一种基于独立分量分析的扫视信号样本优化方法
【技术领域】
[0001 ]本发明设及一种基于独立分量分析的扫视信号样本优化方法。
【背景技术】
[0002] 人体行为识别化uman Activity Reco即ition,HAR)是指对被观测个体的动作类 型、行为模式等信息进行综合地分析与识别，并将识别结果通过自然语言等方式进行描述。 由于HAR系统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，并且已经成为了人工智能与模式识别领域中一个新兴的研 究热点。现阶段，人体行为信息的获取主要采用非接触式环境传感器与可穿戴式人体信息 传感器两种方法。其中，基于可穿戴式生物电传感器能够有效弥补传统HAR系统的不足，正 在逐步成为HAR系统实现领域的一个新的研究方向。而在人体生物电信号中，眼电图 化lect;rooculogram:EOG)相比较脑电、屯、电等其它生物电信号具有幅度大、易于检测、携带 信息更为丰富等特点，因此，使用眼电信号进行HAR识别具有其它生物电信号所不具备的优 势。
[0003] W办公室场景为例，基于眼电的人体行为识别系统化0G-HAR)其基本工作过程可 描述为：当系统检测出连续小幅度向右扫视动作与大幅度向左扫视动作的出现遵循着一定 规律，系统则判断该受试者可能处于阅读状态；同理，当检测出水平扫视动作过程中包含了 大量凝视信息（即扫视停顿），则可判断该位受试者可能处于打字输入状态；当水平扫视幅 度与垂直扫视信号幅度都较小，且出现频率较低时，则该位受试者可能处于休息状态。可W 看出，在E0G-HAR系统实现过程中，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，其识别的准确率成为HAR系统性能的主要决定因素，因此，单元扫视信号 的准确检出是最为关键的一步，为实现运一目标，一些比较成功的扫视信号识别方法相继 被提出。其中，Clement提出利用原始E0G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E0G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。然而，在E0G-HAR系统设计过程中发现，当采集过程中受到一些噪声干扰（如：电极 松动、信道瞬时崎变、采集设备的突发干扰等时，虽然运种干扰的持续时间较短，但信号幅 度大、波形无规律且又不可避免，因此在实际使用过程中难W保证上述算法的识别正确率， 运将会严重影响到E0G-HAR系统性能，甚至出现系统无法识别的情况。针对运一问题，噪声 抑制是一种较为常见的解决办法，然而，由于噪声类型与出现时机具有较强的随机性，且不 同去噪算法受到本身性能的限制，在实际应用过程中噪声抑制效果并不理想。所W，设计一 种合理、有效的E0G信号噪声处理方法是E0G-HAR系统实用性提升过程中一个亟待解决的问 题。
【发明内容】
[0004] 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样本优化 方法，具有更高的识别正确率、鲁棒性与扩展性更强、应用前景良好。
[000引为了解决上述技术问题，本发明采用如下技术方案：
[0006] -种基于独立分量分析的扫视信号样本优化方法，包括如下步骤：
[0007] 步骤1、数据准备: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，W去除噪声干扰；
[0008] 步骤2、ICA空域滤波器组设计:使用单次实验数据yi(i = l，...，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{Dii，Dri，Dui，Ddi} (i = 1，…，N);
[0009] 步骤3、被干扰扫视信号的剔除：使用步骤(2)中所获取的ICA空域滤波器组{Dll， Dri，Dui，Ddi}(i = l，-'，N)依次对预处理后的所有扫视数据进行空域滤波，并将滤波后的数 据使用支持向量机进行10*5的交叉测试，当平均识别正确率低于预设口限时即认定该次实 验数据被干扰，剔除;反之，保留。
[0010] 作为上述方案的进一步优化，多导联扫视信号采集电极的安装位置为：
[0011] (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屯、上 方2.3-2.7cm处，另一个电极安放于受试者左眼眼球正中屯、下方2.3-2.7cm处;或一个电极 安放于受试者右眼眼球正中屯、上方2.3-2.7cm处，一个电极安放于受试者右眼眼球正中屯、 下方 2.3-2.7cm 处；
[0012] (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 屯、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屯、点右方3.3-3.7cm处；
[0013] (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；
[0014] (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；
[0015] (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。
[0016] 作为上述方案的进一步优化，用于进行带通滤波的带通滤波器的截止频率为0.5- 8.甜Z。
[0017] 作为上述方案的进一步优化，所述ICA空域滤波器组的获取包括如下步骤：
[0018] 步骤(B1)、从扫视眼电信号数据库中随机选择一组单次扫视数据yi(i = l，…，N) 进行ICA分析，得到6X6的混合矩阵Μ和分离矩阵D;
[0019] 步骤(Β2)、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{Dll, Dri ,Dui,Ddi}(i 二
[0020] 作为上述方案的进一步优化，分离矩阵D的学习方法包括如下步骤；
[0021] (C1)、W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):
[0022] Δ〇Τκ{Ι-Ε[3]}〇τ (1)
[0023] 公式（1)中，I为单位矩阵，Ε[ ·]为均值运算，S为所估计的扫视信号的源信号i资 的统计量，统计量S与扫视信号的源信号苟0的关系为：
[0024] '、' = Γ · Uwh(.i-(〇)'斯）'+ '斯).;和)' 城
[0025] 公式(2)中，Τ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 的源信号刮句峭度符号的动态估计，％。为所估计的扫视信号的源信号；
[0026] (C2)、对扫视信号的源信号雄)进行方差归一化处理，如公式(3):
[0027]
斌
[0028] (C3)、在式(3)的基础上，对混合矩阵Μ与分离矩阵D系数进行调整，如公式(4):
[0029]
(4)
[0030] 〇τ=Μ-ι
[003。 公式(3)、（4)中，南]为i(〇的标准差，diag( ·)表示将运算转化为对角矩阵。
[0032] 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：
[0033] (D1)、从扫视眼电信号数据库中随机选择一组单次扫视数据yi(i = l，-，，N)进行 ICA分析，得6 X 6的混合矩阵Μ与分离矩阵D;
[0034] (D2)、对步骤D1中的混合矩阵Μ取绝对值，即|M|并逐列捜索|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；
[0035] (D3)、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；
[0036] (D4)、若矩阵IΜI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