锱惠艇—嗽熙姆锋建辍一ELECTRONIC电M子EAs墨毒EN技T寡EcHN。L。GY气誓鑫萼二期
基于EOG的眼动信息提取与分类研究*
王 君 吴小培 吕 钊
(安徽大学计算智能与信号处理教育部重点实验室 合肥230039)
摘要:基于眼电(Electro-oculogram,EOG)的人机交互系统(HCI)是生物电信号处理领域的研究热点之一。在研究
眼动信息的基础上,提出了一种EOG扫视信号特征提取与分类算法,该算法提取扫视信号的线性预测(Linear
PredictiveCoding,LPC)系数,对其作差分运算获取一阶差分线性预测系数,与归一化极值作为组合特征参数,通过神
经网络对样本信号分类。实验室环境下,采用所提该法对来自6名眼部功能均正常的受试者扫视样本分类,平均分类
正确率超过92%。实验
明,该法能准确地描述EOG扫视信号,具有较高实用价值。
关键词:人机交互系统;线性预测系数;归一化极值;神经网络
中图分类号:TN911.7文献标识码:A
Researchoninformationextractionandrecognition
oftheeyemovementsbasedonEOG
WangJunWuXiaopeiLvZhao
(TheKeyLaboratoryofIntelligentComputing&SignalProcessingof。AnhuiUniversity。Hefei230039)
Abstract:Theresearchonhuman-computerinterface(HCI)basedonEoGisahotspotinthefieldofbio-signal
processing.Researchonthebasisofeyemovementsinformation,thispaperpresentsafeatureextractionand
classificationalgorithmbasedonEOGsaccadicsignals,whichextractsthesaccadicsignals’linearpredictivecoding
(LPC)coefficientsandthenextractsfirst-orderdifferentiallinearpredictivecodingcoefficientsandnormalized
extremumasthecharacteristicparameters.Thesamplesignalsareclassifiedbyanartificialneuralnetwork(ANN).
Underthelaboratoryenvironment,thesamples。gotfromsixdifferentsubjectswithnormaleyefunction,areclassified
usingtheproposedalgorithm,theaverageelassifieationaccuracyratereachesmorethan92%.Theresultsshowthat
theproposedalgorithmcandepicttheEoGsaeeadiesignals’featuresaccuratelyandhavepracticaluse.
Keywords:human-computerintedace(HCI);linearpredictivecoding(LPC)coefficientsnormalizedextremum
artificialneuralnetwork(ANN)
O 引 言
调查显示,大部分患有严重运动障碍的残疾人仍可自
由控制眼球运动,若将这些眼动信息有效地提取出来转化
成控制命令操纵计算机或者其他辅助设备则能更好地为残
疾人服务n1]。
本文立足于为基于EOG的人机交互系统服务,主要研
究扫视信号特征提取与分类算法,提出以线性预测系数作
为EoG信号的特征参数,继而提出LPC系数与归一化极
值(对EOG信号进行幅度归一化后求取极大值与极小值,
本文均称之为归一化极值)组合特征以及一阶差分线性预
测(△LPC)系数与归一化极值组合特征下的EOG信号分
类算法。本研究基于实验室条件,对6名不同受试者(简称
受试,下同)分别采集EOG数据,采用所提方法提取样本特
征,并对该法的分类性能作出评估,验证了所提算法的有
效性。
1方 法
1.1实验范例与数据采集
6名健康的眼部功能正常的志愿者,4男2女,年龄介
于22周岁与28周岁之间。他们均参与过EOG信号采集
实验,对实验环境比较熟悉,记为S1~S6。图1表示采集
扫视信号实验范例。
*基金项目:国家自然科学基金资助项目(60771033);博士点基金(200803570002)
· 62·
万方数据
王君等:基于EOG的眼动信息提取与分类研究 第5期
03
一
鲁
o,
一
日
o.
(a)水平扫视范例 co)垂直扫视范例
图1扫视运动实验范例
在目标墙面上标记一条水平直线,使之与受试两眼球
中心连线大致处于距离地面相同高度,在其上确定出水平
扫视视觉中心点,相应于图1(a)中。工,在墙面上相应位置
标记受试扫视目标点,即相应图1(a)中0。,0:点,两点各
距离视觉中心点0。约1m。同样方法,在墙面上描记一条
垂直直线,确定其相应视觉中心点0,,绘出受试垂直扫视
目标点0。,q。实验期问,受试面向目标墙面约2m处正
对坐下,分别独立进行水平扫视、垂直扫视信号的采集。进
行水平方向扫视过程中,受试以视觉中心点q作为基准位
置,每次扫视眼球迅速从基准位置定位到目标点02(Q),然后
迅速还原至基准位置处,记为一次完整的右(左)扫视过程,
每次动作完成后,问隔约3s后重复上述扫视动作,相同类
型扫视持续采集约1.5~2min或保存大约20组动作为
止。在水平扫视样本采集过程中,受试应注意保持头部相
对固定,并减少非自觉性眨眼,扫视过程应尽量沿所绘水平
直线进行。进行垂直方向扫视过程中,受试以视觉中心点
0,作为基准位置,每次扫视眼球迅速从基准位置定位到目
标点O。(04),然后迅速还原至基准位置处,记为一次完整
的上(下)扫视过程,每次动作完成后,间隔3s后重复上述
扫视动作,相同类型扫视持续采集约1.5~2min或保存大
约20组动作为止。在垂直扫视样本采集过程中,受试应注
意保持头部相对固定,并减少伴随于单次上(下)扫视过程
中的眨眼,扫视过程应尽量沿所绘垂直直线进行。受试
SI~S6按照预先设定的次序依次独立完成上述实验,从6
名受试所采信号中选取左、右、上、下扫视信号各12个,共
计288个样本信号。
1.2算法描述
基于EOG的眼动信息提取与分类算法主要由3部分
组成:EOG信号预处理单元、EOG信号特征提取单元、
EOG信号分类单元。算法描述如图2所示。
图2算法处理描述
1.3预处理和特征提取
EOG信号频率集中在0.1,-.-38Hz,主要成分在10Hz
以下。选用一个截止频率为10Hz的4阶Butterworth低
通滤波器和一个截止频率为1Hz的4阶Butterworth高通
滤波器组成一个带通滤波器对EOG信号滤波。经过带通
滤波后的EOG信号,波形相对平滑,大部分噪声已被
滤除口15]。
本文提出LPC系数加归一化极值和ALPC系数加归
一化极值的特征提取算法。
LPC的基本思想是用过去P个样点值预测现在或未
来样点值。设{z。)为一实数据序列(亦可视为一随机序
列)。z。的p阶线性预测定义为H。73
Z_。∑口声,; (1)
式中:m(i一1,2’..·,户)称为线性预测系数。
为了进一步提取出EoG信号的包络信息,算法将
LPC系数作一阶差分。假设当前所获得的LPC系数是p
阶,那么一阶差分特征的计算如式(2)所示
X
如(∽=口×∑k×啄(i,t--k)一C枷(i,t+k)l(2)
^一I
式中:以,表示动态特征,C枷表示LPC系数,K是求差分
的帧的范围,口为因子,用于换算这些特征呻]。
1.4样本分类器
分类器采用三层BP网络,隐层节点数根据输入层特
征维度不同作相应调整,输出层节点数置为4个,对应于4
维的分类输出抽删;最大训练次数置为3000次,训练精度
置为0.5×10-‘,训练中若收敛曲线达到给定精度或达到
最大训练次数则停止训练,误差梯度置为10-16,表征误差
包络的斜率,可反映学习速率;训练函数置为“trainlm”,层
间传递函数均置为双极性Sigmoid函数“tansig”。
2实验与讨论
2.1结果
总计288个扫视样本按训练样本与测试样本比例1;1
实验。为评价不同参数的分类性能,分类正确率由6X6倍
交叉验证确定。具体地说,从6名受试S1~S6所采每类扫
视样本中各随机选取6个,组成4类扫视样本各36个,共计
144个训练样本,其余144个样本用于测试训练结果,此样本
选取过程重复6次,统计分类正确率。实验结果见表1。
表I中,“左”、“右”、“上”、“下”行分别表示各受试样本
对左、右、上、下扫视的分类正确率;“平均”行表示每名受试
对4类样本的平均分类正确率;“平均”列表示“平均”行中
数据对6名受试取平均值,粗体字示。
2.2讨论
归一化极值方法因其特征明显、对样本信号幅度敏感,
故易于实现简单样本分类,如对同一电极采集的E()G扫视
信号(左、右扫视或上、下扫视)具有很高的分类正确率。但
· 63·
万方数据
第33卷 电 子测 量技术
是由于归一化极值方法仅对样本提取二维特征,表征的只
是样本相位信息,因此,当不同信号的相位信息相差较小
时,其分类正确率必然会急剧下降。左扫视样本与下扫视
样本相位较为相似,归一化极值特征相差不大;同理右扫视
样本与上扫视样本也因相位相似而导致极值信息相似,因
此若仅采用归一化极值方法同时对4类扫视样本分类,势
必引起混淆,造成分类性能大幅度下降n1‘”]。
相对归一化极值方法,LPC系数方法的平均分类正确
率提高了19.22%,这是因为LPC系数方法采用多项式趋
近样本曲线的方式来获取样本特征,受个体生理差异影响
小,因此可以较好地表征眼动信息;但由于E()G信号相关
性较强,造成各类样本所提LPC系数差异不明显,产生一
定比例的分类错误。ALPC系数方法由于保留了EoG信
号的动态特性,能提取出反映信号主要信息的包络特征,因
此相比LPC系数方法其平均分类正确率略微提高1.73%;
然而ALPC系数取自LPC系数,各类样本间LPC系数差
别不明显直接决定了其相应的ALPC系数差别也较小,因
而产生一定比例误判。
LPC系数加归一化极值方法有效地综合了LPC系数
方法对EoG信号能进行较好估计和归一化极值方法能有
效地提取EOG信号相位特征的优点,因此该方法能有效地
降低归一化极值方法和LPC系数方法造成的不同程度的
分类错误,降低因受试个体生理差异对分类效果产生的影
响。从表1可以看出,该方法相比归一化极值方法、LPC系
数方法其平均分类正确率分别提高了26.16%和6.94%。
ALPC系数加归一化极值方法在继承LPC系数加归一化
极值方法优势的基础上,能更好地突出样本信号高频成分
并有效地描绘样本信号的动态特性,对大部分受试(除S1)
的平均分类正确率都超过90%,较LPC系数加归一化极值
方法而言其平均分类正确率进一步提高了5.56%,误判得
到最大程度抑制。
3结 论
本研究是基于多名受试的可重复实验,它从实验室环
境下实测数据出发,采用所提特征描述EOG扫视信号,通
过神经网络进行训练并分类,统计各受试的平均分类正确
率,得出了较为理想的结果。实验结果表明,所提ALPC系
数加归一化极值组合特征能有效地描述EOG信号分类特
征,具有分类正确率高、稳定性好的特点,较好地解决了因
测试者生理特性不同或测试环境不同造成的检测门限难以
通用而导致的分类正确率下降等问
,为EOG眼动信息提
取与分类算法研究提供了一种新思路。
另外,LPC系数方法通过获取一组唯一确定的多项式
系数作为特征估计样本,因此对预处理中的端点检测算法
敏感性较高,若没有比较稳健的端点检测算法,可能导致同
类样本波形差别较大,造成同类样本信号间的LPC系数差
异较大,从而引起分类正确率下降;此外,LPC系数方法中
的特征维度选取尚无明确
,如何获取更好的分类性能
与LPC阶数的比例关系还有待进一步研究,以便在不显著
增加运算量的基础上获取更高分类精度。
表1 6名受试4类扫视样本下6X6倍交叉验证的分类正确率及其平均值(%,四舍五入)
特征参数 S1 S2 S3 s4 S5 S6 平均
左
亨 归一化极值上 。。⋯。一
47.22
61.1l
55.56
55.56
58.53
50.OO
44.44
77.78
47.22
下 52.78 63.89 83.33
平均 54.17 56.95 63.19
左
享 LPc系数
上
72.22
86.11
86.11
下 75.OO 66.67 80.56 72.22 72.22 83.33
平均 77.08 75.70 80.56 81.95 79.86 81.9479.S2
左
亨 △LPc系数
上
一 ⋯一
66.67
88.89
77.78
下 83.33
平均 79.17
75.OO
83.33
83.33
86.11
80.56
83.33
83.33
80.56
88.89
69.44
86.11
83.33
77.78 86.11 77.78 80.56
79.86 84.03 82.64 79.86
· 64·
~蛐一O~6
7
9
1
6一l
6
8
1
5~8眠眠弧眠~¨
2
3
3
8~2
2
3
3
7—4
7
3
8
2一O
4
8
5
5—6n蹭的毖~镐
6
8
8
7~5
8
3
8
4~6
鸺%曲丌∞罟8n明弱%鹋舳站驰鸺踮∞"弘n“∞%的鸺匏∞”记韶
~药一l~8船n∞站一舛
3
6
5
3~1
8
8
7
8—8
万方数据
王 君等:基于EOG的眼动信息提取与分类研究 第5期
续衰1
特征参数 S1 S2 S3 S4 S5 S6 平均
左 80.56 75.OO 83.33 88.89 86.11 83.33
主 LPC系数+归一化极值
下
平均 84.03 83.33 89.58 87.50 86.81 87.5086.46
左 88.89 91.67 94.44 97.22 86.11 94.44
至 △LPC系数+归一化极值
下
86.11
88.89
91.67
88.89
94.44
86.11
91.67
97.22
94.44
94.44
88.89
88.89
94.44
97.22
88.89
94.44
91.67
94.44
平均 88.89 90.28 95.14 92.36 91.67 93.7592.02
1-13
E2]
[3]
[43
[5]
[63
参考文献
BAREAR,BOQUETEL,MAZOM,eta1.System
forassistedmobilityusingeyemovementsbasedon
electrooculography[J].IEEETransactionsonNeural
SystemsandRehabilitationEngineering,2002,10
(4):209-218.
CHENYL.Applicationoftiltsensorsinhuman-
computermouseinterfaceforpeoplewithdisabilities
I-J3.NeuralSystemsandRehabilitationEngineering,
IEEETransactionson,2001。9:289—294.
KUMARD,ERICP.ClassificationofEOG/or
HumanComputerInterface[C].Proceedingsofthe
secondJointEMBS/BMESConference,2002.64-67.
HoRIJ,SAKANOK,SAlToHY.Developmentof
CommunicationSupportingDeviceControlledbyEye
MovementsandVoluntaryEyeBlink[C].Proceedingsof
the26thAnnualInternationalConferenceoftheIEEE
E晒,SanFrancisco,CA,USA,2004.4302—4305.
oSTERA,LICHT盯EINERP。DELBRUCk,eta1.
ASpike-BasedSaccadicRecognitionSystem[J].IEEE
Syrup.onCircuitaandSystems2007.3083—3086.
CHENYL,KU0TS,CHANGWH。eta1.Anovel
positionsensors—controlledcomputermouseforthe
disabled[c].EngineeringinMedicineandBiology
Society,2000.Proceedingsofthe22ndAnnual
InternationaIConferenceoftheIEEE。2000,3:2263一
[7]
[83
[9]
[10]
[11]
D2]
2266.
魏庆国,高小榕,王毅军,等。基于多通道线性描述符
的脑一机接口分类算法的研究[J].中国生物
学
报,2007,26(6):810-817.
赵力.语音信号处理[M].北京,机械工业出版社,
2005.32—35。56—62.
赵莉,王行愚,王蓓.基于粗糙集理论和支持向量机的
眼动位置信息提取[C].第十七届中国过程控制会议
论文集,2006:86-90.
ZHA0L,WUXP,LIM,eta1.Implementationof
theEOG-BasedHumanComputerInterfaceSystem
[C].Bioin/ormaticsandBiomedicalEngineering,The
2ndInternationalConference。2008.2188—2191.
傅振华,刘飞,陈伟元,等.基于差值信号的故障特征
提取及应用[J].国外电子测量技术,2010,29(1):
66-68.
彭先洪,姚云茂,何共建,等.数字滤波技术在精密测
量仪表中的应用研究[J].电子测量技术,2009,28
(11):60—62.
作者简介
王君.男,工学硕士,主要研究方向为生物电信号处
理,主要从事眼电(EOG)信号处理。重点研究EOG信号
的特征提取与分类识别算法,为基于EOG信号的人机交
互系统实现实时控制外部设备服务。
E—mail:mogu2612@126.com
· 65·
4
9
3
4
8
3
4
8
3
9
8
8
9
1
1
8
1
1
8
6
6
8
8
8
7
1
3
6
1
3
●
●
●
1
6
3
9
8
8
7
4
9
6
4
8
1
4
8
9
9
8
3
1
9
3
1
8
3
6
8
8
8
8
8
9
9
7
8
8
●
●
●
7
8
8
7
8
8
万方数据
基于EOG的眼动信息提取与分类研究
作者: 王君, 吴小培, 吕钊, Wang Jun, Wu Xiaopei, Lv Zhao
作者单位: 安徽大学计算智能与信号处理教育部重点实验室,合肥,230039
刊名: 电子测量技术
英文刊名: ELECTRONIC MEASUREMENT TECHNOLOGY
年,卷(期): 2010,33(5)
参考文献(12条)
1.赵莉;王行愚;王蓓 基于粗糙集理论和支持向量机的眼动位置信息提取 2006
2.赵力 语音信号处理 2005
3.魏庆国;高小榕;王毅军 基于多通道线性描述符的脑机接口分类算法的研究[期刊论文]-中国生物工程学报
2007(06)
4.CHEN YL;KUO TS;CHANG WH A novel position sensors-controlled computer mouse for the disabled 2000
5.OSTER A;LICHTSTEINER P;DELBR Ck A Spike-Based Saccadic Recognition System 2007
6.HORI J;SAKANO K;SAITOH Y Development of Communication Supporting Device Controlled by Eye
Movements and Voluntary Eye Blink 2004
7.彭先洪;姚云茂;何共建 数字滤波技术在精密测量仪表中的应用研究[期刊论文]-电子测量技术 2009(11)
8.傅振华;刘飞;陈伟元 基于差值信号的故障特征提取及应用[期刊论文]-国外电子测量技术 2010(01)
9.ZHAO L;WU X P;LI M Implementation of the EOG-Based Human Computer Interface System 2008
10.KUMAR D;ERIC P Classification of EOG for Human Computer Interface 2002
11.CHEN Y L Application of tilt sensors in human-computer mouse interface for people with
disabilities.Neural Systems and Rehabilitation Engineering 2001
12.BAREA R;BOQUETE L;MAZO M System for assisted mobility using eye movements based on
electrooculography 2002(04)
本文链接:http://d.g.wanfangdata.com.cn/Periodical_dzcljs201005018.aspx