CN105640500A - 基于独立分量分析的扫视信号特征提取方法和识别方法 - Google Patents
基于独立分量分析的扫视信号特征提取方法和识别方法 Download PDFInfo
- Publication number
- CN105640500A CN105640500A CN201510975646.6A CN201510975646A CN105640500A CN 105640500 A CN105640500 A CN 105640500A CN 201510975646 A CN201510975646 A CN 201510975646A CN 105640500 A CN105640500 A CN 105640500A
- Authority
- CN
- China
- Prior art keywords
- pan
- ica
- signal
- electrode
- experimenter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Ophthalmology & Optometry (AREA)
- Eye Examination Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于独立分量分析的扫视信号特征提取方法,采集6导联扫视眼电信号并对其进行带通滤波处理,将滤波后的数据使用ICA方法建立对应不同扫视任务背景下的空域滤波器组后,进行线性投影,获取扫视信号的空域特征参数。本发明还公开了一种基于独立分量分析的扫视信号特征提取方法的识别方法,对眼动数据库中每个实验样本建立ICA空域滤波器组,提取特征参数,结合支持向量机进行交叉验证,确定最优ICA滤波器组及SVM模型参数;使用最优ICA空域滤波器组进行滤波后送入SVM分类器中进行识别。本发明的一种基于独立分量分析的扫视信号特征提取方法与识别方法,具有识别正确率更高、扩展性更强、应用前景良好等优点。
Description
技术领域
本发明涉及一种基于独立分量分析的扫视信号特征提取方法和识别方法。
背景技术
人在进行特定活动时所引发的眼动模式在很大程度上能够揭示其行为状态,如:阅读、写作、休息等,而这种眼动模式可以通过对眼球运动情况的跟踪来获取,因此基于眼动信息的人体行为识别(HumanActivityRecognition,HAR)算法的设计与实现已经成为新的研究热点。
现阶段,采用视频的手段记录眼动信号已经得到广泛的应用,但基于视频的眼动跟踪***,尤其是可穿戴式眼动跟踪***价格昂贵、体积较大且笨重,同时在***功耗与结果的实时分析上也不尽如人意。眼电图(Electro-oculogram,EOG)作为一种低成本的眼动信号测量技术,相比较传统视频手段,不仅测量更为精确,同时其采集设备也具有重量轻、便于长时间记录、更易实现可穿戴式设计等优点。因此,使用EOG替代传统的视频方法进行HAR***设计具有重要的研究价值。
EOG-HAR***是指将EOG信号作为被观测对象,通过对其分析与识别,获取被观测对象的动作类型、行为模式等信息。在***实现过程中,扫视EOG信号的检测与分析是最为关键的一步,为此,研究者们做出大量的研究。其中,Clement提出利用原始EOG信号的可视角度进行眼动信号的端点检测与识别;Aungsakun和Soltani等人利用眼球转动时所对应的EOG信号变化较快的特点提取扫视信号的特征参数;另外,Vidal和Bulling也都提到了使用扫视信号的统计和时域特征进行识别的思路。上述检测方法虽然取得了一定的成功,但这类方法主要关注的是单个导联眼动信号的分析,其分析过程仅考虑了单导联信号的变化而忽视了导联间的关联信息,难以保证扫视信号的识别正确率;另外,当眼动信号的类型增多时,上述方法难以有效识别,甚至出现无法识别的情况。
发明内容
本发明所要解决的技术问题是提供一种基于独立分量分析的扫视信号特征提取方法和识别方法,识别正确率更高、扩展性更强、应用前景良好。
为了解决上述技术问题,本发明采用如下技术方案:一种基于独立分量分析的扫视信号特征提取方法,其特征在于,包括如下步骤:
步骤1、多导联扫视信号采集与预处理:使用8个生物电极获取受试者上、下、左、右扫视时带有数据标签的6导联眼电信号;并将原始多导联眼电信号使用带通滤波器进行滤波,以去除噪声干扰;
步骤2、ICA空域滤波器设计:使用单次实验数据yi(i=1,…,N)进行ICA分析,并根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,建立对应不同扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);
步骤3、特征生成:指使用步骤(2)所生成的ICA空域滤波器组{Dli,Dri,Dui,Ddi}对原始6导联扫视信号进行线性投影,以生成对应任务背景下的扫视信号空域特征参数。
作为上述方案的进一步优化,所述多导联扫视信号采集电极的安装位置为:
(A1)、使用2个电极采集垂直扫视信号,一个电极安放于受试者左眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者左眼眼球正中心下方2.3-2.7cm处;或者一个电极安放于受试者右眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者右眼眼球正中心下方2.3-2.7cm处;
(A2)、使用2个电极采集水平扫视信号,一个电极安放于受试者的左眼眼球水平中心点左方3.3-3.7cm处;一个电极安放于受试者的右眼眼球水平中心点右方3.3-3.7cm处;
(A3)、使用2个辅助电极,一个辅助电极安放于受试者左眼眼球右侧正上方4.8-5.2cm处;一个辅助电极安放于受试者右眼眼球左侧正上方4.8-5.2cm处;
(A4)、使用1个参考电极,参考电极安放于受试者左耳后乳凸处;
(A5)、使用1个接地电极,接地电极安放于受试者右耳后乳凸处。
作为上述方案的进一步优化,数据预处理过程中,用于进行带通滤波步骤的带通滤波器的截止频率为0.5-8.5Hz。
作为上述方案的进一步优化,所述设计ICA空域滤波器包括如下步骤:
(B1)、从EOG数据库中随机选择一组单次扫视数据yi(i=1,…,N)进行ICA分析,得到6×6的混合矩阵M和分离矩阵D;
(B2)、根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,得到分别对应于左、右、上、下扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}。
作为上述方案的进一步优化,对步骤(B1)中分离矩阵D的学习方法包括如下步骤:
(C1)、以信息极大准则为独立性度量依据,使用自然梯度法,对分离矩阵D进行迭代处理,迭代公式参见公式(1):
ΔDT∝{I-E[s]}DT(1)
公式(1)中,I为单位矩阵,E[·]为均值运算,s为所估计的扫视信号的源信号的统计量,统计量s与扫视信号的源信号的关系为:
公式(2)中,T表示概率模型切换矩阵,其对角线上元素的取值来自于对扫视信号的源信号峭度符号的动态估计,为所估计的扫视信号的源信号;
(C2)、对扫视信号的源信号进行方差归一化处理,如公式(3):
(C3)、在式(3)的基础上,对混合矩阵M与分离矩阵D系数进行调整,如公式(4):
DT=M-1
公式(3)、(4)中,为的标准差,diag(·)表示将运算转化为对角矩阵。
作为上述方案的进一步优化,所述自动选择扫视相关独立分量,包括如下步骤:
(D1)、对步骤B1中的混合矩阵M取绝对值,即|M|,并逐列搜索|M|中每列列向量中元素的最大值,记录其所在列的下标和对应的电极号;
(D2)、分别选择在2个垂直扫视电极与2个水平扫视电极处4个导联位置具有最大绝对值元素的4个列向量,记录其对应的列序号;
(D3)、若矩阵|M|不同时包含步骤D2中所描述的4个列向量,则放弃基于该单次ICA滤波器设计,否则,转入步骤D4;
(D4)、根据所得列序号,在分离矩阵D中分别找到相应的列,构成4类对应于左、右、上、下扫视任务背景下的ICA空域滤波器组:{Dli,Dri,Dui,Ddi},(i=1,…,N)。
作为上述方案的进一步优化,步骤3中空域滤波方法如下:
使用ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N)对所有原始扫视眼电数据yj(j=1,…,N)进行空域滤波,如公式(7):
公式(7)中,xlj,xrj,xuj,xdj分别表示该单次扫视眼电数据yj空域滤波后的结果,即所提取的扫视信号特征参数。
一种基于独立分量分析的扫视信号特征提取方法的识别方法,包括如下步骤:
步骤S1:数据采集:分别采集受试者左、右、上、下扫视时的6导联标签EOG数据,并对其进行带通滤波处理;
步骤S2:最优ICA空域滤波器组设计:包括以下步骤:
(E1)、使用单次实验数据yi(i=1,…,N)(第i个单次实验数据)设计线性ICA空域滤波器,根据独立分量在采集电极上的映射模式,自动选择扫视相关独立分量,获得对应于左、右、上、下扫视动作的ICA滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);
(E2)、随机将所有样本数据均分成5组,任意选择其中一组作为测试样本集,剩余的4组则作为训练样本集,对所有训练样本使用步骤E1中所得到的ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,将线性投影后的结果作为其特征参数送入支持向量机(SVM)中进行训练;对测试样本,同样使用上述ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,并将投影后结果作为特征参数送入到已经训练好的SVM分类器中进行识别;对上述步骤重复执行10遍,并将每次的实验结果进行平均,最终得到在该ICA滤波器组{Dli,Dri,Dui,Ddi}下不同扫视信号的平均识别正确率;
(E3)、对扫视数据库中所有的数据样本重复步骤E1与步骤E2,得到N个ICA滤波器组及相应的平均识别正确率,挑选出最高平均识别率所对应的ICA滤波器组{Dl,Dr,Du,Dd}作为最优空域滤波器;
步骤S3:扫视信号的识别:对待识别的实验数据,预处理后,通过最优空域滤波器组{Dl,Dr,Du,Dd}进行空域滤波以获取特征参数,并将该特征参数送入步骤E2中所训练的SVM模型进行识别,以得到本次实验的眼动类型。
与已有技术相比,本发明的一种基于独立分量分析的扫视信号特征提取方法与识别方法,具有识别正确率更高、扩展性更强、应用前景良好等优点。本发明的有益效果具体体现在以下几个方面的特点。
1、本发明对扫视信号具有更高的识别正确率:本发明能够从多导EOG信号中分离出多个“真实”的扫视相关独立成分,因此能更准确地描述眼动相关独立源的真实情况,同时能够有效抑制与眼动信号无关的分量及外部噪声的干扰,获得了较高的识别正确率。
2、本发明在眼动类型的识别上具有较强的扩展能力:本发明虽然只给出了四类扫视信号的特征提取与识别方法,但ICA空域滤波方法对输入信号的导联数没有限制,因此,本发明所提方法具有较强的分类扩展能力,可以进行更多眼动类型的特征提取与识别,有效提高了算法的实际应用价值。
3、本发明具有良好的应用前景:本发明以提高EOG-HAR***性能主目标,主要解决了***实现过程中扫视信号的识别问题。由于EOG-HAR***能够主动感知用户意图,因此在智能视频监控、医疗诊断、运动分析及人-机交互等领域具有广泛的应用前景。另外,本发明对有效提高常规基于EOG的人-机交互***性能,帮助一些身体有残疾且不能自主运动的人群提升生活质量也具有重要的意义。
附图说明
图1为扫视信号的生成过程示意图。
图2为本发明的算法流程图。
图3-1、图3-2和图3-3为本发明眼动信号采集过程中电极分布图。
图4为本发明的眼动信号采集过程中观测目标与受试者的相对位置示意图。
图5为本发明的单次实验范式示意图。
图6-1—图6-8为训练一个眼动数据所得的不同扫视任务下M和D系数图。
图7为ICA滤波器训练与测试数据均来自同一受试者时的识别正确率。
图8为ICA滤波器训练与测试数据分别来自不同受试者时的识别正确率。
具体实施方式
下面结合附图对本发明作进一步描述:
一种基于独立分量分析(IndependentComponentAnalysis:ICA)的扫视信号特征提取方法,包括如下步骤:
步骤1、多导联扫视信号采集与预处理:使用8个生物电极获取受试者上、下、左、右扫视时带有数据标签的6导联眼电信号;并将原始多导联眼电信号使用带通滤波器进行滤波,以去除噪声干扰;优化的,数据预处理过程中,用于进行带通滤波步骤的带通滤波器的截止频率为0.5-8.5Hz。
步骤2、ICA空域滤波器设计:使用单次实验数据yi(i=1,…,N)进行ICA分析,并根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,建立对应不同扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);;
步骤3、特征生成:指使用步骤(2)所生成的ICA空域滤波器组{Dli,Dri,Dui,Ddi}对原始6导联扫视信号进行线性投影,以生成对应任务背景下的扫视信号空域特征参数。
其中,多导联扫视信号采集电极的安装位置为:
(A1)、使用2个电极采集垂直扫视信号,一个电极安放于受试者左眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者左眼眼球正中心下方2.3-2.7cm处;或者一个电极安放于受试者右眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者右眼眼球正中心下方2.3-2.7cm处;
(A2)、使用2个电极采集水平扫视信号,一个电极安放于受试者的左眼眼球水平中心点左方3.3-3.7cm处;一个电极安放于受试者的右眼眼球水平中心点右方3.3-3.7cm处;
(A3)、使用2个辅助电极,一个辅助电极安放于受试者左眼眼球右侧正上方4.8-5.2cm处;一个辅助电极安放于受试者右眼眼球左侧正上方4.8-5.2cm处;
(A4)、使用1个参考电极,参考电极安放于受试者左耳后乳凸处;
(A5)、使用1个接地电极,接地电极安放于受试者右耳后乳凸处。
本发明中,在进行ICA运算时选择垂直、水平与辅助6个电极所采集到的EOG数据作为分析对象,且每次采集时对数据均加入对应的标签信息。
步骤2中,设计ICA空域滤波器,使用ICA方法建立对应扫视任务背景下的空域滤波器组,包括如下步骤:
(B1)、从EOG数据库中随机选择一组单次扫视数据yi(i=1,…,N)进行ICA分析,得到6×6的混合矩阵M和分离矩阵D;
(B2)、根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,得到分别对应于左、右、上、下扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}。
混合矩阵M与分离矩阵D的定义如下:
若y(t)=[y1(t),…,yn(t)]T为n导联原始EOG观测信号,该信号定义为n个扫视相关的相互独立隐含“源”x(t)=[x1(t),…,xn(t)]T线性瞬时混合而成,即
y(t)=Mx(t)(5)
公式(5)中M表示混合矩阵。
与公式(5)的混合模型对应的是分解模型,参见公式(6):
公式(6)中D表示分离矩阵。
本发明中,对混合矩阵M与分离矩阵D进行下述处理:
(C1)、以信息极大准则为独立性度量依据,使用自然梯度法,对分离矩阵D进行迭代处理,迭代公式参见公式(1):
ΔDT∝{I-E[s]}DT(1)
公式(1)中,I为单位矩阵,E[·]为均值运算,s为所估计的扫视信号的源信号的统计量,统计量s与扫视信号的源信号的关系为:
公式(2)中,T表示概率模型切换矩阵,其对角线上元素的取值来自于对扫视信号的源信号峭度符号的动态估计,为所估计的扫视信号的源信号;
(C2)、对扫视信号的源信号进行方差归一化处理,如公式(3):
(C3)、在式(3)的基础上,对混合矩阵M与分离矩阵D系数进行调整,如公式(4):
DT=M-1
公式(3)、(4)中,为的标准差,diag(·)表示将运算转化为对角矩阵。
其中,扫视相关独立分量的自动选择方法,包括如下步骤:
(D1)、对步骤B1中的混合矩阵M取绝对值,即|M|,并逐列搜索|M|中每列列向量中元素的最大值,记录其所在列的下标和对应的电极号;
(D2)、分别选择在2个垂直扫视电极与2个水平扫视电极处4个导联位置具有最大绝对值元素的4个列向量,记录其对应的列序号;
(D3)、若矩阵|M|不同时包含步骤D2中所描述的4个列向量,则放弃基于该单次ICA滤波器设计,否则,转入步骤D4;
(D4)、根据所得列序号,在分离矩阵D中分别找到相应的列,构成4类对应于左、右、上、下扫视任务背景下的ICA空域滤波器组:{Dli,Dri,Dui,Ddi},(i=1,…,N)。
使用ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N)对所有原始扫视眼电数据yj(j=1,…,N)进行空域滤波,如公式(7):
公式(7)中,xlj,xrj,xuj,xdj分别表示该单次扫视眼电数据yj空域滤波后的结果,即所提取的扫视信号特征参数。
基于本发明的一种基于独立分量分析的扫视信号特征提取方法,本发明还公开了一种基于独立分量分析的扫视信号的识别方法,包括如下步骤:
步骤S1:数据采集:分别采集受试者左、右、上、下扫视时的6个导联标签EOG数据,并对其进行带通滤波处理;
步骤S2:最优ICA空域滤波器组设计:包括以下步骤:
(E1)、使用单次实验数据yi(i=1,…,N)(第i个单次实验数据)设计线性ICA空域滤波器,根据独立分量在采集电极上的映射模式,自动选择扫视相关独立分量,获得对应于左、右、上、下扫视动作的ICA滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);
(E2)、随机将所有样本数据均分成5组,任意选择其中一组作为测试样本集,剩余的4组则作为训练样本集,对所有训练样本使用步骤E1中所得到的ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,将线性投影后的结果作为其特征参数送入支持向量机SVM中进行训练;对测试样本,同样使用上述ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,并将投影后结果作为特征参数送入到已经训练好的SVM分类器中进行识别;对上述步骤重复执行10遍,并将每次的实验结果进行平均,最终得到在该ICA滤波器组{Dli,Dri,Dui,Ddi}下不同扫视信号的平均识别正确率;
(E3)、对扫视数据库中所有的数据样本重复步骤E1与步骤E2,得到N个ICA滤波器组及相应的平均识别正确率,挑选出最高平均识别率所对应的ICA滤波器组{Dl,Dr,Du,Dd}作为最优空域滤波器;
步骤S3:扫视信号的识别:对待识别的实验数据,预处理后,通过最优空域滤波器组{Dl,Dr,Du,Dd}进行空域滤波以获取特征参数,并将该特征参数送入步骤E2中所训练的SVM模型进行识别,以得到本次实验的眼动类型。
参见图1,图1为扫视信号的生成过程示意图。说明了本实施例中阅读时引发的EOG波形。阅读状态时EOG波形,左、右两个不同电极所采集到的EOG波形,分别参见图1中的左侧电极信号幅度和右侧电极信号幅度,图中,左侧电极信号幅度和右侧电极信号幅度有着明确的对应关系。眼电信号是指人由于眼睛的运动而引发的眼睛角膜与视网膜之间的电势差引起的。该电势由视网膜色素上皮和光感受器细胞发起,其正极位于光感受器端,负极位于视网膜色素上皮端,所产生的电流从视网膜端流向了角膜端,从而形成一个角膜为正极,视网膜为负极的电势。当人眼球运动时,眼电信号的幅值会随着眼球的运动而不断发生变化,我们将这种变化的电势绘制到时间轴上则可以构成一条曲线,这条曲线就称之为眼电图。人在进行某种行为时,人眼会呈现出不同的运动规律,以阅读为例,人在阅读过程中双眼会在感兴趣的文字中不断移动以获取新的信息,这一过程中“扫视”作为出现频率最高、包含人体行为信息最丰富的一种基本眼动类型,其识别的准确性已经成为HAR***性能的主要决定因素,因此本发明主要用以解决扫视EOG信号的识别正确率。
参见图2,图2为本发明的算法流程图。说明了本实施例中扫视信号的特征提取与识别框图。具体实施中,主要包括以下几个步骤:
1)采集多导联标签EOG数据并进行带通滤波处理;2)使用单次实验数据yi(i=1,…,N)(第i个单次实验数据)设计线性ICA空域滤波器,根据独立分量在采集电极上的映射模式,自动选择扫视相关独立分量,获得对应于左、右、上、下扫视动作的ICA滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);3)随机将所有样本数据均分成5组,任意选择其中一组作为测试样本集,剩余的4组则作为训练样本集。对所有训练样本使用步骤2中所得到的ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,将线性投影后的结果作为其特征参数送入支持向量机(SVM)中进行训练;对测试样本,同样使用上述ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,并将投影后结果作为特征参数送入到已经训练好的SVM分类器中进行识别。对上述步骤重复执行10遍,并将每次的实验结果进行平均,最终得到在该ICA滤波器组{Dli,Dri,Dui,Ddi}下不同扫视信号的平均识别正确率。4)对扫视数据库中所有的数据样本重复步骤2与步骤3,可以得到N个ICA滤波器组及相应的平均识别正确率,挑选出最高平均识别率所对应的ICA滤波器组{Dl,Dr,Du,Dd}作为最优空域滤波器。5)对待识别的实验数据,预处理后通过最优空域滤波器组{Dl,Dr,Du,Dd}进行空域滤波以获取特征参数,并将该特征参数送入步骤3中所训练的SVM模型进行识别,以得到本次实验的眼动类型。
参见图3,图3-1、图3-2和图3-3为本发明的眼动信号采集过程中电极分布图。说明了本实施例中眼动信号采集过程中电极分布。眼电信号的采集使用Ag/AgCl电极。为了获取受试者左、右、上、下四个方向的眼动信息以及更多的空间位置信息,本发明共使用了8个电极,其中,电极V1和电极V2分别对应安放于受试者左眼眼球正中心上方和下方各约2.5cm处,用以采集垂直眼动信号;电极H1和电极H2分别对应安放于受试者左眼眼球水平中心点左方与右眼眼球右方各约3cm处,用以采集水平眼动信号;辅助电极A1与A2分别安放于受试者左眼眼球右侧正上方约5cm与右眼眼球左侧正上方约5cm处;参考电极C1安放于左耳后乳凸处;接地电极G位于右耳后乳凸处。
参见图4,图4为本发明的眼动信号采集过程中观测目标与受试者的相对位置示意图。说明了本实施例中眼动信号采集过程中观测目标与受试者的相对位置。在具体实施过程中,受试者都坐在一张手扶椅上,其前方约2米处分别设置了上、下、左、右四个方向的观测目标且距离受试者视觉中心点(O)均是1.5米。
参见图5,图5为本发明的单次实验范式示意图。图5说明了本实施例中单次实验范式的具体过程。在实验开始时,首先在屏幕上出现一个“开始”字符,并伴随着一个20ms长的声音刺激,1秒种后受试者在屏幕上可以看到一个红色箭头提示(分别为:向上箭头、向下箭头、向左箭头与向右箭头),箭头在屏幕上持续出现时间为3秒,在这一时间内,实验要求受试者在看到箭头后向箭头指示方向转动眼球,在看到观测点后转回到中心点,在这一过程中受试者不能眨眼。之后,会有一个2秒的短暂休息,受试者可以眨眼、放松。
参见图6-1—图6-8,图6-1—图6-8为训练一个眼动数据所得的不同扫视任务下M和D系数图。图6-1—图6-8说明了本实施例中使用上述方法所采集到训练一个扫视数据所得的不同扫视任务下混合矩阵M与分离矩阵D系数图。可以看出,当受试者进行左扫视时,眼球运动对第1导联(H2位置)影响最大,因此其对应位置的混合矩阵系数最大;同理,右扫视时,第2导联(H1位置)系数最大;上扫视时,第5导联(V1位置)系数最大;下扫视时,第6导联(V2位置)系数最大。这一结果说明所求得的空域滤波器可以使我们所要分类的4类扫视信号区别达到最大化。
参见图7,图7为ICA滤波器训练与测试数据均来自同一受试者时的识别正确率。说明了本实施例中ICA滤波器训练与测试数据均来自同一受试者时的识别正确率。其中,横坐标1-10分别对应10位不同的受试者,纵坐标表示识别正确率。可以看出,在该实验条件下,最高识别正确率达到了100%,最低为97.5%,统计后发现,所有受试者总的平均识别率达到了99.3%。这一结果说明本发明所提基于ICA的扫视信号特征提取与识别方法能够从多导EOG信号中分离出多个“真实”的眼动相关独立成分,因此能更准确地描述眼动相关独立源的真实情况,获得了较为理想的识别正确率。
参见图8,图8为ICA滤波器训练与测试数据分别来自不同受试者时的识别正确率。说明了本实施例中ICA滤波器训练与测试数据分别来自不同受试者时的识别正确率。其中,横坐标表示用来训练ICA滤波器的受试者索引,纵坐标表示该位受试者所训练的ICA滤波器对其它受试者的测试结果。统计后发现,在该实验条件下,所有受试者总的平均识别率达到了94.2%。相比较图7的平均正确率,该实验条件下下降了5.1%。产生这一结果主要由以下两个方面的因素引起:1)从受试者自身特点来说,不同受试者眼动相关独立成分的位置可能会有所差异,同时,在数据采集过程中,不同受试者会在扫视速度、持续时间、扫视角度等方面也存在差异,这种差异将会使得所采集到的EOG信号各不相同,因此,不同受试者间ICA滤波器会存在一定程度的区别,从而导致识别率下降;2)从眼动相关独立成分分布来看,不同受试者在电极安装位置上必然会存在一些差别,而这些差别将会使得眼动相关独立成分对在同一部位安装的电极所产生的影响也各不相同,即不同受试者间混合矩阵M的系数存在较大差异,这也会导致识别率有所下降。
以上只是本发明的一种实施方式。应当指出,对于本领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干变形和改进。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
应当理解本文所述的例子和实施方式仅为了说明,本领域技术人员可根据它做出各种修改或变化,在不脱离本发明精神实质的情况下,都属于本发明的保护范围。
Claims (8)
1.一种基于独立分量分析的扫视信号特征提取方法,其特征在于,包括如下步骤:
步骤1、多导联扫视信号采集与预处理:使用8个生物电极获取受试者上、下、左、右扫视时带有数据标签的6导联眼电信号;并将原始多导联眼电信号使用带通滤波器进行滤波,以去除噪声干扰;
步骤2、ICA空域滤波器设计:使用单次实验数据yi(i=1,…,N)进行ICA分析,并根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,建立对应不同扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);
步骤3、特征生成:指使用步骤(2)所生成的ICA空域滤波器组{Dli,Dri,Dui,Ddi}对原始6导联扫视信号进行线性投影,以生成对应任务背景下的扫视信号空域特征参数。
2.根据权利要求1所述的基于独立分量分析的扫视信号特征提取方法,其特征在于:所述多导联扫视信号采集电极的安装位置为:
(A1)、使用2个电极采集垂直扫视信号,一个电极安放于受试者左眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者左眼眼球正中心下方2.3-2.7cm处;或者一个电极安放于受试者右眼眼球正中心上方2.3-2.7cm处,另一个电极安放于受试者右眼眼球正中心下方2.3-2.7cm处;
(A2)、使用2个电极采集水平扫视信号,一个电极安放于受试者的左眼眼球水平中心点左方3.3-3.7cm处;一个电极安放于受试者的右眼眼球水平中心点右方3.3-3.7cm处;
(A3)、使用2个辅助电极,一个辅助电极安放于受试者左眼眼球右侧正上方4.8-5.2cm处;一个辅助电极安放于受试者右眼眼球左侧正上方4.8-5.2cm处;
(A4)、使用1个参考电极,参考电极安放于受试者左耳后乳凸处;
(A5)、使用1个接地电极,接地电极安放于受试者右耳后乳凸处。
3.根据权利要求1所述的基于独立分量分析的扫视信号特征提取方法,其特征在于:数据预处理过程中,用于进行带通滤波步骤的带通滤波器截止频率为0.5-8.5Hz。
4.根据权利要求1所述的基于独立分量分析的扫视信号特征提取方法,其特征在于:所述设计ICA空域滤波器包括如下步骤:
(B1)、从EOG数据库中随机选择一组单次扫视数据yi(i=1,…,N)进行ICA分析,得到6×6的混合矩阵M和分离矩阵D;
(B2)、根据独立成份在采集电极的映射模式,自动选择扫视相关独立分量和对应的ICA滤波器,得到分别对应于左、右、上、下扫视任务背景下的ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N)。
5.根据权利要求4所述的基于独立分量分析的扫视信号特征提取方法,其特征在于:对步骤(B1)中分离矩阵D的学习方法包括如下步骤:
(C1)、以信息极大准则为独立性度量依据,使用自然梯度法,对分离矩阵D进行迭代处理,迭代公式参见公式(1):
ΔDT∝{I-E[s]}DT(1)
公式(1)中,I为单位矩阵,E[·]为均值运算,s为所估计的扫视信号的源信号的统计量,统计量s与扫视信号的源信号的关系为:
公式(2)中,T表示概率模型切换矩阵,其对角线上元素的取值来自于对扫视信号的源信号峭度符号的动态估计,为所估计的扫视信号的源信号;
(C2)、对扫视信号的源信号进行方差归一化处理,如公式(3):
(C3)、在式(3)的基础上,对混合矩阵M与分离矩阵D系数进行调整,
如公式(4):
6.根据权利要求5所述的基于独立分量分析的扫视信号特征提取方法,其特征在于:所述自动选择扫视相关独立分量,包括如下步骤:
(D1)、对步骤B1中的混合矩阵M取绝对值,即|M|,并逐列搜索|M|中每列列向量中元素的最大值,记录其所在列的下标和对应的电极号;
(D2)、分别选择在2个垂直扫视电极与2个水平扫视电极处4个导联位置具有最大绝对值元素的4个列向量,记录其对应的列序号;
(D3)、若矩阵|M|不同时包含步骤D2中所描述的4个列向量,则放弃基于该单次ICA滤波器设计,否则,转入步骤D4;
(D4)、根据所得列序号,在分离矩阵D中分别找到相应的列,构成4类对应于左、右、上、下扫视任务背景下的ICA空域滤波器组:{Dli,Dri,Dui,Ddi},(i=1,…,N)。
7.根据权利要求4所述的基于独立分量分析的扫视信号特征提取方法,其特征在于,权利要求1步骤3中空域滤波方法如下:
使用ICA空域滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N)对所有原始扫视眼电数据yj(j=1,…,N)进行空域滤波,如公式(7):
公式(7)中,xlj,xrj,xuj,xdj分别表示该单次扫视眼电数据yj空域滤波后的结果,即所提取的扫视信号特征参数。
8.基于权利要求1-7任一所述的基于独立分量分析的扫视信号特征提取方法的识别方法,其特征在于,包括如下步骤:
步骤S1:数据采集:分别采集受试者左、右、上、下扫视时的6个导联EOG数据,并对其进行带通滤波处理;
步骤S2:最优ICA空域滤波器组设计:包括以下步骤:
(E1)、使用单次实验数据yi(i=1,…,N)(第i个单次实验数据)设计线性ICA空域滤波器,根据独立分量在采集电极上的映射模式,自动选择扫视相关独立分量,获得对应于左、右、上、下扫视动作的ICA滤波器组{Dli,Dri,Dui,Ddi}(i=1,…,N);
(E2)、随机将所有样本数据均分成5组,任意选择其中一组作为测试样本集,剩余的4组则作为训练样本集,对所有训练样本使用步骤E1中所得到的ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,将线性投影后的结果作为其特征参数送入支持向量机(SVM)中进行训练;对测试样本,同样使用上述ICA滤波器组{Dli,Dri,Dui,Ddi}进行空域滤波,并将投影后结果作为特征参数送入到已经训练好的SVM分类器中进行识别;对上述步骤重复执行10遍,并将每次的实验结果进行平均,最终得到在该ICA滤波器组{Dli,Dri,Dui,Ddi}下不同扫视信号的平均识别正确率;
(E3)、对扫视数据库中所有的数据样本重复步骤E1与步骤E2,得到N个ICA滤波器组及相应的平均识别正确率,挑选出最高平均识别率所对应的ICA滤波器组{Dl,Dr,Du,Dd}作为最优空域滤波器;
步骤S3:扫视信号的识别:对待识别的实验数据,预处理后,通过最优空域滤波器组{Dl,Dr,Du,Dd}进行空域滤波以获取特征参数,并将该特征参数送入步骤E2中所训练的SVM模型进行识别,以得到本次实验的眼动类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510975646.6A CN105640500A (zh) | 2015-12-21 | 2015-12-21 | 基于独立分量分析的扫视信号特征提取方法和识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510975646.6A CN105640500A (zh) | 2015-12-21 | 2015-12-21 | 基于独立分量分析的扫视信号特征提取方法和识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105640500A true CN105640500A (zh) | 2016-06-08 |
Family
ID=56476685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510975646.6A Pending CN105640500A (zh) | 2015-12-21 | 2015-12-21 | 基于独立分量分析的扫视信号特征提取方法和识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105640500A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491129A (zh) * | 2016-10-10 | 2017-03-15 | 安徽大学 | 一种基于eog的人体行为识别***及方法 |
CN107480635A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种基于双模态分类模型融合的扫视信号识别方法及*** |
CN107480716A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种结合eog和视频的扫视信号识别方法及*** |
CN108319889A (zh) * | 2017-01-18 | 2018-07-24 | 上海诺师信息科技有限公司 | 利用独立分量分析进行emg信号特征提取的方法 |
CN108937968A (zh) * | 2018-06-04 | 2018-12-07 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
CN109413543A (zh) * | 2017-08-15 | 2019-03-01 | 音科有限公司 | 一种源信号提取方法、***和存储介质 |
CN109951762A (zh) * | 2017-12-21 | 2019-06-28 | 音科有限公司 | 一种用于听力设备的源信号提取方法、***和装置 |
CN110298303A (zh) * | 2019-06-27 | 2019-10-01 | 西北工业大学 | 一种基于长短时记忆网络扫视路径学习的人群识别方法 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030032889A1 (en) * | 2001-06-18 | 2003-02-13 | Neurometrix, Inc. | Method and apparatus for identifying constituent signal components from a plurality of evoked physiological composite signals |
CN1883384A (zh) * | 2006-06-22 | 2006-12-27 | 复旦大学 | 一种脑电信号伪迹成分的自动识别和去除方法 |
CN100998503A (zh) * | 2006-12-28 | 2007-07-18 | 山东大学 | 自动识别与消除脑电信号中眼动干扰的方法 |
CN101599127A (zh) * | 2009-06-26 | 2009-12-09 | 安徽大学 | 眼电信号的特征提取与识别方法 |
CN102496159A (zh) * | 2011-12-01 | 2012-06-13 | 中国科学院自动化研究所 | 一种联合fmri和meg的脑区因果连接检测方法 |
CN103892829A (zh) * | 2014-04-17 | 2014-07-02 | 安徽大学 | 一种基于共同空间模式的眼动信号识别***及其识别方法 |
-
2015
- 2015-12-21 CN CN201510975646.6A patent/CN105640500A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030032889A1 (en) * | 2001-06-18 | 2003-02-13 | Neurometrix, Inc. | Method and apparatus for identifying constituent signal components from a plurality of evoked physiological composite signals |
CN1883384A (zh) * | 2006-06-22 | 2006-12-27 | 复旦大学 | 一种脑电信号伪迹成分的自动识别和去除方法 |
CN100998503A (zh) * | 2006-12-28 | 2007-07-18 | 山东大学 | 自动识别与消除脑电信号中眼动干扰的方法 |
CN101599127A (zh) * | 2009-06-26 | 2009-12-09 | 安徽大学 | 眼电信号的特征提取与识别方法 |
CN102496159A (zh) * | 2011-12-01 | 2012-06-13 | 中国科学院自动化研究所 | 一种联合fmri和meg的脑区因果连接检测方法 |
CN103892829A (zh) * | 2014-04-17 | 2014-07-02 | 安徽大学 | 一种基于共同空间模式的眼动信号识别***及其识别方法 |
Non-Patent Citations (1)
Title |
---|
吴小培等: "运动想象脑-机接口中的ICA滤波器设计", 《生理物理学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106491129A (zh) * | 2016-10-10 | 2017-03-15 | 安徽大学 | 一种基于eog的人体行为识别***及方法 |
CN108319889A (zh) * | 2017-01-18 | 2018-07-24 | 上海诺师信息科技有限公司 | 利用独立分量分析进行emg信号特征提取的方法 |
CN109413543B (zh) * | 2017-08-15 | 2021-01-19 | 音科有限公司 | 一种源信号提取方法、***和存储介质 |
CN107480635A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种基于双模态分类模型融合的扫视信号识别方法及*** |
CN107480716A (zh) * | 2017-08-15 | 2017-12-15 | 安徽大学 | 一种结合eog和视频的扫视信号识别方法及*** |
CN109413543A (zh) * | 2017-08-15 | 2019-03-01 | 音科有限公司 | 一种源信号提取方法、***和存储介质 |
CN107480716B (zh) * | 2017-08-15 | 2021-01-29 | 安徽大学 | 一种结合eog和视频的扫视信号识别方法及*** |
CN107480635B (zh) * | 2017-08-15 | 2020-09-18 | 安徽大学 | 一种基于双模态分类模型融合的扫视信号识别方法及*** |
CN109951762A (zh) * | 2017-12-21 | 2019-06-28 | 音科有限公司 | 一种用于听力设备的源信号提取方法、***和装置 |
CN109951762B (zh) * | 2017-12-21 | 2021-09-03 | 音科有限公司 | 一种用于听力设备的源信号提取方法、***和装置 |
CN108937968A (zh) * | 2018-06-04 | 2018-12-07 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
CN108937968B (zh) * | 2018-06-04 | 2021-11-19 | 安徽大学 | 基于独立分量分析的情感脑电信号的导联选择方法 |
CN110298303A (zh) * | 2019-06-27 | 2019-10-01 | 西北工业大学 | 一种基于长短时记忆网络扫视路径学习的人群识别方法 |
CN110298303B (zh) * | 2019-06-27 | 2022-03-25 | 西北工业大学 | 一种基于长短时记忆网络扫视路径学习的人群识别方法 |
CN110458033A (zh) * | 2019-07-17 | 2019-11-15 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
CN110458033B (zh) * | 2019-07-17 | 2023-01-03 | 哈尔滨工程大学 | 一种基于可穿戴位置传感器的人体行为序列识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105640500A (zh) | 基于独立分量分析的扫视信号特征提取方法和识别方法 | |
CN103892829B (zh) | 一种基于共同空间模式的眼动信号识别***及其识别方法 | |
CN105447475A (zh) | 一种基于独立分量分析的扫视信号样本优化方法 | |
CN110876626B (zh) | 基于多导联脑电最优导联选择的抑郁检测*** | |
CN104461007B (zh) | 一种基于脑电信号的驾驶员辅助人车交互*** | |
CN104504390B (zh) | 一种基于眼动数据的网上用户状态识别方法和装置 | |
CN104503580B (zh) | 一种对稳态视觉诱发电位脑‑机接口目标的识别方法 | |
CN102940490B (zh) | 基于非线性动力学的运动想象脑电信号特征提取方法 | |
CN105894039A (zh) | 情绪识别模型建立方法、情绪识别方法及装置、智能设备 | |
CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
CN103793058A (zh) | 一种主动式脑机交互***运动想象任务分类方法及装置 | |
CN102184019B (zh) | 基于隐性注意的视听联合刺激脑-机接口方法 | |
CN106491129B (zh) | 一种基于eog的人体行为识别***及方法 | |
CN107480716B (zh) | 一种结合eog和视频的扫视信号识别方法及*** | |
CN103019382B (zh) | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 | |
CN106725452A (zh) | 基于情感诱发的脑电信号识别方法 | |
CN1317624C (zh) | 基于瞬态视觉诱发电位提取脑机接口控制信号的方法 | |
CN109255309A (zh) | 面向遥感图像目标检测的脑电与眼动融合方法及装置 | |
CN110037693A (zh) | 一种基于面部表情和eeg的情绪分类方法 | |
CN105700687B (zh) | 基于folding HDCA算法的单试次脑电P300成分检测方法 | |
CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
CN107480635B (zh) | 一种基于双模态分类模型融合的扫视信号识别方法及*** | |
CN107411738A (zh) | 一种基于静息脑电相似性的情绪跨个体识别方法 | |
CN112884063A (zh) | 基于多元时空卷积神经网络的p300信号检测识别方法 | |
CN109144238A (zh) | 一种基于眼电编码的人机交互***及其交互方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |