matlab的峰值函数与偏度函数在眼电数据处理的应用理解

kurtosis峰值函数

峰度反应的是图像的尖锐程度：峰度越大，表现在图像上面是中心点越尖锐。在相同方差的情况下，中间一大部分的值方差都很小，为了达到和正太分布方差相同的目的，必须有一些值离中心点越远，所以这就是所说的“厚尾”，反应的是异常点增多这一现象。
k = kurtosis(X)返回X的样本峰度。
如果X是一个向量，那么峰度(X)返回一个标量值，该值是X中元素的峰度。
如果X是一个矩阵，那么峰度(X)返回一个行向量，其中包含X中每一列的样本峰度。
如果X是一个多维数组，那么峰度(X)沿X的第一个非单维操作。

• 正太分布的峰度是0；
• 当时间序列的曲线峰值比正太分布的高时，峰度大于0，即呈现尖峰分布；
• 当比正太分布的低时，峰度小于0，即呈现峰值比较平坦

skewness偏度函数

偏度能够反应分布的对称情况，右偏（也叫正偏），在图像上表现为数据右边脱了一个长长的尾巴，这时大多数值分布在左侧，有一小部分值分布在右侧。
y = skewness(X)返回X的样本偏度。
如果X是一个向量，那么skewness(X)返回一个标量值，该值是X中元素的偏度。
如果X是一个矩阵，那么skewness(X)返回一个包含X中每一列的样本偏度的行向量。
如果X是一个多维数组，则偏度(X)沿X的第一个非单维操作。

• 对于正太分布，偏度为0;
• 若偏度为正，则x均值左侧的离散度比右侧弱；
• 若偏度为负，则x均值左侧的离散度比右侧强。

与眼电相关

1.为什么要符合正态分布？
有些模型的应用条件就是要求数据满足正态性分布的，比如说：贝叶斯、逻辑回归、KNN、Kmean等设计到概率分布、参数距离比较等，转换为正态分布，模型条件更充足。
其次，正态分布，数据的泛化性高。因为自然界很多事物的概率密度很大是正态分布的。
最后，从目标分布来说，偏态分布会导致label数据的MSE出现误导，或许结果看着很小，但实际结果很大。
判断数据是否服从正态分布的指标：偏度(skewness)和峰度(kurtosis)