# python qimo

**Repository Path**: wangzhibo369/python-qimo

## Basic Information

- **Project Name**: python qimo
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **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

# Python数据分析项目 - 自闭症谱系障碍（ASD）识别

## 项目简介

本项目是一个基于机器学习的自闭症谱系障碍（ASD）识别系统。通过分析眼动追踪数据（包括视线坐标和面部表情），使用随机森林算法对ASD和典型发育（TD）群体进行分类识别。

## 项目特点

- 🎯 **目标明确**：基于眼动数据进行ASD自动识别
- 📊 **数据丰富**：包含大量ASD和TD群体的眼动追踪数据
- 🤖 **机器学习**：采用随机森林分类算法
- 📈 **可视化分析**：提供详细的数据可视化和模型评估
- 🔧 **完整流程**：从数据预处理到模型评估的完整机器学习流程

## 项目结构

```
├── python.ipynb          # 主要分析代码（Jupyter Notebook）
├── SimHei.ttf            # 中文字体文件（用于图表显示）
├── README.md             # 项目说明文档
├── ASD/                  # ASD群体数据文件夹
│   ├── BSDASD_*.csv     # BSDASD系列数据（82个文件）
│   ├── KNASD_*.csv      # KNASD系列数据（34个文件）
│   └── ZK_*.csv         # ZK系列数据（10个文件）
└── TD/                   # 典型发育群体数据文件夹
    ├── DCXX_*.csv       # DCXX系列数据
    └── YXYEY_*.csv      # YXYEY系列数据（107个文件）
```

## 数据说明

### 数据集概况
- **ASD组**：126个样本文件
- **TD组**：约150个样本文件
- **数据类型**：CSV格式的眼动追踪数据
- **主要特征**：
  - `Gaze_X`, `Gaze_Y`：视线坐标
  - `Expression`：面部表情分类

### 特征工程
项目从原始数据中提取以下特征：
1. **视线统计特征**：
   - 视线X、Y坐标的均值和标准差
2. **表情频率特征**：
   - 各种面部表情出现的频率
3. **标签编码**：
   - ASD组：标签为1
   - TD组：标签为0

## 技术栈

### 核心库
- **数据处理**：`pandas`, `numpy`
- **机器学习**：`scikit-learn`
- **数据可视化**：`matplotlib`, `seaborn`
- **进度显示**：`tqdm`

### 机器学习模型
- **主要算法**：随机森林分类器（Random Forest Classifier）
- **评估指标**：
  - 准确率（Accuracy）
  - 分类报告（Classification Report）
  - 混淆矩阵（Confusion Matrix）
  - ROC曲线和AUC值

## 使用方法

### 环境要求
```bash
pip install pandas numpy scikit-learn matplotlib seaborn tqdm
```

### 运行步骤
1. 确保所有数据文件在正确的文件夹中（ASD/和TD/）
2. 确保SimHei.ttf字体文件在项目根目录
3. 打开并运行 `python.ipynb`
4. 按顺序执行所有代码单元

### 主要功能模块
1. **数据导入和预处理**
2. **特征提取函数定义**
3. **自动文件发现和批量处理**
4. **机器学习模型训练**
5. **模型评估和可视化**

## 结果展示

项目提供以下分析结果：
- 📊 数据分布可视化
- 🎯 模型性能评估
- 📈 特征重要性分析
- 🔍 混淆矩阵热力图
- 📉 ROC曲线分析

## 核心代码特性

### 自动化处理
- 自动发现和处理ASD、TD文件夹中的所有CSV文件
- 智能跳过损坏或数据不足的文件
- 进度条显示处理状态

### 健壮性设计
- 异常处理机制，确保单个文件错误不影响整体处理
- 数据验证，过滤无效样本
- 缺失值处理

### 中文支持
- 集成中文字体设置
- 图表完美显示中文标签和标题

## 应用前景

本项目可应用于：
- 🏥 **医疗辅助诊断**：协助医生进行ASD早期筛查
- 🔬 **科学研究**：为ASD相关研究提供数据分析工具
- 🎓 **教育培训**：作为机器学习和数据科学的教学案例
- 💡 **技术展示**：展示眼动数据在行为分析中的应用

## 贡献指南

欢迎提交Issue和Pull Request来改进项目：
1. Fork本项目
2. 创建特性分支
3. 提交更改
4. 发起Pull Request

## 许可证

本项目仅供学习和研究使用。

## 联系方式

如有问题或建议，欢迎通过Gitee Issues联系。

---

> 📝 **注意**：本项目基于眼动追踪数据进行ASD识别研究，仅供学术研究使用，不能替代专业医学诊断。