基于眼電圖的眼動信號分類算法研究

侯傳宇，李 鴻，張秋實，趙 娟

1.宿州學院信息工程學院,安徽宿州，234000；2.宿州市立醫院CT室，安徽宿州，234000 3.合肥學院數理系，安徽合肥，230601

?

基于眼電圖的眼動信號分類算法研究

侯傳宇1，李 鴻1，張秋實2，趙 娟3

1.宿州學院信息工程學院,安徽宿州，234000；2.宿州市立醫院CT室，安徽宿州，234000 3.合肥學院數理系，安徽合肥，230601

為降低EOG的眼動信號中的噪聲，提高分類算法精度，改進基于EOG的人-機交互系統性能，提出了一種基于小波變換(Wavelet Transform)與支持向量機(SVM)的眼動信號分類算法(WT-SVM)。實驗室環境下，對9名眼部活動正常的受試者進行了眼動數據采集與識別，WT-SVM算法的平均分類準確率達到96.9%，與常規帶通濾波去噪方法相比較，平均正確識別率提升了1.3%。實驗結果表明，小波變換在EOG信號預處理中具有較強的魯棒性，WT-SVM算法在眼動信號識別中具有高的分類精度。

人-機交互；眼電圖；小波變換；分類；支持向量機

1 研究背景

近年來，生物醫學工程和計算機輔助技術的快速發展為肢體殘障人士對外交流提供了極大便利，但是，由于殘障人士需求的特殊性，用鍵盤、鼠標、操縱桿或觸摸屏等作為輔助工具的人機交互系統已不能滿足使用者的需求。最近，語音識別、視覺信息、腦機接口(Brain-Computer Interfaces，BCI)[1]等新輔助技術在人-機交互(Human Computer Interaction，HCI)中不斷涌現，極大地促進了人機交互的發展。對一組有肢體嚴重殘疾的人群的調查表明，大多數人僅具有控制動眼神經系統的能力[2],因而眼動信號用于開發新的人機交互系統成為目前研究的熱點[3]。采集眼動信號通常采用眼電圖(Electrooculogram，EOG)、搜索線圈、紅外線眼動圖、視頻記錄等方法。眼電圖是一種用于記錄角膜和視網膜由于眼動產生的電勢信號的技術[4]，具有成本低、便于采集、信噪比高等優勢，已廣泛應用于醫學輔助設備、虛擬鍵盤[5]控制等方面。而基于EOG的HCI技術也不僅限于嚴重殘疾的人，還可以擴展到運動功能正常的群體。近來，基于EOG的個體行為識別、駕駛員疲勞檢測[6]及上下文感知[7]等方面的研究，已經受到了廣大學者的關注，并成為新的研究熱點。

在基于EOG的眼動信號分類研究中，噪聲干擾使得EOG信號受到不同程度的污染。為獲取更為純凈的EOG信號，提高眼動信號的分類準確度，需要對采集到的EOG信號進行降噪處理，通常使用常規濾波器，如巴特沃斯(Butterworth)濾波器等[8]。小波變換(Wavelet Transform:WT)是一種有效的時頻分析工具，在腦電圖等非平穩信號的分析與處理中，性能良好[9-10]。現已被用于基于EOG信號的眨眼檢測以及心電圖等生理信號的去噪研究中[11-12]。常規濾波器在其參數固定的情況下，性能穩定，適用于具有確定性的平穩信號，對于非平穩信號處理效果不夠理想。然而，對于基于EOG的人-機交互系統來說，原始眼電信號中不可避免地混有人體電信號(包括肌電、腦電等)，具有較大的非穩定性，小波變換可通過小波分解，進行自適應的調整，適用于非平穩信號的處理。為此，本文提出一種基于小波變換的分類算法，以提高眼動信號的分類性能。實驗結果表明，用小波變換處理過EOG信號的分類準確率更高，小波變換相較于Butterworth濾波器對EOG信號具有更好的魯棒性。

2 小波變換簡介

帶有噪聲的信號f(t)可以由如下的形式表示：

f(t)=a(t)+σ·d(t)

(1)

其中，a(t)為無噪信號，d(t)為噪聲數據，σ為噪聲強度。利用a(t)和d(t)在小波變換中的不同特性，通過對小波分解獲取的系數進行閾值處理，可達到從含噪的信號f(t)中還原出純凈信號a(t)的目的，應用較廣泛的是基于多分辨率分析的Mallat算法[13]。對有噪信號f進行n層分解，可表示為：f=can+cdn+cdn-1…+cd1，其分解過程如圖1所示，信號每次都分解成低頻和高頻部分，繼續對低頻部分進行再分解，能得到尺度更高的低頻和高頻部分。

圖1 EOG信號的n層小波分解圖

噪聲部分通常包含在f=can+cdn+cdn-1…+cd1中，使用門限閾值量化法對通過多分辨率分析得到的高頻率的小波系數進行處理，然后對信號進行重構，以實現去噪的目的[14]。

3 眼電信號采集

圖2 眼球的正負電勢分布

圖3 眼電電極位置圖

由于眼角膜和視網膜之間存在電位差(圖2)，眼睛周圍皮膚上電位會隨眼球的轉動而發生相應變化。視網膜與角膜之間的電勢差會隨眼球的轉動而不斷變化，該電勢信號即為眼電信號，其頻率范圍在0～100Hz之間[4]。本文中眼電信號采集使用NeuroScan公司的NuAmps放大器，采樣頻率設置為250 Hz，電極位置如圖3所示，參考電極在雙耳乳突處。采集EOG信號的電極分別位于雙眼顳側(1和2)，主要采集EOG信號的水平分量(HEOGL和HEOGR)；單眼上下的部位(3和4)，主要采集EOG信號的垂直分量( UEOGD和VEOGD)；5為接地電極。

眼動的基本形式有注視、掃視和跟隨運動等，掃視最常發生，且EOG波形幅度變化明顯，能明顯反映眼球運動特征，有著較高的實際應用價值。因此，本文重點研究掃視眼動下眼電信號噪聲的去除，并比較經典巴特沃斯濾波器和小波變換去噪后對分類性能的影響。

4 實驗與結果分析

基于小波變換的EOG的掃視眼動分類算法通常包含數據預處理、特征提取、分類三個部分。在訓練階段，對原始EOG訓練數據使用小波變換進行預處理，再提取其主要特征訓練分類模板；分類階段，對待分類的原始EOG數據進行小波變換預處理，并提取其主要特征，把提取到的主要特征與分類模板進行匹配，從而確定所屬類別。算法的主要流程及各階段波形如圖4所示。

圖4 EOG分類算法流程圖

4.1 范式設計

圖5 眼動掃視信號實驗范式

實驗選9名(6男3女)眼部功能正常，年齡介于21～35周歲之間，對實驗環境比較熟悉且參與過EOG信號采集實驗的受試者。受試者眼睛距離O點2.0 m，目光注視O點，在聽到“嘀”的聲音時開始準備，1 s后屏幕顯示箭頭(上、下、左、右隨機出現)，受試者根據箭頭提示，沿著R、L、U、D方向進行水平或垂直掃視，掃視過程持續3 s。黑屏(持續2 s)時，受試者回到初始狀態。受試者進行眼動的時間段為1～4 s，單次EOG數據的時長為7 s，單次試驗的時間間隔為2 s，實驗范式如圖5所示。實驗過程中，受試者盡量減少非自覺性眨眼，保持頭部穩定，掃視過程沿直線平穩進行。每組實驗，4個目標隨機單獨出現，每個目標均出現25次，共計100個樣本。根據不同受試者，將采集到的樣本分為f1、f2、f3、f4、f5、f6、f7、f8、f9。

4.2 數據預處理

由于眼動的EOG信號在采集的過程中不可避免地受到采集設備(如工頻干擾)以及環境因素(肌電干擾、電極移位)的干擾，實際采集到的信號中通常混有噪聲數據。為了降低噪聲對眼動分類的影響，需要對原始EOG信號進行預處理，通常使用Butterworth濾波器對EOG信號進行濾波[8]。為了驗證小波變換的降噪性能，本實驗采用離散小波變換進行降噪處理，并與Butterworth濾波器進行比較。離散小波變換算法包括小波分解、閾值量化、小波重構三個部分，其主要流程如圖6所示。

圖6 小波變換去噪流程圖

實驗選擇小波基函數“db8”對原始EOG信號進行6層小波分解(圖7)，使用啟發式閾值選擇法，選擇合適的閾值，再對小波分解所得到的各層高頻系數進行閾值量化處理，然后把第6層的低頻系數與量化后的各層高頻系數經過小波重構，獲得去除噪聲后的EOG信號。由于EOG信號主要特征在10 Hz以下[15]，實驗選擇截止頻率為0.1～10 Hz的4階Butterworth高通濾波器和低通濾波器組成帶通濾波器，對原始EOG信號進行濾波。由圖8可以看出，小波重構后EOG信號和經過Butterworth帶通濾波器濾波后的波形相對于原始EOG信號平滑了很多，這說明上述兩種方法可以有效抑制噪聲信號的干擾。

圖7 EOG信號6層小波分解圖

圖8 原始EOG信號與小波重構以及濾波后的波形圖

4.3 分類結果比較

對預處理后的EOG數據進行下采樣作為信號特征，并使用SVM對其進行分類。實驗采用三種方法對眼動掃視EOG信號進行分類。方法一：選擇“db8”作為小波的基函數，對原始EOG信號使用小波變換進行6層分解，采用啟發式閾值選擇法自動選擇閾值，對小波分解后1～6層高頻系數進行閾值量化處理，再由第6層的低頻系數與量化后的高頻系數經重構后得到EOG信號。并對重構后的EOG信號進行8倍下采樣作為眼動掃視的特征，送入SVM分類器進行分類，該方法主要由小波變換(WT)和SVM構成，簡稱WT-SVM算法；方法二：使用4階Butterworth帶通濾波器對原始EOG信號進行濾波，將濾波后的數據進行下采樣作為眼動掃視的特征，送入SVM分類器進行分類，該方法主要由Butterworth帶通濾波器和SVM構成，簡稱B-SVM算法；方法三：對采集到的原始EOG信號直接進行下采樣，不對原始數據進行預處理，然后使用SVM進行分類(簡稱N-SVM)。為了比較三種算法的分類準確性，實驗中所使用的SVM分類器采用相同的核函數和相同的參數。

實驗采用交叉驗證法(K-fold Cross Validation，K-CV)對WT-SVM算法、B-SVM算法以及N-SVM算法所采集的9組數據進行分類比較，K-CV能有效地避免過度學習和學習不足的情況，實驗結果的可信度較高[16]。將實驗數據均分為K份，分別用每1份數據作測試數據，同時把其余的K-1份數據作為訓練數據，得到K個模型，取這K個模型對應的測試數據的分類準確率的平均數作為分類結果。本實驗中K取5，平均分類結果如圖9所示。

圖9 3種算法平均分類準確率比較

從圖9中可以看出，N-SVM算法的平均識別率為90.3%，最高識別率為96%，最低識別率為82%。雖然眼動掃視EOG波形較明顯，可區分度相對較高，由于原始EOG信號中混有大量噪聲，其平均分類準確率不夠理想。B-SVM算法的平均識別率為95.7%，最高識別率為100%，最低識別率為85%。相對于N-SVM算法，平均識別率提高了5.9%，這是由于Butterworth帶通濾波器有較強的降噪能力，濾除了EOG信號中大部分噪聲，保留了EOG信號的主要特征，減少了噪聲對SVM分類的影響，從而分類準確率得到了提升。WT-SVM算法的平均識別率為96.9%，最高識別率為100%，最低識別率為90%。相對于N-SVM和B-SVM算法，平均識別率分別提高了7.3%、1.3%。在基于WT的EOG預處理中，實驗所采用的啟發式閾值選擇能根據實際噪聲的情況進行閾值量化，對各層小波系數進行調整，然后進行小波重構EOG信號。閾值量化各層的系數，表征了在局部平均中丟失的信號細節。所采用的多解析度分析法不僅能夠對信號在越來越寬的區域上取平均，還能保留因為平均而損失的信號細節，這相當于對信號進行了低通和高通濾波。因而，小波變換可以看作對原始EOG信號進行了低通和高通濾波，相比較Butterworth濾波后的EOG信號的頻譜圖(圖10)，可以看出小波變換重構的EOG信號保留了更多的眼動特征，更接近于無噪的EOG信號，所以WT-SVM分類性能較B-SVM高。

圖10 原始EOG信號以及小波重構后信號與Butterworth濾波后頻譜圖比較

5 結 語

為了降低EOG信號中的噪聲，提高眼動分類算法的精度，改進基于EOG的人-機交互系統性能，提出了一種基于小波變換的WT-SVM的眼動信號識別算法。該算法使用小波變換對原始EOG信號進行預處理，然后通過下采樣獲取眼動信號的特征，并訓練SVM分類器對處理后的測試數據進行分類，實驗結果顯示小波變換在EOG信號降噪過程中表現了良好的性能，說明WT-SVM算法具有高的分類精度和魯棒性，這對于改進基于EOG的人-機交互系統性能以及在行為識別方面具有重要的參考意義。下一步工作，將進一步改進WT-SVM算法，研究在線基于EOG的HCI系統建立，并嘗試建立用于行為識別的HCI系統。

[1]Junichi H,Sakano K,Saitoh Y.Development of a communication support device controlled by eye movements and voluntary eye blink[J].IEICE transactions on information and systems,2006,89(6):1790-1797

[2]Brechet L,Lucas M F,Doncarli C,et al.Compression of biomedical signals with mother wavelet optimization and best-basis wavelet packet selection[J].Biomedical Engineering,IEEE Transactions on,2007,54(12):2186-2192

[3]Cristian-Cezar Postelnicu,Florin Girbacia,Doru Talaba.EOG-based visual navigation interface development[J].Expert Systems with Applications,201239：10857-10866

[4]Barea R,Boquete L,Ortega S,et al.EOG-based eye movements codification for human computer interaction[J].Expert Systems with Applications,2012,39(3):2677-2683

[5]Lv Z,Wu X,Li M,et al.A novel eye movement detection algorithm for EOG driven human computer interface[J].Pattern Recognition Letters,2010,31(9):1041-1047

[6]Bulling A,Ward J A,Gellersen H,et al.Eye movement analysis for activity recognition using electrooculography[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2011,33(4):741-753

[7]Bulling A,Roggen D,Troster G. What's in the Eyes for Context-Awareness[J].Pervasive Computing,IEEE,2011,10(2):48-57

[8]Vijayprasath S,Sukanesh R,Palanivel Rajan S.Experimental explorations on EOG signal processing for realtime applications in labview[C]//Advanced Communication Control and Computing Technologies (ICACCCT),2012 IEEE International Conference on，IEEE,2012:67-70

[9]Krishnaveni V,Jayaraman S,Aravind S,et al.Automatic identification and Removal of ocular artifacts from EEG using Wavelet transform[J].Measurement Science Review,2006,6(4):45-57

[10]趙建林,周衛東,劉凱,等.基于SVM和小波分析的腦電信號分類方法[J].計算機應用與軟件,2011,28(5):114-116

[11]Kania M,Fereniec M,Maniewski R.Wavelet denoising for multi-lead high resolution ECG signals[J].Measurement Science Review,2007,7(4):30-33

[12]Reddy M S,Narasimha B,Suresh E,et al.Analysis of EOG signals using wavelet transform for detecting eye blinks[C]//Wireless Communications and Signal Processing (WCSP), 2012 International Conference on，IEEE,2010:1-4

[13]Caffier P P,Erdmann U,Ullsperger P.Experimental evaluation of eye-blink parameters as a drowsiness measure[J].European Journal of Applied Physiology,2003,89(3-4):319-325

[14]Ghorbanian P,Devilbiss D M,Simon A J,et al.Power based analysis of single-electrode human EEG recordings using continuous wavelet transform[C]//Bioengineering Conference (NEBEC), 2012 38th Annual Northeast.IEEE,2012:279-280

[15]Jones LA.Systematic review of alcohol screening tools for use in the emergency department[J].Emerg Med J，2011，28(3):182-191

[16]Lan H Witten,Eibe Frank.Data mining[M].BeiJing:China Machine Press,2005:149-151

(責任編輯：汪材印)

Research on a Classification Algorithm of Eye Movements Signals Based on Electrooculogram

HOU Chuan-yu1，LI Hong1，ZHANG Qiu-shi2，ZHAO Juan3

1.School of Information Engineering,Suzhou University,Suzhou Anhui,234000, China；2.Suzhou Municipal Hospital,Suzhou Anhui,23400,China；3.Hefei University,Department of Mathematics and Physics,Hefei Anhui, 230601,China

Electrooculogram (EOG) signals contain abundant information of eye movements, which have great application potential in behavior analysis and health monitoring, therefore, the study of noise reduction and recognition methods of EOG signals has important theoretical value and practical significance. To improve the classification accuracy of eye movement signals and the performance of HCI system based on EOG signals, a classification algorithm of eye movement signals (WT-SVM) based on Wavelet Transform and support vector machine is proposed. In laboratory environment, the eye movements of nine normal subjects are collected and identified, average classification accuracy of WT-SVM algorithm achieves 96.9%,increasing 1.3% than normal de-noising methods by band-pass filtering.Experimental results show that Wavelet Transform has good robustness in EOG signal preprocessing and WT-SVM algorithm has high classification accuracy in EOG signal identification.

human-computer interface;electrooculogram;wavelet transform;classification;support-vector-machine

10.3969/j.issn.1673-2006.2014.05.021

2014-03-02

安徽省高校省級自然科學研究項目“基于領域本體的可信Web服務組合方法研究”(KJ2013B285)，“基于粒特征和范疇論的粒范疇模型研究”(KJ2012A263)，“基于決策樹的個性化身份驗證研究”(KJ2012Z400)，“基于語義深度分析的網絡輿情監測系統”(KJ2012Z401)；安徽省高等學校省級優秀青年人才基金項目“隱含概念漂移的數據流分類算法研究”(2010SQRL193)。

侯傳宇(1980-)，安徽利辛人，碩士，講師，主要研究方向：數據挖掘,智能信息處理與人-機交互技術。

TP399

A

1673-2006(2014)05-0066-05