基于模糊c均值聚類的操作員眨眼率檢測

宋江文 張光華 熊朝興 張樂言 孫存榜 王嬈芬

摘 要 人體內蘊藏著豐富的生物電信號，能夠一定程度上反映人體的疲勞等心理信息。與其它生物電信號相比，眼電信號具有幅值較高、干擾較少、易檢測等特點。本文對操作員的眼電信號進行分析檢測，通過小波消噪方法去除眼電信號中的高頻干擾，再利用模糊c均值聚類方法檢測眨眼峰值，從而檢測操作員眨眼率。獲取的信息可以進一步分析，從而判斷操作員的疲勞度。

關鍵詞 眼電信號 小波去噪 模糊c均值聚類

中圖分類號：TP391.41 文獻標識碼：A

0 引言

眾所周知，疲勞是人的一個自然的生理現象，它的產生與一個人的勞動強度、工作環境、本身的健康和情緒等等有關，是人體的一種自我調節和保護功能。當疲勞被人們感覺時就意味著此刻需要好好休息一下。但是隨著現在經濟的高速發展與生活節奏的加快，許多工作人員因為種種原因，都是頂著疲勞繼續工作，這樣就使得人體產生的疲勞成為一些事故的根本導火索。本文要探索的是與人疲勞有關的眼電信號，通過對人體眼電信號的研究，來找出人的疲勞度量，預防人因為過度疲勞工作而導致事故的發生。

現有的科學研究發現，人體內蘊藏著大量豐富的生物電信號，本文研究的眼電信號便是其中之一。隨著科學技術的發展，現在已經可以通過一些設備采集眼電信號，進行分析研究，破譯它所蘊含的心理信息。然后通過眼電信號反映出來的信息對工作人員的工作疲勞程度進一步的分析，以此判斷工作人員此時是否適合繼續進行工作，為人們提供更安全的工作環境。同時，眼電信號還有著廣闊的發展前景，隨著深入的研究，可以利用這些眼電信號來對人的生活、工作、醫療等許多方面進行改善和提高。

本文通過實驗方法采集了執行過程控制任務的操作員的眼電信號，通過小波分析方法去除其中的高頻干擾信號，然后采用模糊c均值聚類檢測眼電波形的眨眼峰值點，從而計算出操作員的眨眼率。本文的研究成果將有利于后續對眼電信號和疲勞的分析，可利用眨眼率分析操作員的疲勞程度。

1 方法

1.1 眼電分析方法

傳統的人眼分析方法：主要有模板匹配法、灰度投影法、先驗知識法、邊緣檢測法，神經網絡、支持向量機、馬爾可夫模型和模糊推理模型，眼電圖EOC。①

新型的人眼分析方法：（1）基于代價敏感支持向量機的人眼檢測方法：②該方法利用Gabor濾波器來提取人眼特征向量，使其特征值維數提高，再利用PCA進行降維處理，將拒識代價和誤分類代價集成到支持向量機設計中，使得分類器擁有最小平均代價，然后設計支持向量機對提取的特征進行多次訓練，從而實現人眼檢測。（2）小波包變換理論：③小波包變換（Wavelet Packet Transform）方法是在小波變換（使信號分解成低頻近似部分和高頻細節部分）的基礎上，在借助于小波分解濾波器，對各個尺度上對低、高頻子帶均進行二次分解。解決了小波變換不對高頻部分進行分解，從而導致高頻部分頻率局部性不好的問題，對信號有著更強大的分析能力。（3）微機分析系統：④微機分析系統是一個多功能的分析軟件系統，它能接收記錄儀傳送的眼電信號試驗數據作為原始數據存盤.之后便能對眼電波形進行復雜的處理和分析，給出分析診斷報告，從而提高分析的水平。（4）MPl50系統：⑤ MPl50系統是一個功能十分強大的基于計算機的數據采集系統，它適用性寬廣，可以和任何一臺具有Ethemet以太網口的計算機通信。它可以實現眼電EOG信號的采集與分析，并能控制數據采集的過程，完成實時的數據計算，并可以用多種文件格式保存采集的數據。

本文首先利用小波變換對采集的眼電信號進行去噪，然后采用模糊c均值聚類方法檢測眨眼峰值點。

1.2 小波去噪

小波變換作為一種新興的數學處理方法，是結合了泛函數、Fourier分析、調和分析和數值分析的最完美的結合。小波變換在數學界被稱作“數學顯微鏡”，具有良好的時頻局部化特性，能有效的從信號中提取相關的信息，通過伸縮和平移等運算功能對函數或信號進行多尺度細化分析。小波變換解決了Fourier變換不能解決的許多困難問題。

小波變換繼承和發展了傅立葉變換局部化的思想，同時又克服了窗口大小不隨頻率變化等缺點，能夠提供一個隨頻率改變的“時間-頻率”窗口，是進行信號時頻分析和處理的理想工具。它的主要特點是通過變換能夠充分突出問題某些方面的特征。

小波去噪基于小波變換原理，利用小波變換的多分辨率、去相關和選基靈活等特性進行信號的去噪。信號經過小波變換后，在不同的分辨率下呈現出不同的規律，通過設定每一尺度下的閾值門限，調整小波系數，就可以達到小波去噪的目的。

小波去噪的基本思路可以概括為：首先，利用小波變換把含噪信號分解成多尺度信號，本文采用db小波進行小波分解；然后，設置閾值，把每一尺度中屬于噪聲的小波系數去除，保留屬于信號的小波系數；最后，重構出小波去噪后的信號。小波去噪的關鍵是用什么準則來去除屬于噪聲的小波系數，增強屬于信號的部分。

小波去噪的方法有小波分解與重構法去噪、小波變換閾值去噪、平移不變量小波去噪、小波變換模極大值法去噪等一些方法。

1.3 模糊c均值聚類算法

模糊c-均值聚類算法（Fuzzy c-means Algorithm ，FCM），是用隸屬度確定每組數據所屬類別的一種聚類方法。該算法是1973年，由Bezdek在早期硬c均值聚類（HCM）方法的基礎上提出的一種改進算法。在多種模糊聚類算法中，模糊c均值算法的應用最為廣泛且較為成功。FCM方法通過優化目標函數得到每個樣本點對所有類中心的隸屬度，從而決定樣本點的類屬以達到自動對樣本數據進行分類的目的。

FCM算法可描述為：⑥設 = {，，…，}是維聚類樣本， = （，，…，）為中第個維特征向量。將該樣本集劃分為（2≤≤）個子集，聚類中心的集合為 = {，，…，}，模糊矩陣 = （），是第個樣本屬于第類的隸屬度，（>1）為模糊指數。

FCM的目標函數為：

（1）

其中，表示樣本點與第類的聚類中心的歐氏距離。

使目標函數最小的算法迭代過程如下：

（1）初始化參數。給定聚類類別數、初始聚類中心、模糊系數、迭代終止閾值；

（2）根據下述公式計算隸屬度矩陣；

（2）

（3）根據下式更新個聚類中心（1≤≤）；

（3）

（4）如果||||<，則停止；否則，令 = + 1，返回步驟2；

圖1 眼電信號去噪前后對比圖

2 結果及討論

本文對眼電信號進行分析和處理的過程如下：

（1）小波去噪：采用db4小波將眼電信號進行3層小波分解，通過無偏估計方法估計各層小波系數的噪聲閾值，最后采用軟閾值的方法去除小波系數中的噪聲，從而達到去除眼電信號中的高頻干擾的目的。圖1為一小段眼電信號去噪前后對比圖。

圖2 眼電峰值點圖形（紅色星號為找到的眼電峰值點）

圖3 每分鐘眨眼率波形圖

（下轉第253頁）（上接第212頁）

（2）模糊c均值聚類：去噪后的信號計算其一階導數、二階導數，然后進行模糊c均值聚類，將眼電信號分為兩類：高值點類和低值點類。最后在高值點類中找到了眼電的眨眼峰值點。圖2為通過模糊c均值聚類找到的眨眼峰值點，從圖中可以看出，本文提出的方法正確的找到了眼電峰值所在位置。

（3）眨眼率計算：采用相同的方法對所有的眼電信號進行峰值檢測，并計算每分鐘的眨眼率。圖3為計算出來的每分鐘眨眼率波形圖。

3 總結

本文對操作員的眼電信號進行了分析，首先通過小波去噪方法去除了眼電信號中的高頻干擾，然后利用模糊c均值聚類方法檢測出了眼電波形中的眨眼峰值點，從而計算出操作員眨眼率。本文方法對眨眼峰值點的檢測非常準確，可以計算出正確的眨眼率信息，其成果可用于進一步的基于眨眼率的操作員疲勞分析，從而判斷操作員的疲勞度。

基金項目：上海高校青年教師培養資助計劃（ZZGJD12011）

*通訊作者：王嬈芬

注釋

①②徐歡，高雁鳳，鄭恩輝，等.一種用于駕駛員疲勞檢測的人眼檢測方法.計算機工程，2013.39（9）：254-257.

③ 高春芳，呂寶糧，馬家昕.一種用小波包變換提取眼電信號警覺度特征的方法.中國生物醫學工程學報，2012.31（5）：641-648.

④ 李忠誠，李智，趙崗金，等.眼電信號記錄及分析系統的研究.北京生物醫學工程，1999.3.

⑤ 林敏，任杰. MPl50系統在眼電信號采集中的應用.儀器原理，2010.31（12）：127-130.

⑥ 王嬈芬，張建華，王行愚.基于ICA和FCM算法的操作員腦電信號偽跡自動去除研究.中國自動化學會控制理論專業委員會B卷.2011.