.85*t))# 原始数据添加噪声
np.random.seed(42)
xn = x + np.random.rand(len(t))w = ss.wiener(xn, 9) # 维纳滤波plt.scatter(t, xn, marker='.', label="original")
plt.plot(t, w, c = 'r', label="wiener")
plt.legend()
plt.show()

wiener是signal模块中的滤波函数,其输入参数分别是待滤波数据和滤波模板,此外还有一个noise,表示系统噪声,默认为None,表示自行估计噪声。

巴特沃斯滤波器

FIR的特点是无反馈,yn 完全由xn决定,如果响应受到反馈的影响,便是无限脉冲响应(infinite impulse response, IIR),其离散形式变为
在这里插入图片描述
滤波器设计,就是对ak,bk具体形式的求解,signal模块中提供了一些函数,对这两种信号进行滤波。仍以函数x为例,在添加噪声之后,进行滤波,对于不同的滤波函数,其效果如下
在这里插入图片描述

import scipy.signal as ss
import matplotlib.pyplot as pltb, a = ss.butter(3, 0.05)
z = ss.lfilter(b, a, xn)
z2 = ss.lfilter(b, a, z)
z3 = ss.filtfilt(b, a, xn)# 下面为绘图代码
plt.plot(t, z, 'r--', label="lfilter, once")
plt.plot(t, z2, 'g--', label="lfilter, twice")
plt.plot(t, z3, 'b', label="filtfilt")
plt.scatter(t, xn, marker='.', alpha=0.75)plt.grid()
plt.legend()
plt.show()

butter函数生成3阶巴特沃斯滤波器对应的 aaa和bbb值
lfilter是最基础的脉冲响应滤波器,从左侧开始进行滤波,故而会产生相位差
filtfilt从正反两个方向滤波,可消除了lfilter产生的相位差

中值滤波

中值滤波,就是挑选出将个滤波模板范围内数据的中位数,例如[1,3,2,4]这个数组,给定一个长度为3的滤波窗口,那么元素3所在位置的滤波范围就是1,3,2,其中位数是2,所以要把3更改为2。

import numpy as np
import scipy.signal as ss
x = [1,3,2,4]
ss.medfilt(x,3) # [1, 2, 3, 2]

二维的中值滤波在图像处理中非常常见,对椒盐噪声有着非常霸道的滤除效果。所谓椒盐噪声,如下方左图所示,就是图像中随机产生的黑色和白色的斑点。在使用二维的中值滤波之后,整张图片都变得清澈了。
请添加图片描述
参考代码:

from scipy.misc import ascent
import matplotlib.pyplot as pltimg = ascent()
img = img[:256, :256]
r = np.random.rand(*img.shape)
img[r>0.96] = 255
img[r<0.04] = 0plt.subplot(121)
plt.imshow(img, cmap='gray')
plt.axis('off')plt.subplot(122)
imFilt = ss.medfilt2d(img, [3,3])
plt.imshow(imFilt, cmap='gray')
plt.axis('off')plt.show()
排序滤波

排序滤波是中值滤波概念的扩充,和中值滤波的区别是,在对滤波窗口中的数据进行排序之后,可以指定用以替代当前数据的数值序号。下面四个矩阵,展示了以3×3单位矩阵为滤波模板,排序滤波在不同排序参数下的结果。
请添加图片描述
此滤波过程在scipy中的实现方式如下:

x = np.arange(25).reshape(5, 5).astype(float)
I = np.identity(3)mats = {"original":x}
for i in range(3):mats[f"order_filter:{i}"] = ss.order_filter(x, I, i)

order_filter】即为signal模块提供的排序滤波函数,以输入参数(x, I, i)为例,表示从矩阵x中选出单位阵I所覆盖区域中第i小的元素。I是一个单位阵,就实际情况来看,其覆盖的第一个子阵中,以0为中心,则只能覆盖到2x2的范围,对角元素0,6,最小值是0,最大值是6。如以6为中心,则可以完全覆盖3x3的内容,最小值为0,最大值为12。
绘图代码如下:

def drawMat(x, ax=None):M, N = x.shapeif not ax:ax = plt.subplot()arrM, arrN = np.arange(M), np.arange(N)plt.yticks(arrM+0.5, arrM)plt.xticks(arrN+0.5, arrN)ax.pcolormesh(x)ax.invert_yaxis()for i,j in product(range(M),range(N)):ax.text(j+0.2, i+0.6, f"{x[i,j]}")for i,key in enumerate(mats,1):ax = plt.subplot(2,2,i)drawMat(mats[key], ax)plt.title(key)plt.show()

推荐

我这边推荐使用FIR或者IIR
我这边的代码如下:

import numpy as npdef baseline_correction(eog_signal, sampling_rate):# 计算信号的时间数组nm = int(len(eog_signal) / 4)eog_signal1 = eog_signalbaseline_corrected = []for i in range(4):eog_signal = eog_signal1[i * nm:(i + 1) * nm]time = np.arange(len(eog_signal)) / sampling_rate  # 算出这个数据的时间 并生成数组# 使用线性回归估计基线趋势coefficients = np.polyfit(time, eog_signal, 1)# 生成基线趋势baseline_trend = coefficients[0] * time + coefficients[1]# 从原始信号中减去基线趋势以进行校正baseline_corrected1 = eog_signal - baseline_trendbaseline_corrected.extend(baseline_corrected1)return baseline_corrected# 将数据转换为numpy数组fs = 256  # 举例:1000Hz# 设计FIR滤波器fir_freq = np.array([0.1, 45]) / (fs / 2)  # 将8-13Hz转换为归一化频率# 线性回归极限矫正以后的数据data_baseline = baseline_correction(eye_data, fs)应用FIR滤波器1fir_coeff = signal.firwin(numtaps=7, cutoff=fir_freq, pass_zero=False)  # 阶数指的是 numtaps - 1fir_filtered_data = signal.lfilter(fir_coeff, 1, data_baseline)  # 无反馈 滤波器 第二组系数全是1 输出只与当前和过去输入有关,与过去输出无关# 应用IIR滤波器2iir_coeff = signal.iirfilter(N=5, Wn=fir_freq, btype='band', ftype='butter')fir_filtered_data = signal.lfilter(iir_coeff[0], iir_coeff[1], data_baseline)

结语

其他

以上仅作参考,欢迎一起讨论!

V:justwaityou1314
懂的都懂
以下是废话

别的也没啥说的 , 如果觉得可以 , 希望一键三连支持一下我的B站作品

欢迎各位大佬留言吐槽,也可以深入科学探讨

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/29389.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

CentOS 7.9上创建的JBOD阵列恢复(二)

系列文章目录 CentOS 7.9上创建JBOD&#xff08;一&#xff09; CentOS 7.9检测硬盘坏区、实物定位&#xff08;三&#xff09; 文章目录 系列文章目录前言一、用命令查看是否认到盘二、直接组JBOD三、挂载到新目录四、查看原数据总结 前言 在CentOS 7.9上创建了一个软阵列JB…

代码随想录算法训练营第四十二天| 1049. 最后一块石头的重量 II、 494. 目标和

LeetCode 1049. 最后一块石头的重量 II 题目链接&#xff1a;https://leetcode.cn/problems/last-stone-weight-ii/description/ 文章链接&#xff1a;https://programmercarl.com/1049.%E6%9C%80%E5%90%8E%E4%B8%80%E5%9D%97%E7%9F%B3%E5%A4%B4%E7%9A%84%E9%87%8D%E9%87%8FII…

SQL触发器基本结构

1. 修改分隔符的符号 delimiter $$ $$或者//都可以 2.创建触发器的名称 create trigger 函数名称 3. 什么样的操作会触发&#xff0c;操作的那个表 after&#xff1a;....之后触发 befor&#xff1a;....之前触发 insert&#xff1a;插入被触发 update&#xff1a;修改被触发 …

Kibana 一步步可视化实战构建步骤全集

今早读者朋友圈提及&#xff1a;《一本书讲透Elasticsearch》适合入门级体系化阅读&#xff0c;书中的3个项目实战&#xff0c;很适合实操&#xff0c;但是在建立Kibana可视化的过程中&#xff0c;书中没有明确构建步骤&#xff0c;在实操中会有缺憾。 我解释一下&#xff1a; …

CPU与GPU的原理不同

CPU&#xff08;中央处理器&#xff09;和GPU&#xff08;图形处理器&#xff09;在设计原理上有很大的不同。CPU是通用的计算核心&#xff0c;擅长处理复杂的控制流和数据结构&#xff0c;而GPU则是为了并行处理大量相似的计算任务而设计的。二者是计算机系统中两种不同类型的…

AI实战 | 使用元器打造浪漫仪式小管家

浪漫仪式小管家 以前我们曾经打造过学习助手和待办助手,但这一次,我们决定创造一个与众不同的智能体,而浪漫将成为我们的主题。我们选择浪漫作为主题,是因为我们感到在之前的打造过程中缺乏了一些仪式感,无法给对方带来真正的惊喜。因此,这一次我们计划慢慢调试,将它发…

vim 显示行号

在 Vim 中&#xff0c;你可以通过几种不同的方式来显示行号。以下是两种常用的方法&#xff1a; 临时显示行号&#xff1a; 当你打开 Vim 并想要临时查看文件的行号时&#xff0c;你可以使用 :set number 命令。这个命令会在当前 Vim 会话中显示行号。如果你想要关闭行号显示&a…

Python xml.dom.minidom 读取XML元素

哈喽&#xff0c;大家好&#xff0c;我是木头左&#xff01; 什么是 XML&#xff1f; XML&#xff08;可扩展标记语言&#xff09;是一种用于描述数据结构和交换数据的标记语言。它被广泛用于 Web 应用程序中&#xff0c;用于存储和传输数据。XML 具有自描述性&#xff0c;因此…

GitHub|GitLab它们的区别是什么?

GitLab 和 GitHub 都是基于 Git 版本控制系统提供服务的平台&#xff0c;但它们是两个不同的产品&#xff0c;各自有着不同的特点和目标用户群。下面是对它们的基本解释和一些关键差异&#xff1a; GitHub 概述&#xff1a;GitHub 是全球最大的开源代码托管平台&#xff0c;由…

yocto根文件系统如何配置静态IP地址

在Yocto根文件系统中配置静态IP地址&#xff0c;你可以参考以下步骤。请注意&#xff0c;这些步骤可能会因Yocto版本和具体硬件平台的不同而略有差异。 1. 获取网络配置信息 首先&#xff0c;你需要从网络运维方获取分配的IP地址、子网掩码、默认网关和DNS信息。 2. 确定配置文…

文生视频开源产品的一些调研(一)

笔者尝试AI视频生成的几个特点&#xff1a; 玄学prompt&#xff0c;每个视频的prompt可能也需要微调很多次&#xff0c;需要找到使用模型的最佳prompt词组合&#xff0c;不恰当的比喻&#xff0c;骑自行车&#xff0c;座位高度等都是人与车彼此熟悉玄学生成&#xff0c;因为需…

第二证券:英伟达“利空”?!黄仁勋逢高又卖超2亿

时隔9个月&#xff0c;黄仁勋再次套现英伟达&#xff0c;股价小幅下跌。 当地时间6月17日周一&#xff0c;美股三大股指全线收涨。到收盘&#xff0c;道指涨0.49%&#xff0c;纳指涨0.95%&#xff0c;标普500指数涨0.77%。 英伟达CEO黄仁勋时隔9个月再度出售英伟达股票。最新…

基于spring的个人理财系统

需求概述 建设目标 个人理财项目的项目建设目标如下&#xff1a;完成用户注册、登录、用户唯一性验证、记账管理、预算管理、个人信息、修改密码等功能&#xff0c;实现完整的理财流程。 运行环境 1&#xff0e;系统硬件环境 &#xff08;1&#xff09;服务器端 名称 配置…

STM32学习笔记(六)--引脚重映射详解

STM32F103C8T6引脚定义&#xff1a; 在STM32微控制器中&#xff0c;外设引脚的复用功能&#xff08;Alternate Function&#xff0c;AF&#xff09;有时会出现冲突&#xff0c;例如当USART2_CTS和TIM2_CH1同时需要使用相同的引脚时。此时&#xff0c;可以通过引脚重映射功能&am…

02-Git命令

1.初始化仓库&#xff1a; git init 2.查看文件状态&#xff1a; git status 3.添加到暂存区 &#xff1a;git add 文件名 git add . 4.提交到本地仓库&#xff1a; git commit -m "提交信息" 5.拉去远程最新代码&#xff1a; git pull 远程地址 分支 6.解决冲突 …

入门三.HTB--Dancing(6.18)

大佬 https://www.cnblogs.com/Hekeats-L/p/16535920.html 任务1 SMB 即Server Message Block&#xff08;服务器消息块&#xff09;&#xff0c;是一种文件共享协议。当文件原件在你的A电脑上&#xff0c;而你想在局域网下用你的手机、iPad或是另一台电脑来访问A电脑上的该文…

nginx+keepalived高可用搭建的详细步骤

现在有2台机器&#xff0c;10.5.100.36 和 10.5.100.37&#xff0c;分别在这2台机器上面部署nginx和keepalived&#xff0c;然后利用keepalived对nginx做高可用。 1&#xff0c;安装好nginx&#xff0c;使用的是 yum install nginx -y2&#xff0c;修改nginx的配置文件nginx.…

【AI工具】探索创意与效率:xs.tools 网站介绍

在这个数字化时代,工具的创新和效率对我们的日常工作和生活至关重要。"xs.tools" 网站是一个汇集了众多有趣且实用的小工具的平台,它不仅帮助用户快速找到所需的工具,还能激发灵感,提升创造力。 一、网站概览 "xs.tools" 提供了一个简洁而直观的界面…

Centos7如何扩容未做lvm的GPT硬盘

背景&#xff1a;一台根分区为2.5T(已转换GPT格式)的虚拟机使用率达到97%&#xff0c;需要扩容&#xff0c;但是又没做lvm 通过平台新增容量1.5T&#xff0c;如下可看到 安装growpart准备扩容&#xff1a; yum install cloud-utils-growpart -y 执行命令growpart报错&#xff…

ChatGPT付费创作系统V3.0.2独立版 WEB+H5+小程序端 (H5端界面美化+Pika视频作品广场+SunoAI 文生歌)系统部署教程

播播资源GPT付费体验系统最新版系统是一款基于ThinkPHP框架开发的AI问答小程序&#xff0c;是基于国外很火的ChatGPT进行开发的Ai智能问答小程序。当前全民热议ChatGPT&#xff0c;流量超级大&#xff0c;引流不要太简单&#xff01;一键下单即可拥有自己的GPT&#xff01;无限…