基于BP神经网络与ELM的眼睑状态检测系统 - MATLAB实现

资 源 简 介

该MATLAB项目利用BP神经网络和极限学习机（ELM）实现眼睑张闭状态分类。提供完整流程，包括数据预处理、模型训练和预测，附带可运行眼部图像数据集，便于用户直接进行实验与应用。

详 情 说 明

基于BP神经网络与ELM的眼睑状态检测系统

项目介绍

本项目利用BP神经网络与极限学习机（ELM）两种算法，实现了对眼部张闭状态的自动识别与分类。系统包含完整的数据预处理、模型训练、状态预测及性能评估流程，并提供可直接使用的眼部图像数据集，便于用户快速进行模型训练与测试。

功能特性

• 双算法支持：集成BP神经网络与ELM两种机器学习算法进行眼睑状态分类。
• 端到端流程：覆盖从图像预处理、特征提取到模型训练、预测与评估的全过程。
• 标准化预处理：自动将输入图像转换为灰度图，进行尺寸标准化，并提取HOG特征。
• 详细评估报告：提供准确率、召回率、混淆矩阵等多种性能指标。
• 用户友好：提供预配置数据集与可直接运行的代码，开箱即用。

使用方法

1. 准备数据：将眼部图像（JPEG或PNG格式）按张开/闭合状态分类存放于指定目录。
2. 数据预处理：运行预处理脚本，系统将自动完成图像灰度化、尺寸调整及HOG特征提取。
3. 模型训练：执行训练脚本，可选择BP神经网络或ELM算法进行模型训练，并获得权重参数。
4. 状态预测：使用训练好的模型对测试图像进行预测，输出张闭分类结果及概率。
5. 性能评估：生成模型在测试集上的性能评估报告，包括关键指标与混淆矩阵。

系统要求

• 操作系统：Windows / Linux / macOS
• 软件环境：MATLAB (推荐 R2018a 或更高版本)
• 依赖工具包：Image Processing Toolbox, Statistics and Machine Learning Toolbox

文件说明

主程序文件作为项目入口，承担了核心调度与执行功能。其主要实现了完整的图像数据加载与预处理流程，集成了特征提取模块，能够调用并配置两种机器学习算法进行模型训练与参数优化。同时，该文件负责执行模型预测任务，生成对测试图像的分类结果与概率输出，并完成最终的性能评估与可视化报告生成。