# ASD-TDpython

**Repository Path**: yangkaiqin/asd-tdpython

## Basic Information

- **Project Name**: ASD-TDpython
- **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

# ASD/TD 眼动数据分类分析项目

## 项目概述
本项目使用机器学习算法对孤独症谱系障碍(ASD)和典型发育(TD)儿童的眼动数据进行分类分析。

## 数据说明
- **ASD文件夹**: 包含124个孤独症患者的眼动及表情数据
- **TD文件夹**: 包含145个正常发育儿童的眼动及表情数据
- 每个CSV文件包含：Frame(帧数), Gaze_X(眼动X坐标), Gaze_Y(眼动Y坐标), Expression(面部表情)

## 算法选择与结果
经过对比分析4种机器学习算法：
1. **随机森林**: 测试准确率 70.37%
2. **梯度提升**: 测试准确率 74.07%
3. **支持向量机**: 测试准确率 74.07%
4. **逻辑回归**: 测试准确率 **83.33%** (最佳)

## 特征工程
从原始时序数据中提取了36维特征：
- 基础统计特征(均值、标准差、分位数等)
- 眼动轨迹特征(速度、加速度统计)
- 行为模式特征(表情变化、眼动范围)

## 运行方法
```bash
python main.py
```

## 输出文件
运行后会在`data/`文件夹中生成：
- `algorithm_comparison.png`: 算法性能对比图
- `confusion_matrices.png`: 各算法混淆矩阵
- `roc_curves.png`: ROC曲线比较
- `feature_importance.png`: 特征重要性分析
- `data_distribution.png`: 数据分布可视化
- `analysis_report.md`: 详细分析报告

## 结论
逻辑回归算法在该眼动数据集上表现最佳，准确率达到83.33%，表明：
1. 眼动模式对ASD/TD分类具有较好的区分能力
2. 线性特征组合能有效捕捉两类群体的差异
3. 该方法对ASD早期筛查具有潜在应用价值

## 环境要求
```
pandas
numpy
scikit-learn
matplotlib
seaborn
```