高电平占比：窗口内高电平信号的比例上升沿数量：信号从低到高的转换次数下降沿数量：信号从高到低的转换次数最长连续高电平持续时间：窗口内持续高电平的最长时间先验概率：初始假设四种模式等概率出现，即每个模式的先验都是0.25。并且和一般的贝叶斯方法不同的是，在实现过程中认为先验是不需要更新的，也就是在每一次识别时认为每个模式都是等概率出现的，没有转移概率或者历史因素影响
似然概率：基于特征分布参数计算观测到当前特征的概率，其中的分布参数是根据实际捕捉的序列数据来设计的，概率分布模型采用正态分布来近似，需要均值和标准差，统一使用概率密度表达似然结果后验概率：使用贝叶斯公式计算各模式的后验概率，先计算提取的特征在每个模式下的联合似然，基于条件独立假设，可以直接相乘，然后计算后验并归一化可得最终的概率表把逻辑分析仪中的数据导出为csv文件，代码首先实现了 read_sigrok_csv_simple 函数，用于读取
sigrok
class="language-python">def read_sigrok_csv_simple(filename): time_data = []
signal_data = [] with open(filename, 'r', newline='') as csvfile: reader = csv.reader(csvfile) for row in reader: # 跳过注释行和空行 if not row or row[0].startswith(';'): continue # 确保行有两个列 if len(row) >= 2: try: time_val = float(row[0]) data_val = float(row[1]) time_data.append(time_val) signal_data.append(data_val) except ValueError: # 跳过无法转换为数字的行 continue return time_data, signal_data
文件中的时间戳和信号值，返回两个列表分别存储时间数据和信号数据，通过plot输出采样的数据图如下所示：
data-src="https://fastly.jsdelivr.net/gh/bucketio/img0@main/2026/02/17/1771293729251-6f4bcd36-9a3b-40e6-beb1-e25327a680c4.png"
核心实现是 BayesianButtonRecognizer 类，用于实现基于贝叶斯分类的按键模式识别：
class="language-python">class BayesianButtonRecognizer: """基于滑动窗口和贝叶斯更新的按键模式识别器""" def __init__(self, window_size=20, sample_interval=0.01, threshold=0.7): """ 初始化识别器 Args: window_size: 滑动窗口大小 sample_interval: 采样间隔(秒) threshold: 判定阈值 """ self.window_size = window_size self.sample_interval = sample_interval self.threshold = threshold # 滑动窗口存储最近的观测序列 self.window = deque(maxlen=window_size) # 模式类别 self.modes = ['无效', '单击', '双击', '长按'] # 先验概率 - 初始等可能 self.prior = np.array([0.25, 0.25, 0.25, 0.25]) # 特征提取相关的参数(单位:采样点数) self.short_press_max = 15 # 短按最大持续时间 self.long_press_min = 30 # 长按最小持续时间 self.double_click_interval = 10 # 双击间隔阈值 # 初始化特征分布参数(基于物理理解预设) self._init_feature_distributions() # 特征权重 self.featwight={ "无效":np.array([1.2,0.8,0.8,1.2]), "单击":np.array([1,1.2,1.2,1]), "双击":np.array([1,1.2,1.2,0.8]), "长按":np.array([1.2,0.8,0.8,1.2]) }
识别器初始化时设置了各模式下特征的概率分布参数：
class="language-python">def _init_feature_distributions(self): """初始化各模式下特征的概率分布参数""" # 高电平占比的分布参数 self.high_ratio_params = { '无效': 0.05, # 无效时高电平占比很低 '单击': 0.2, # 单击时有短暂高电平 '双击': 0.3, # 双击时高电平占比稍高 '长按': 0.9 # 长按时高电平占比很高 } # 上升沿数量的分布参数 self.rise_count_params = { '无效': 0.1, # 无效时几乎无上升沿 '单击': 1, # 单击时有1个上升沿 '双击': 2, # 双击时有2个上升沿 '长按': 0.7 # 长按有1个上升沿 } # 最长高电平持续时间的分布参数(正态分布:均值,标准差) self.max_duration_params = { '无效': (0, 2), # 无效时持续时间很短 '单击': (0.2, 5), # 单击中等持续时间 '双击': (0.17, 3), # 双击每次按下时间短 '长按': (0.9, 10) # 长按持续时间长 }
从滑动窗口数据中提取特征，其中高电平占比是通过求序列平均值来获得的，然后边沿计数对应了记录序列跳变数量，最长高电平时间通过记录连续高电平时长获取：
class="language-python">def extract_features(self, window_data): """从滑动窗口数据中提取特征""" if len(window_data) == 0: return None data = np.array(window_data) # 特征1: 高电平占比 high_ratio = np.mean(data) # 特征2: 上升沿数量(0->1的变化) rises = 0 for i in range(1, len(data)): if data[i-1] == 0 and data[i] == 1: rises += 1 # 特征3: 下降沿数量(1->0的变化) falls = 0 for i in range(1, len(data)): if data[i-1] == 1 and data[i] == 0: falls += 1 # 特征4: 最长连续高电平持续时间 max_duration = 0 current_duration = 0 for val in data: if val == 1: current_duration += 1 max_duration = max(max_duration, current_duration) else: current_duration = 0 return { 'high_ratio': high_ratio, 'rise_count': rises, 'fall_count': falls, 'max_duration': max_duration }
计算给定模式下观测到特征值的似然概率，即条件概率，通过上面定义的分布参数，使用正态分布近似，在python中通过stats.norm.pdf求特征对应每个模式的似然程度，然后基于条件独立的假设，求解联合似然，表示样本对某一模式的最终似然结果：
class="language-python">def calculate_likelihood(self, features, mode): """计算给定模式下观测到特征值的似然概率""" if features is None: return 1.0 # 无特征时返回中性似然 # 使用概率密度函数计算各特征的似然 likelihoods = [] # 1. 高电平占比的似然 target_ratio = self.high_ratio_params[mode] # 使用正态分布近似, 标准差根据经验设定 like_ratio = stats.norm.pdf(features['high_ratio'], target_ratio, 0.2) likelihoods.append(like_ratio + 1e-10) # 避免零 # 2. 上升沿数量的似然 target_rises = self.rise_count_params[mode] like_rises = stats.norm.pdf(features['rise_count'], target_rises,0.3) likelihoods.append(like_rises + 1e-10) # 3. 下降沿(同上升沿)数量的似然 target_falls = self.rise_count_params[mode] like_falls = stats.norm.pdf(features['fall_count'], target_falls,0.3) likelihoods.append(like_falls + 1e-10) # 4. 最长持续时间的似然(使用正态分布) target_dur, std_dur = self.max_duration_params[mode] target_dur *= self.window_size like_duration = stats.norm.pdf(features['max_duration'], target_dur, std_dur) likelihoods.append(like_duration + 1e-10) # 组合各特征的似然(假设特征条件独立) total_likelihood = np.prod(np.array(likelihoods)) print("特征在mode[%s]的似然："%{mode},likelihoods,"最终联合似然:%. 3f"%total_likelihood) return total_likelihood
class="language-python">def slide_window(self,io_state): # 移除最旧的值 self.window.popleft() # 将新观测值加入滑动窗口 self.window.append(io_state)
计算完样本对每个模式的似然后，就于先验概率相乘，就得到了后验概率，然后归一化得到最终结果，同时使用阈值判定机制，当最大后验超过判定阈值后，才会识别具体模式，否则就是不确定
class="language-python">def update_belief(self, io_state): """根据新观测值更新信念""" # 提取当前窗口的特征 features = self.extract_features(self.window) print("特征提取：",features) # 计算各模式的似然 likelihoods = np.array([self.calculate_likelihood(features, mode) for mode in self.modes]) # 贝叶斯更新: 后验 ∝ 似然 × 先验 unnormalized_posterior = likelihoods * self.prior evidence = np.sum(unnormalized_posterior) if evidence > 0: posterior = unnormalized_posterior / evidence else: posterior = self.prior.copy() # 更新先验(用于下一次迭代) # self.prior = posterior # 判断当前模式 best_mode_idx = np.argmax(posterior) best_prob = posterior[best_mode_idx] print("后验：",posterior) if best_prob > self.threshold: detected_mode = self.modes[best_mode_idx] else: detected_mode = '不确定' return detected_mode, posterior
因为定义了高电平为有效电平，但实际中低电平，或者说下降沿是按键动作的反应，所以处理数据序列时做了相应的取反处理。
class="language-python">if __name__ == "__main__": DeltaT = 0.01
采样间隔 UnitTime = 1e-06
原始数据点的时基 SampleInterval = math.floor(DeltaT / UnitTime) filename = "key_data_20s_all.csv" # 逻辑分析仪导出的数据 recognizer = BayesianButtonRecognizer(window_size=100, threshold=0.8) recognizer.reset() time_data, signal_data = read_sigrok_csv_simple(filename) print(f"成功读取数据，共 {len(time_data)} 个数据点") print(f"时间范围: {time_data[0]}s 到 {time_data[-1]}s") plt.figure(1) sample_data = [] res_data = [] sample_num = math.floor(len(signal_data) / SampleInterval) print("sample size is:",sample_num) for i in range(sample_num-1): sample_data.append(int(not signal_data[SampleInterval*i])) recognizer.slide_window(int(not signal_data [SampleInterval*i])) if i%recognizer.window_size==0: res,postrior=recognizer.update_belief(i) if(res not in["不确定","无效"]): res_data.append(res) print("win[%d]:"%i,res) plt.plot(recognizer.window) plt.show() plt.figure(1) plt.plot(sample_data) plt.show() print(res_data)
data-src="https://fastly.jsdelivr.net/gh/bucketio/img16@main/2026/02/17/1771293783552-374386fd-51ad-4ecc-90cb-c38b2aa5a203.png"
上图是一个无效按键样本序列图，保持无效电平，没有边沿变化。
下图给出了识别的过程和结果：
data-src="https://fastly.jsdelivr.net/gh/bucketio/img13@main/2026/02/17/1771293803151-94e9e91f-21ff-4ccc-995a-e4dee84ed04b.png"
可以看到特征提取的信息是正确的，高电平占比为0，边沿计数为0，最长高电平延时为0，在各个模式的似然列表中，给出了对应的似然结果，同时从列数据对比来看，也可以直接从数值上看出样本特征更偏向哪个模式，最终的后验结果，确实是无效模式的概率最高，即判定窗口中的序列为无效。
单击样本示例：
