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{0 11，0"，0111，0(11}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滤波器组他^^几"^丨下不同扫视信 号的平均识别正确率；
[0046] (E3)、对扫视数据库中所有的数据样本重复步骤El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{DhDnDuDd} 作为最优空域滤波器；
[0047]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{D1，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。
[0048]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。
[0049] 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。
[0050] 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。
[0051] 3、本发明具有良好的应用前景:本发明以提高EOG-HAR系统性能主目标，主要解决 了系统实现过程中扫视信号的识别问题。由于EOG-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。另外，本发明 对有效提高常规基于EOG的人-机交互系统性能，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】
[0052]图1为扫视信号的生成过程示意图。
[0053]图2为本发明的算法流程图。
[0054]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。
[0055] 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。
[0056] 图5为本发明的单次实验范式示意图。
[0057]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。
[0058]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。
[0059]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】
[0060]下面结合附图对本发明作进一步描述：
[0061 ] 一种基于独立分量分析（Independent Component Analysis: ICA)的扫视信号特 征提取方法，包括如下步骤：
[0062]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。
[0063]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);;
[0064] 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。
[0065]其中，多导联扫视信号采集电极的安装位置为：
[0066] (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；
[0067] (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； [0068] (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；
[0069] (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；
[0070] (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。
[0071] 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。
[0072] 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：
[0073] (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;
[0074] (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
[0075] 混合矩阵M与分离矩阵D的定义如下：
[0076] 若y(t) = [y1(t)，…，yn(t)]τ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、⑴^一认…斤⑴^线性瞬时混合而成，
[0077] y(t)=Mx(t) (5)
[0078] 公式(5)中M表示混合矩阵。
[0079] 与公式(5)的混合模型对应的是分解模型，参见公式(6):
[0080] x(t) = Dv(t) (6)
[00811公式(6)中D表示分离矩阵。
[0082]本发明中，对混合矩阵M与分离矩阵D进行下述处理：
[0083] (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):
[0084] ADT^{I-E[s]}DT (1)
[0085] 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i⑴ 的统计量，统计量s与扫视信号的源信号i(0的关系为：
[0086] λ· = 7'· tanh(.v(/I)).v(/1)/ +x(t).\(r)1 ⑵
[0087] 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 的源信号萬0峭度符号的动态估计，:i(r)为所估计的扫视信号的源信号；
[0088] (C2)、对扫视信号的源信号錢进行方差归一化处理，如公式(3):
[0089] .?(/) ·*- x(l)/diag[x{i)] ⑶
[0090] (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):
[0091] M ^ M X i//t/g[.Y(r)] (:4)
[0092] Dt=IT1
[0093] 公式⑶、（4)中，_为錢〇的标准差，diag( ·)表示将运算转化为对角矩阵。
[0094] 其中，扫视相关独立分量的自动选择方法，包括如下步骤：
[0095] (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；
[0096] (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；
[0097] (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;
[0098] (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)。