基于DTW算法的眼動信號分類研究

彭毅

（貴陽銀行股份有限公司，貴州貴陽，550000）

0 引言

在人機(jī)交互領(lǐng)域，EOG的分類和識別一直是研究者們的一個(gè)重要科學(xué)研究領(lǐng)域。EOG信號為肢體殘疾的人實(shí)現(xiàn)人機(jī)交互提供了可能性。本文利用DTW算法對EOG信號進(jìn)行分類。第1節(jié)介紹了眼動信號提取的相關(guān)工作，第2節(jié)介紹了EOG端點(diǎn)檢查和有效信號的提取，第3節(jié)介紹了DTW算法，第4節(jié)是實(shí)驗(yàn)和結(jié)果分析。最后，對本文進(jìn)行了總結(jié)和展望。

1 EOG信號的收集

■1.1 電極方式的選擇

EOG主要由分布在眼睛周圍的生物電極收集，有兩種方式放置電極，分別是單極連接和雙極連接。雙極連接的缺點(diǎn)是它不能有效地反映單個(gè)活性電極電勢的實(shí)時(shí)變化?；谝陨戏治觯疚膶OG的分類進(jìn)行了研究，信號的實(shí)時(shí)性要求較低，因此采用了雙極連接來采集信號。

■1.2 信號采集

本文使用RM6280C多通道生理信號采集和處理系統(tǒng)來實(shí)現(xiàn)信號采集。我們選擇200Hz作為采樣頻率，選擇100Hz作為濾波器，以達(dá)到要求，因?yàn)镋OG的幅度范圍約在50～300uv之間，頻率范圍約在0～38Hz之間。圖1是時(shí)域和頻域圖原始EOG信號的。

圖1 原始EOG信號

2 有效EOG信號的提取

■2.1 EOG信號的預(yù)處理

雖然我們在原始EOG采集過程中使用了一些硬件濾波器，但經(jīng)過硬件濾波器后的EOG不是純信號，并且信號中仍然包含一些來自眼球震顫、人體EMG信號、ECG信號、物體靜電充電、電磁噪聲和50Hz頻率干擾的干擾信號，因此必須對原始信號進(jìn)行進(jìn)一步處理。由于EOG頻率在0-38之間，其主要有效信號在0-10范圍內(nèi)，因此本文將使用截止頻率為10Hz的四階低通濾波器對EOG進(jìn)行濾波。濾波前后的結(jié)果對比圖見圖2。

圖2 濾波前后結(jié)果的比較

■2.2 有效信號的提取

EOG是由眼球運(yùn)動產(chǎn)生的生物電信號，包括有效運(yùn)動和無效運(yùn)動，因此有效信號的提取是EOG研究的重要前提，根據(jù)能量值判斷信號起始點(diǎn)，提取信號。

2.2.1 EOG的子幀和處理窗口

EOG的子幀和處理窗口是將一個(gè)“窗口”應(yīng)用于連續(xù)信號的周期。然后將“窗口”向后移動一定距離，并研究“窗口”周期內(nèi)的信號。其中，“窗口”的長度變?yōu)閹L度，其移動的距離變?yōu)閹?，幀長和幀移通常選擇2:1的比率，為了信號的連續(xù)性，最后一個(gè)信號和下一個(gè)信號應(yīng)該疊加。本文選擇的幀長為20ms，幀移為10ms。圖3是開窗示意圖。

圖3 開窗示意圖

為了保持高分辨率并減少光譜泄漏，通常選擇Hamming窗作為窗函數(shù)，其在公式（2）中的表達(dá)式如下：

假設(shè)EOG的時(shí)域信號為，窗口函數(shù)為s(n)，因此加窗w(n),EOG表達(dá)式類似于公式（1）中的表達(dá)式，如下所示：

2.2.2 短期能量計(jì)算

在正常情況下，我們希望通過顯著的差異來區(qū)分有效和無效信號，因此我們引入了EOG能量的概念。通過比較EOG能量有效和無效之間的差異，可以通過設(shè)置一定的閾值來實(shí)現(xiàn)設(shè)置目標(biāo)。以EOG的一段為例，將經(jīng)過加窗分的第n幀信號計(jì)為xn(m)，一幀包含m個(gè)點(diǎn)，則定義第n幀的能量為：

圖4是EOG能量。

圖4 EOG能量

2.2.3 端點(diǎn)檢測

如圖4所示，有效和無效信號的能量值之間存在顯著差異，因此，根據(jù)實(shí)驗(yàn)設(shè)置閾值可以讓我們定位和標(biāo)記信號的起點(diǎn)和終點(diǎn)。在本實(shí)驗(yàn)中，能量閾值M為0.04，只要將每個(gè)幀的信號能量與閾值進(jìn)行比較，就可以找到信號的起點(diǎn)和終點(diǎn)。端點(diǎn)檢測算法如圖5所示。

圖5 端點(diǎn)檢測算法

通過端點(diǎn)檢測找到一系列信號的起點(diǎn)和終點(diǎn)，綠線標(biāo)記的位置是信號的起點(diǎn)，紅線標(biāo)記的位置為信號的終點(diǎn)，如圖6所示。

圖6 信號的起點(diǎn)和終點(diǎn)

2.2.4 有效信號的提取

有效信號是從眼睛運(yùn)動開始并隨著眼睛停止而停止的信號。可以根據(jù)確定的運(yùn)動起點(diǎn)和終點(diǎn)提取EOG。圖7中的(a)、(b)、(c)、(d)是向左、向右、單眨眼、雙眨眼的EOG示意圖。

圖7 EOG信號示意圖

3 DTW算法

在EOG信號的分類和識別領(lǐng)域，通常使用人工神經(jīng)網(wǎng)絡(luò)將各種EOG特征相結(jié)合的分類方法，很少使用基于模型匹配的分類算法，模型匹配的分類方法可以應(yīng)用于EOG信號的分類。DTW算法是一種基于動態(tài)規(guī)劃（DP）的模型匹配方法，可以解決同一類EOG信號的不同長度和幅度的識別問題。

動態(tài)時(shí)間扭曲算法計(jì)算兩個(gè)信號之間的最佳匹配路徑。DTW算法還計(jì)算兩個(gè)圖像之間的距離，根據(jù)兩個(gè)圖像的相關(guān)特征值計(jì)算兩個(gè)可能的點(diǎn)對之間的累積距離。該算法計(jì)算長度分別為(a1,a2,···,an)和(b1,b2,···,bm)的兩個(gè)序列的元素之間的局部距離n和m。結(jié)果是具有項(xiàng)的n 行和m列的距離矩陣：

根據(jù)局部距離，根據(jù)下一個(gè)優(yōu)化目標(biāo)，使用動態(tài)規(guī)劃算法計(jì)算兩個(gè)序列之間的最小距離矩陣：

（1）邊界條件：路徑從左下角開始t11，到右上角結(jié)束tnm。

（2）單調(diào)性條件：路徑不會返回自身，這意味著i和j索引要么保持不變，要么增加，但永遠(yuǎn)不會減少。

（3）步長條件：路徑逐漸前進(jìn)。索引i和j在每一步上最多增加一個(gè)單位。

4 實(shí)驗(yàn)結(jié)論

■4.1 數(shù)據(jù)收集

實(shí)驗(yàn)選擇了5個(gè)人（三男兩女），他們的眼睛功能正常，年齡在23歲到25歲之間，他們都參加過EOG信號采集實(shí)驗(yàn)，熟悉實(shí)驗(yàn)環(huán)境。使用RM6280C多通道生理信號采集與處理系統(tǒng)采集EOG。用于EOG采集的電極位于眼睛兩側(cè)以及單眼的上下部分。電極1和電極2收集EOG的水平分量，這些分量對眼睛的水平運(yùn)動起反應(yīng)；電極3和電極4收集EOG的垂直分量，這些分量對眼睛的垂直運(yùn)動和眨眼作出反應(yīng)。電極5是接地電極，如圖8所示。

圖8 EOG電極的位置

實(shí)驗(yàn)收集了三名受試者的四種EOG：左移動、右移動、一次眨眼和兩次眨眼。每個(gè)動作需要50組數(shù)據(jù)，因此總共有1000組數(shù)據(jù)。為了防止受試者疲勞，每個(gè)受試者每次只收集5組數(shù)據(jù)。根據(jù)眼動習(xí)慣，完成一個(gè)動作的時(shí)間大約在0.4秒到0.6秒之間，每個(gè)動作之間的間隔在2～3秒之間。在采集5組數(shù)據(jù)后，讓受試者休息，以確保眼睛處于放松狀態(tài)，然后繼續(xù)收集下一個(gè)數(shù)據(jù)。

■4.2 數(shù)據(jù)分析

實(shí)驗(yàn)使用信號的波形作為分析樣本。將從5名受試者中采集四種EOG，它們是向左移動眼睛的信號、向右移動眼睛的信息、眨眼一次的信號和眨眼兩次的信號，每個(gè)動作有50組數(shù)據(jù)，因此總共有1000組數(shù)據(jù)。從每種信號中隨機(jī)選擇一組信號作為DTW算法的匹配模板，所選擇的信號組將用作模板組。剩下的信號將是測試組。為了計(jì)算測試組的信號和模板組的信號之間的距離，應(yīng)在這兩組信號中應(yīng)用處理。根據(jù)DTW算法，信號將屬于測試信號與其距離較短的模板。表1、2、3、4、5是5名受試者的DTW操作結(jié)果。（LT表示左模板，T R表示右模板，OBT表示眨眼模板，DBT表示雙眨眼模板。）

表1 實(shí)驗(yàn)者I匹配結(jié)果

表2 實(shí)驗(yàn)者Ⅱ匹配結(jié)果

表3 實(shí)驗(yàn)者Ⅲ匹配結(jié)果

表4 實(shí)驗(yàn)者Ⅳ匹配結(jié)果

表5 實(shí)驗(yàn)者Ⅴ匹配結(jié)果

表1、2、3、4、5分別顯示了5個(gè)受試者的四種信號在匹配模板和測試模板之間的平均距離。根據(jù)表1、3、3、5可以看出，當(dāng)每種信號的50組數(shù)據(jù)與基于DTW算法的相應(yīng)信號匹配時(shí)，平均距離最短。（已用粗體標(biāo)記）。這一現(xiàn)象表明DTW算法完全適用于EOG分類。表6是五個(gè)受試者的4種類型信號的識別率。

表6 識別率分析

5 結(jié)論

本文介紹了EOG的提取、EOG的端點(diǎn)檢測，并將語音信號分類中常用的DTW算法應(yīng)用于EOG的分類和識別，實(shí)驗(yàn)結(jié)果表明，基于DTW算法的EOG平均分類率可達(dá)99%以上。為基于EOG的人機(jī)交互奠定了良好的基礎(chǔ)。但是在實(shí)驗(yàn)過程中也發(fā)現(xiàn)了使用DTW算法分類時(shí)存在的一些問題，例如：模塊的選擇對分類結(jié)果有明顯的影響，使用時(shí)域特征值時(shí)會產(chǎn)生太多的數(shù)據(jù)，并且運(yùn)算結(jié)果相對較慢。下一步的工作：找到適用于DTW算法的EOG信號的合適特征值，提高運(yùn)算速度。