如何在一维EAR数组中检测代表眨眼的局部最小值？

该图表展示了视频全程中眼睛的EAR（眼宽高比，Eye Aspect Ratio），图中明显的陡降代表眨眼动作——EAR用于衡量眼睛张开程度，眨眼时会出现快速下降后回升的特征。现在需要基于给定的一维EAR数据数组，检测出所有代表眨眼的局部最小值，本示例中需识别出全部5次眨眼。

我尝试了以下代码：

import numpy as np
from scipy.signal import find_peaks

# Invert the data to find local minima
inverted_data = -np.array(seq)

# Use find_peaks from SciPy to find the peaks in the inverted data
# Adjust the 'distance' parameter as needed for your dataset
peaks, _ = find_peaks(inverted_data, distance=5, height=-0.2)

print(peaks)

# The number of local minima is the length of the peaks array
number_of_minima = len(peaks)

print("Number of local minima:", number_of_minima)

但效果不佳，核心问题是：虽然distance参数能作为基础筛选条件，但height参数依赖固定的EAR阈值，而不同个体的眼睛特征差异会导致这个阈值无法通用。

优化思路：用自适应阈值替代固定值 #

既然固定阈值不通用，我们可以改用个体EAR基线的相对变化来判定眨眼，核心逻辑是：眨眼时EAR会相对于常态出现大幅下降，而非单纯低于某个固定数值。

优化后的代码 #

import numpy as np
from scipy.signal import find_peaks

# 替换为你的EAR数据数组
seq = np.array([0.3, 0.32, 0.31, 0.1, 0.3, 0.32, 0.29, 0.08, 0.31, 0.3, 0.33, 0.12, 0.3, 0.29, 0.31, 0.09, 0.32, 0.3, 0.31, 0.11, 0.3])

# 计算个体EAR基线：用中位数，避免眨眼导致均值偏移
ear_baseline = np.median(seq)
# 设定相对下降比例：低于基线的60%判定为眨眼候选，可根据实际情况调整
threshold_ratio = 0.6
absolute_threshold = ear_baseline * threshold_ratio

# 反转数据，将原数据的局部最小值转化为反转数据的峰值
inverted_data = -seq
# 调用find_peaks：
# - height：反转后对应原数据低于阈值的部分，即-inverted_data < absolute_threshold → inverted_data > -absolute_threshold
# - distance：确保两次眨眼间隔符合生理规律（根据帧率调整，30FPS下5帧约160ms）
peaks, _ = find_peaks(inverted_data, distance=5, height=-absolute_threshold)

print("眨眼对应的索引位置：", peaks)
print("检测到的眨眼次数：", len(peaks))

关键调整说明 #

• 自适应基线：用中位数计算常态EAR值，不受眨眼动作的干扰，更贴合个体特征
• 相对阈值：通过比例设定下降幅度，无需针对不同个体手动调整固定阈值
• 参数适配：distance可根据视频帧率微调，避免把单次眨眼误判为多次，或漏判间隔较近的眨眼

内容的提问来源于stack exchange，提问作者Mark Shteyn