"""
背景介绍：光电容积脉搏波（Photoplethysmography，PPG）是一种适宜在日常生活环境下进行生理信号采集的手段。该技术利用光电信号感知血液容积的变化，
并通过算法从中提取心率、心率变异性、血氧饱和度等人体医学信号，是一种无创检测技术。data.txt中的数据为某人的光电容积脉搏波（PPG）信号的采样值，请按照以下要求进行系统设计：
1. 首先从采集到的PPG信号文件中导入数据。
2. 计算所采集到的全部数据的持续时间并告知用户，然后用户可以任意指定某个时间段进行心率分析。
1） 分析该时间段内所有完整心跳周期的平均心率并打印出来，单位为次/分，精确到小数点后1位。
2） 绘制出所分析数据的图形，包括原始波形和进行均值滤波之后的波形，作为两个子图放在同一幅图中；在进行均值滤波之后的波形图中找出所分析时间段内全部PPG信号的完整周期，
    即在波峰或波谷处用明显的标识标出。图片效果如下所示（标出波峰或波谷其中之一即可）：

"""

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal #滤波等
filter_window_size = 7  # 滤波窗口大小


print("请输入某个时间段(1-9349)：")
start_point = int(input("请输入起始时间段:"))
end_point = int(input("请输入结束时间段:"))

dpi = 200


def get_data():
    with open('data.txt', 'r') as f:
        raw_list = f.readlines()
        raw_list = raw_list[start_point:end_point]
        raw_list = [int(item.strip()) for item in raw_list]

    filter_window = []
    smooth_list = []
    for item in raw_list:
        if len(filter_window) < filter_window_size:
            filter_window.append(item)
        else:
            smooth_data = np.mean(filter_window)
            smooth_list.append(smooth_data)
            filter_window.pop(0)
            filter_window.append(item)

    # print(raw_list)
    # print(smooth_list)
    # print(filter_window)
    return raw_list, smooth_list


# 寻找波峰
def get_fengzhifenggu(data_list):
    size = 10
    max_list = []
    min_list = []
    wu_cha = 1
    for i in range(0, len(data_list) - size + 1):
        if data_list[i+wu_cha] == max(data_list[i:i+size]):
            max_list.append(i)
        if data_list[i+wu_cha] == min(data_list[i:i+size]):
            min_list.append(i)
    return max_list, min_list


raw_list, smooth_list = get_data()
max_list, min_list = get_fengzhifenggu(smooth_list)

y = [smooth_list[item] for item in max_list]
plt.figure(dpi=dpi)
plt.subplot(211)
plt.plot(range(len(raw_list)), raw_list)
plt.subplot(212)
plt.plot(range(len(smooth_list)), smooth_list)
plt.scatter(max_list, y, color='r', marker='*', s=20)
plt.show()


avg = []
for i in range(0, len(max_list)-1):
    avg.append(max_list[i+1] - max_list[i])
print(40 * 60 / np.mean(avg))