一种鲁棒扫视EOG信号识别方法及系统与流程

本发明涉及眼电(electrooculography,eog)技术领域，特别涉及一种基于多通道盲解卷积的鲁棒扫视eog信号识别方法及系统。

背景技术：

基于生物电的人-机交互(human-computerinteraction，hci)作为常规人机交互方法的一种补充，在一些特殊的应用场景下，比如：残疾群体与外界环境的交互，临床病人的监护，特殊环境下的通信，驾驶员的疲劳检测等方面都具有较强的实际应用价值。由于eog能反映不同行为状态下的眼球运动模式，因此，基于eog的人机交互技术已经成为一个新的研究热点。

眼球是一个双极性球体，角膜在眼球系统中呈现正电位，视网膜呈现负电位，所谓的眼球信号是由于眼球转动时角膜和视网膜之间产生的电势差而引起的。该电势由于视网膜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角膜端，从而形成一个幅值约为0.4mv～10mv、角膜为正极，视网膜为负极的电势，我们称这种电势为眼电信号，当人的眼球运动时，眼电信号的幅值会随着眼球的运动而不断发生变化，将这种变化的电势绘制到时间轴上则可以构成一条曲线，这条曲线称之为eog。

eog信号的眼动类型主要分为三类：扫视、凝视和眨眼，在实现基于eog的人体行为识别系统中，扫视运动有着至关重要的作用，它具有较高的使用频率，并且包含这大量的行为信息。但是在eog信号的采集过程中，不可避免的会受到包括基线漂移、肌电emg、心电ecg、脑电eeg及电机位置的轻微移动等噪声干扰，为了完成扫视eog信号的鲁棒识别并且提高基于eog的人体行为识别系统的性能，带通滤波方法曾被用来消躁和去除眨眼信号，但是由于扫视eog信号与眨眼信号在频段上产生了重叠，所以在滤除眨眼信号的同时，也会让扫视eog信号的一部分信息丢失，因此，识别效果不理想，难以进行实用。

技术实现要素：

本发明的目的在于提供一种鲁棒扫视eog信号识别方法及系统，以提高eog信号识别的准确率。

为实现以上目的，本发明第一方面，提供一种鲁棒扫视eog信号识别方法，包括如下步骤：

s1、对多通道eog数据进行采集，获得时域上的眼动数据；

s2、对时域上的眼动数据进行预处理得到频域上的眼动数据；

s3、在频域上，采用复值ica算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；

s4、对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；

s5、采用约束doa算法对补偿后的独立分量进行处理，使得每个频点f上的独立源都按照方向角从小到大排列；

s6、对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上每个通道独立源完整的时间信号；

s7、对时域上的每个通道独立源完整的时间信号提取功率谱密度特征，并将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

其中，步骤s2，还包括：

对所述时域上的眼动数据进行带通滤波及去均值处理，得到处理后的眼动数据；

使用窗长为256，窗移为128的滑动窗，对处理后的眼动数据做短时傅里叶变换，将其从时域变换到频域，获取在某一频率点fk上足够多的频域观测数据。

其中，步骤s4中的对各频点上的独立分量进行尺度补偿，具体包括：

根据复值ica算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；

利用混合矩阵的系数对各频点的独立分量进行补偿，得到补偿后各频点的独立分量。

其中，步骤s5中的采用约束doa算法对补偿后的独立分量进行排序处理，具体包括：

a、为每一个独立源初始化一个角度；

b、通过root-music算法计算每个频点的不同行，可以得到各个源方向的估计，其中分离矩阵的行对应不同的独立源；

c、设置各独立源的方向角度与初始化角度的接近性度量为ε(y,θ)，并在迭代过程中，判断各独立源的角度与初始化角度是否相同；

d、若相同则执行步骤e，不相同则执行步骤f；

e、将ε(yj,θj)设置为0，并设置方向角度矩阵t来计算调节矩阵q；

f、将ε(yj,θj)设置为1，返回所述迭代过程重新计算分离矩阵w。

其中，所述的步骤e，具体包括：

根据每个频点f上的独立源按照角度从小到大的排列顺序，设置方向角度矩阵t；

根据方向角度矩阵t计算调节矩阵q＝tp^-1，其中p为置换矩阵；

调节矩阵q＝tp^-1，判断置换矩阵p与方向角度矩阵t是否相同

若相同，则确定每个频点上独立源按照角度从小到大顺序排列；

若不相同，则将调节矩阵q左乘置换矩阵p，得到新的置换矩阵p`；

根据新的置换矩阵p`，计算后使得每个频点f上的独立源都按照方向角从小到大排列。

其中，所述步骤s6中短时傅里叶逆变换的具体步骤包括：

对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理；

对得到的时频矩阵按列进行求逆运算，得到眼动数据在不同时窗位置上的时间信号；

按时窗从小到大的顺序对时间信号进行拼接，得到时域上每个通道独立源完整的时间信号。

其中，步骤s7，具体包括：

根据扫视eog信号峭度值大于其他信号源峭度值，计算时域上每个通道的峭度值；

按照时域上计算得到的各个独立源的峭度值大小顺序，选择峭度值最大的两通道独立源进行特征提取；

将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

第二方面，本发明提供一种鲁棒扫视eog信号识别系统，包括：包括：采集模块、预处理模块、盲源分离模块、补偿模块、排序模块、时域还原模块以及eog信号识别模块；

采集模块对多通道eog数据进行采集，获得时域上的眼动数据；

预处理模块与采集模块连接以对时域上的眼动数据进行预处理得到频域上的眼动数据；

盲源分离模块与预处理模块连接以在频域上，采用复值ica算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；

补偿模块与盲源分离模块连接用于对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；

排序模块与补偿模块连接用于采用约束doa算法对补偿后的独立分量进行处理，使得每个频点f上的独立源都按照方向角从小到大排列；

时域还原模块与排序模块连接用于对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上每个独立源完整的时间信号；

eog信号识别模块与时域还原模块连接以对时域上的每个通道独立源提取功率谱密度特征，并将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

其中，所述的补偿模块具体用于：

根据复值ica算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；

利用混合矩阵的系数对各频点的独立分量进行尺度补偿，得到尺度补偿后各频点的独立分量。

与现有技术相比，本发明存在以下技术效果：本发明在频域上对各频点眼动数据进行盲源分离。在进行盲源分离后，针对盲源分离中的尺度不确定性问题，利用所得混合矩阵系数，对各频点独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分，解决了复值ica算法(independentcomponentanalysis，ica)固有的尺度不确定性问题，同时针对盲源分离中的排序模糊问题，通过约束doa(directionofarrival,doa)算法对每个频点f上的独立源都按照方向角从小到大排列，解决了ica算法固有的排序模糊问题。确保了各频点输出的独立分量的完整性，保证了eog信号中携带信息的准确性。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1是本发明中eog信号采集过程中电极在受试者面部的分布情况示意图；

图2是本发明中实验采集eog信号的实验范式示意图；

图3是本发明中一种鲁棒扫视eog信号识别方法的流程示意图；

图4是本发明中盲源分离的基本原理示意图；

图5是本发明中对eog信号进行识别的流程示意图；

图6是本发明中原始扫视eog信号的时域和频域波形图、经带通滤波后的扫视eog信号的时域和频域波形图的对比示意图；

图7是本发明中分别经线性ica与卷积ica盲源分离结果对比示意图；

图8是本发明中分别经线性ica与卷积ica盲源分离后的第二通道一段扫视eog信号的时域和频域波形图；

图9是本发明中采用卷积ica算法对多通道眼动数据进行盲源分离前后得到eog信号对比示意图；

图10是本发明中利用不同算法对eog信号识别的结果对比示意图；

图11是本发明中经盲源分离后得到的两个独立源的六个相邻频点的时域波形图；

图12是本发明中进行排序前后的翻转矩阵对比示意图；

图13是本发明中分离后eog信号不同频点的时频域波形图。

具体实施方式

为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。

首先需要说明的是，本发明中在对eog信号识别前，对eog信号进行采集的过程如图1至图3所示：

如图1所示，使用电极对受试者的eog信号进行采集，眼电信号的采集使用ag/agcl电极，为了获取受试者上、下、左、右四个方向的眼动信息以及更多的空间位置信息，在本次采集中共使用了9个电极，其中，电极v1与电极v2安放于受试者左侧(或右侧)眼球上1.5cm与下1.5cm处，用以采集垂直eog信号；电极h1与电极h2分别安放于受试者左眼左侧1.5cm与右眼右侧1.5cm处，用以采集水平eog信号；电极fp1与电极fp2安放于前额位置，用以增强空间信息；参考电极c1和c2分别放置于左右两侧乳凸处，接地电极d位于头顶中心位置。

如图2所示，在具体进行实验采集时，受试者坐在屏幕前方面对屏幕，屏幕上出现一个“prepare”字符并伴有“beep”的警报声，1秒中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6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。

具体地，在进行扫视eog信号的实验采集过程中，将9个生物电极安放在受试者面部用来采集扫视eog信号，相机用来在实验过程中捕获视频信息，neuroscan放大器主要是用来放大采集到的扫视eog信号；电脑记录和显示采集到的扫视eog信号。

实施例一

如图3所示，本实施例公开了一种鲁棒扫视eog信号识别方法，包括如下步骤s1至s6：

s1、对多通道eog数据进行采集，获得时域上的眼动数据；

需要说明的是，这里通过n个电极对m个信源sj(j＝1,2,3…m)的源信号进行采集，并放大后得到的观测信号向量为xi(i＝1,2,…n)。

s2、对时域上的多通道眼动数据进行预处理得到频域上的眼动数据；

具体地，步骤s2包括如下细分步骤：

对所述时域上的眼动数据进行带通滤波及去均值处理，得到处理后的眼动数据，这里带通滤波器的截止频率为0.01hz～8hz。

对处理后的眼动数据进行短时傅里叶变换，得到频域上的眼动数据。

需要说明的是，本实施例中使用的滑动窗窗长为256，窗移为128，对处理后的眼动数据做短时傅里叶变换，将眼动数据从时域变换至频域，获取在某一频点fk上足够多的频域观测数据。

本实施例中通过对眼动数据进行带通滤波及去均值处理，除去包括基线漂移、肌电emg、心电ecg、脑电eeg等信号的干扰，降低了不同噪声信号对原始多通道眼动数据的干扰，进一步地提高了eog信号识别的准确率。

s3、在频域上，采用复值ica算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；

如图4所示，对频域上的眼动数据进行盲源分离的过程具体为：

1)根据多通道观测数据xi(i＝1,2,…n)，计算观测数据的协方差矩阵rx，协方差矩阵的计算公式为：rx＝e{(x-mx)(x-mx)^t}^t，其中x为观测数据，mx为观测数据的均值，(·)^t代表对括号内的公式进行转置运算，e{·}是表示对括号内的数据进行期望运算；求出观测数据的协方差矩阵rx后，需要对观测数据进行白化处理，实现混合矩阵的正交化，计算其白化矩阵v，计算过程为：

将协方差矩阵rx分解为：rx＝ede^t，其中e是由rx的归一化正交特征向量构成的矩阵，d＝diag(λ1,λ2,…,λn)是由特征向量相应的特征值构成的对角矩阵。

得到的白化矩阵的表现形式为：v＝d^-1/2e^t。

2)利用白化矩阵，通过公式z(t)＝vx(t)对观测数据进行白化处理，并求出白化过程的四阶累积量，以及通过公式n＝{λ；nr|1＜＜r＜＜m}计算数量不超过m的重要特征，其中λ为特征向量，nr代表观测数据维数，m代表信源数，r为不超过信源数的一个整数；

3)使用酉矩阵对公式n＝{λ；nr|1＜＜r＜＜m}进行联合对角化，其中酉矩阵为u，并通过公式a＝w×u计算出混合矩阵a；

4)由于混合矩阵a与分离矩阵w互为逆矩阵，则分离矩阵w＝a^-1，根据分离矩阵w即可对在各个频点上的观测数据进行盲源分离。

s4、对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例并输出补偿后各频点的独立分量；

具体地，步骤s4包括如下细分步骤：

根据复值ica算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；

利用混合矩阵的系数对各频点的独立分量进行补偿，得到尺度补偿后各频点的独立分量。

具体地，以二维ica问题为例，定义观测信号为x1、x2，源为s1、s2，则观测信号可表示为：

x1＝a11s1+a12s2＝v11+v12，

x2＝a21s1+a22s2＝v21+v22。

其中，vij＝aijsij表示独立源sj在观测信号xi中的真实成分即独立源sj在观测信号xi中的投影，由于v11、v21均来自独立源s1，且v11、v21与s1只是在幅度上有所差别。同样，v12、v22与独立源s2的关系也是如此。因此，若w(fk)为所估计的某频点分离矩阵，则可以得到在该频点上的混合矩a(fk)＝w^-1(fk)。然后利用所得混合矩阵系数可以对各频点独立分量进行补偿，即：

其中，yj(fk,τ)表示尺度补偿前已分离的第j通道的独立分量，vij(fk,τ)＝aij(fk)yij(fk,τ)表示经过尺度补偿后，第j个独立分量在第i个观测信号中的真实成分。根据上述分析，在使用上述公式对某频点fk的独立分量进行尺度补偿后，一个频域独立分量将产生n个补偿后的输出，将这n个补偿结构进行后续的如消除排序模糊、不同频点的组合以及逆变换等处理，得到n个来自同一独立源的纯净信号。

在实际应用中，可以在n个来自同一独立源的纯净信号择一输出，也可以对n个来自同一独立源的信号进行求平均值后输出。

s5、采用约束doa算法对补偿后的独立分量进行处理，使得每个频点f上的独立源都按照方向角从小到大排列；

具体为：

a、为每一个独立源初始化一个角度；

b、通过root-music算法计算每个频点的不同行，可以得到各个源方向的估计，其中分离矩阵的行对应不同的独立源；

c、设置各独立源的方向角度与初始化角度的接近性度量为ε(y,θ)，并在迭代过程中，判断各独立源的角度与初始化角度是否相同；

d、若相同则执行步骤e，不相同则执行步骤f；

e、将ε(yj,θj)设置为0，并设置方向角度矩阵t来计算调节矩阵q；

f、将ε(yj,θj)设置为1，返回所述迭代过程重新计算分离矩阵w。

需要说明的是，为每一个独立源sj初始化一个角度θj，由于独立源位置的不确定性，这里设定第i个独立源的角度小于第i+1个源的角度，并将初始化的角度r(θ)作为一个约束条件。假设在每个频点f分离成功的前提下，分离矩阵w的行对应不同的独立源，通过root-music算法计算每个频点的不同行，即可得到对各个源方向的估计。

这里为了有效对比约束doa算法对次序错误的辨别和排序能力，设定通过各频点得到的角度与初始化角度接近性度量为ε(yj,θj)，其中yj为各个源方向的估计，将两种角度在迭代过程中进行比较，如果不相同，即ε(yj,θj)＝1，则返回迭代过程重新计算分离矩阵w。

如果两个角度相同，即ε(yj,θj)＝0，则需要设置一个方向角度矩阵t来计算调节矩阵q。

其中每个频点f上的独立源按照角度从小到大的排列顺序，设置方向角度矩阵t为：

在方向角度矩阵t中，对角线显示的是角度排列顺序，对盲源分离后的信号进行尺度补偿后，即可得到对源信号s的估计y：

y＝p∧s＝pv，

其中，p是置换矩阵，∧为对角矩阵，s为源信号。为了便于分析，将y＝wx中的x用as带入，可得y＝was＝ds。其中，w为分离矩阵，x为观测数据，a为混合矩阵，s为源信号。由ica的不确定性可知，矩阵d的每一行和每一列必须只有一个不为零的元素存在。即可转化为d＝p∧，其中p为置换矩阵，∧为对角矩阵。p和∧分别引入了ica输出排序和幅度的不确定性。因此，本实施例设定了一个调节矩阵q，来对p矩阵进行调节计算，从而解决ica的排序不确定性问题。

进一步地，方向角度矩阵t计算调节矩阵q的过程为：

q＝tp^-1，

此时，若置换矩阵p与方向角度矩阵t相同，则此时每个频点上独立源已经按照角度从小到大顺序排列，因此不需要重新进行调节；

若置换矩阵p与方向角度矩阵t不相同，则将置换矩阵p通过左乘调节矩阵q，进而得到新的置换矩阵p`；

通过公式p`＝qp＝tp<sup>-1</sup>p＝t对置换矩阵p进行处理，得到新的置换矩阵p`，然后通过公式y＝p`∧s＝p`v重新得到频点上独立源的方向角。此时得到的每个频点f上的独立源是按照方向角从小到大进行排列的，解决了ica的排序模糊问题。

因此，本实施例将通过各个频点得到的独立源的方向角与对应的独立源初始化的角度的接近性进行度量，在判断两个角度不一致时，返回迭代过程重新计算分离矩阵w。否则，通过调解矩阵q对各个独立源的方向角进行调节，以使得各独立源的方向角是按顺序排列的，解决了独立源方向角排序模糊的问题，进一步地提高了eog信号识别的准确性。ica输出的排序不确定(permutationambiguity)是ica算法存在的固有局限。在时频域盲解卷积中，涉及到不同窗口的多个频点盲分离，如果不对各频点的ica分离结果进行匹配，将属于同一个源的频域独立分量组合在一起，即来自不同源的子带信号被错误的拼接在一起，这会对最终的分离效果产生很大影响，使得恢复到时域中的信号产生错乱，进而影响eog信号的识别结果。通过约束doa算法对尺度补偿后的各频点独立分量进行排序调整后，使得每个频点f上的独立源都按照方向角从小到大排列，可有效解决每个频点上排序模糊问题，提高盲源分离的质量，有助于识别率的提升。

s6、对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上每个通道独立源完整的时间信号；

需要说明的是，用于在保证各频点不同源对应的分量排列正确且幅度得到恢复的情况下进行短时傅立叶逆变换，最后将得到的时域信号重新截取组合得到对源信号的估计。

在对其进行短时傅里叶逆变换过程中，需要说明的是；

计算时，按列对已得到的时频矩阵求逆运算，得到在不同时窗位置上的时间信号，然后按时窗从小到大的顺序对时间信号进行拼接，得到源的完整的时间信号。

上述运算过程中，相邻窗口内的时间信号会有部分重叠，重叠的长度是一开始对原始观测信号进行加窗分帧时定义的，为帧长的一半。对相邻窗口内重叠数据的处理一般是将前一窗长的后一半与后一窗长的前一半相加然后除2求平均。

s7、对时域上的每个通道独立源提取功率谱密度特征，并将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

需要说明的是，本实施例中将扫视信号中的eog信号特征提取出来，并送入支持向量机svm中进行识别。具体的识别过程为：

对恢复到时域的多通道眼动数据，根据扫视eog信号峭度值大于其他信号源峭度值这一特点，计算各通道眼动数据的峭度值；

按照计算得到的各通道眼动数据峭度值大小顺序，选择峭度值最大的两通道eog数据进行特征提取；

将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

本实施例通过对峭度值最大的两个通道的eog数据进行特征提取，在减少计算量的同时确保了识别的准确率。由于在eog信号的采集过程中，不可避免地会受到一些伪迹信号，如肌电emg、基线飘移、脑电eeg、眨眼信号、心电ecg、及电极位置的轻微移动等噪声干扰，这些伪迹信号，通过预处理难以将其全部滤除。因此实际得到的观测数据为多个源信号的混合数据，经ica算法盲源分离后，可将不同源信号分离开，即所需的扫视eog数据和其他源信号可以分离开。实验中如果将所有通道eog数据都进行特征提取的话，除扫视eog外，其他的信号源，如伪迹信号又会包含进“纯净”的扫视eog中，此时会对识别结果产生影响。而只针对扫视信号最明显的两个通道的eog数据进行特征提取，可有效避免其他源信号对其产生的干扰，提高数据的精度，并且可以减少计算量，同时提高识别准确率。

需要说明的是，本实施例中在对眼动数据进行传统的带通滤波去除眨眼信号的同时，为了避免扫视eog信号部分信息丢失的情况，对各频点的眼动数据进行盲源分离，滤除噪声信号，从观测信号中分离出各源信号，并分离后各频点的独立分量进行补偿，确保了分离后各源信号的完整性，避免了扫视eog信号携带信息丢失的情况。此处的盲源分离的作用主要是从观测信号中恢复出隐含在其中的源信号。ica输出的尺度不确定(scalingambiguity)会造成同一信源各频点增益的误差，产生频谱的畸变，最终会严重影响分离质量。通过还原独立分量在观测分量中的真实比例成分可以对盲源分离后的各频点独立分量进行幅度补偿，进而可以改善ica幅度不确定性带来的误差，有利于提高盲源分离的质量。

实施例二

本实施例公开了一种鲁棒扫视eog信号识别系统，包括：采集模块、预处理模块、盲源分离模块、补偿模块、排序模块、时域还原模块以及eog信号识别模块；

采集模块对eog多通道眼动数据进行采集，获得时域上的眼动数据；

预处理模块与采集模块连接以对时域上的眼动数据进行预处理得到频域上的眼动数据；

盲源分离模块与预处理模块连接以在频域上，采用复值ica算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；

补偿模块与盲源分离模块连接用于对对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；

排序模块与补偿模块连接用于采用约束doa算法对补偿后的独立分量进行处理，使得每个频点f上的独立源都按照方向角从小到大排列；

时域还原模块与排序模块连接用于对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上每个独立源完整的时间信号；

eog信号识别模块与时域还原模块连接以对对时域上的每个通道独立源提取功率谱密度特征，并将提取的特征送入支持向量机svm中进行识别，得到eog信号识别结果。

进一步地，所述的补偿模块具体用于：

根据复值ica算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；

利用混合矩阵的系数对各频点的独立分量进行尺度补偿，得到尺度补偿后各频点的独立分量。

需要说明的是，本发明在传统的对eog信号进行带通滤波处理之后，对频域上的眼动数据进行盲源分离，并在盲源分离后，对各频点上的独立分量进行尺度补偿以确保盲源分离后各独立源信号尺度的完整性，同时通过约束doa算法对各独立源的方向角进行重新排序，解决了ica算法固有的排序模糊问题。如此即可确保eog信号携带信息的完整性，保证了eog信号识别的准确率。

具体地，图6-(a)、6-(b)分别是本实例中原始多通道eog扫视信号的时域和频域波形图、经带通滤波后的多通道eog扫视信号的时域和频域波形图。图中时域波形图横坐标表示的是采样点，纵坐标表示的是信号的幅度，频域波形图横坐标表示的是频率，纵坐标表示的是信号的幅度。对比可以看出原始多通道eog扫视信号中存在眨眼伪迹信号，频域频带较宽，而经带通滤波后虽能对多通道eog扫视信号中的眨眼伪迹具有一定的抑制，但是由于眨眼信号源与eog扫视信号源在频带上有一定的重叠，所以无法滤除眨眼伪迹，这对扫视运动的识别率有一定的影响，导致了识别率的下降。

图7至8为本实例中分别经线性ica算法和卷积ica算法盲源分离结果的对比示意图。图7-(a)和7-(b)分别表示的是经线性ica和卷积ica分离后的多通道eog扫视信号波形图，其中横坐标显示的是采样点，纵坐标是信号的幅度。图8-(a)和8-(b)表示的是分别截取图7-(a)和7-(b)第二通道一段eog扫视信号的时域和频域波形图。其时域波形图横坐标表示的是采样点，纵坐标表示的是信号的幅度，频域波形图横坐标表示的是频率，纵坐标表示的是信号的幅度。从两图可以清晰看出，经线性ica分离后，伪迹信号没有分离“干净”，依然有眨眼信号存在，且经线性ica分离后的扫视eog信号比经卷积ica分离后的扫视eog信号的频带宽。

因此，本发明中采用卷积ica算法对时域上的多通道eog数据进行盲源分离，盲分离前后得到的eog信号波形图如图9所示。其中9-(a)是盲源分离前的多通道eog信号波形图中，9-(b)是盲源分离后得到的多通道eog信号波形图中，横坐标表示的是采样点，纵坐标表示的是信号的幅度大小。对比9-(a)、9-(b)可知，经卷积ica分离后，眨眼伪迹源信号被分离开。

需要说明的是，本发明中采用卷积ica与采用不同算法的平均识别率如图10所示。其横坐标表示的是受试者的顺序，纵坐标表示的是平均识别率。可以得出，经卷积ica方法得到的平均识别率为97.254％，比带通滤波法、小波去噪法和及线性ica方法分别提高了4.854％，7.168％和2.64％。所提方法具有一定的有效性。

如图11-(a)、11-(b)所示，本实例中两通道eog信号经复值ica算法盲分离后，两个独立源在频域分别得到的六个相邻频点的时频域波形图。其横坐标表示的是滑动窗的位置，纵坐标表示的是信号的幅度大小。从两幅波形图中可以看出，第三通道和第五通道出现了排序模糊问题。

本发明中在进行盲源分离处理后，对各频点的独立分量进行尺度补偿以及通过约束doa算法对尺度补偿后的各频点上的独立源按照方向角从小到大的顺序进行排列，解决了各频点上排序模糊的问题，具体效果见图12-13。

图12-(a)、12-(b)分别为排序前后的翻转矩阵图。其横坐标表示的是频率点。对比两图可以看出，未排序前各频点排序模糊的数量是32，经本文所提算法排序后，各频点排序模糊的数量降到了10，表明本发明所提算法对解决排序模糊问题具有一定的效果。

参见图13为本实例中分离后eog信号不同频点的时频域波形图。其横坐标表示的是滑动窗的位置，纵坐标表示的是信号幅度大小。图13-(a)和13-(b)表示的是6通道eog扫视信号65到69连续5个频点排序前的时频域波形图，从图中可以看出第一通道和第五通道的第66^th频点出现了排序模糊问题(显示在实线方框中)，第三通道和第五通道的第67^th频点也出现了排序模糊问题(显示在虚线方框中)。图13-(c)和13-(d)显示的是6通道eog信号65到69连续5个频点的排序后的时频域波形图，从图中可知，排序后错乱的顺序得到了调整。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。