[0099]使用ICA空域滤波器组{Dii，Dri，Dui，Ddi} (i = 1，…，N)对所有原始扫视眼电数据yj (j = l，···，N)进行空域滤波，如公式(7):
[0100]
(X)
[0101]公式⑴中，χυ，χ^，如，邮分别表示该单次扫视眼电数据^空域滤波后的结果，即 所提取的扫视信号特征参数。
[0102] 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：
[0103] 步骤SI: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；
[0104] 步骤S2:最优ICA空域滤波器组设计:包括以下步骤：
[0105] (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);
[0106] (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；
[0107] (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；
[0108] 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，D u，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。
[0109] 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系统性能的主要 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。
[0110]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：
[0111] 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 {〇1^0&0^，0<^}(1 = 1，~少）；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{0 11，0"，0111，0(11}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滤波器组他^^几"^丨进行空域滤波， 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{DmDmDunDdi：^ 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{01，01，011，0(1}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{〇 1，01，011，0<1}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。
[0112] 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Vl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Hl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Al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Cl安放于左耳后乳 凸处;接地电极G位于右耳后乳凸处。
[0113] 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(0)均是1.5米。
[0114] 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。
[0115] 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(Hl位置)系数最大;上扫视时，第5导联(VI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。
[0116] 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。
[0117] 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