基于独立分量分析的扫视信号特征提取方法和识别方法
【技术领域】
[0001] 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】
[0002] 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(Human Activity Recognition，HAR)算法的设计与实现已经成为 新的研究热点。
[0003] 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 跟踪系统，尤其是可穿戴式眼动跟踪系统价格昂贵、体积较大且笨重，同时在系统功耗与结 果的实时分析上也不尽如人意。眼电图（Electro-oculogram，E0G)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系统设计具有重要的研究价值。
[0004] EOG-HAR系统是指将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。在系统实现过程中，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So I tan i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】
[0005] 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。
[0006] 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：
[0007] 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；
[0008] 步骤2、ICA空域滤波器设计:使用单次实验数据71(1 = 1，···，"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{Dh，D ri，Dui，Ddi}(i = 1，…，N);
[0009] 步骤3、特征生成:指使用步骤⑵所生成的ICA空域滤波器组 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。
[0010] 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：
[0011] (Al)、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；
[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 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； [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，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〇. 5-8.5Hz。
[0017] 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：
[0018] (B1)、从EOG数据库中随机选择一组单次扫视数据71(丨=1，···，"进行ICA分析，得 到6 X 6的混合矩阵M和分离矩阵D;
[0019] (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{Du，D ri， Dui，Ddi } 〇
[0020] 作为上述方案的进一步优化，对步骤(BI)中分离矩阵D的学习方法包括如下步骤：
[0021] (Cl)、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):
[0022] ADT^{I-E[s]}DT (1)
[0023] 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ift): 的统计量，统计量s与扫视信号的源信号雜)的关系为：
[0024] s = T · lanh(.v(/L))i'(^)/ +.ν(.?).ν(/ι)? (2)
[0025] 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，i(?)为所估计的扫视信号的源信号；
[0026] (C2)、对扫视信号的源信号￡⑷进行方差归一化处理，如公式(3):
[0027] λ-(/ ) - .>?(/)/ diag [.v( /)] ⑶
[0028] (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):
[0029] M - /V/ xi/m<f[?(7)] (1)
[0030] Dt=IT1
[0031] 公式(3)、（4)中，_为_)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] (Dl)、对步骤Bl中的混合矩阵M取绝对值，即IMI，并逐列搜索IMI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；
[0034] (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；
[0035] (D3)、若矩阵IMI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;
[0036] (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：{Dh，D ri，Dui，Ddi}，（ i = 1，…，N)。
[0037] 作为上述方案的进一步优化，步骤3中空域滤波方法如下：
[0038]使用ICA空域滤波器组{0^，0&0^，0<^}(丨=1，"_，《对所有原始扫视眼电数据7」 (j = l，···，N)进行空域滤波，如公式(7):
[0039] % - Dlj *yj, ,xrj ~ Dli * Vj, Xuj = Dhl * Vj, x^: = Dji * y} (7)
[0040] 公式⑴中，，如，Xdj分别表示该单次扫视眼电数据η空域滤波后的结果，即 所提取的扫视信号特征参数。
[0041] -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： [0042]步骤SI: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；
[0043] 步骤S2:最优ICA空域滤波器组设计:包括以下步骤：
[0044] (E1)、使用单次实验数据yi(i = l，…，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{Dii，D ri，Dui，Ddi}(i = l，…，N);
[0045] (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El中所得到的ICA滤波器组{Du，D ri， Dul，Ddl}进行空域滤波，将线性投影后的结果作