侯传宇，李 鸿，张秋实，赵 娟

1.宿州学院信息工程学院,安徽宿州，234000；2.宿州市立医院CT室，安徽宿州，234000 3.合肥学院数理系，安徽合肥，230601



基于眼电图的眼动信号分类算法研究

侯传宇1，李 鸿1，张秋实2，赵 娟3

1.宿州学院信息工程学院,安徽宿州，234000；2.宿州市立医院CT室，安徽宿州，234000 3.合肥学院数理系，安徽合肥，230601

为降低EOG的眼动信号中的噪声，提高分类算法精度，改进基于EOG的人-机交互系统性能，提出了一种基于小波变换(Wavelet Transform)与支持向量机(SVM)的眼动信号分类算法(WT-SVM)。实验室环境下，对9名眼部活动正常的受试者进行了眼动数据采集与识别，WT-SVM算法的平均分类准确率达到96.9%，与常规带通滤波去噪方法相比较，平均正确识别率提升了1.3%。实验结果表明，小波变换在EOG信号预处理中具有较强的鲁棒性，WT-SVM算法在眼动信号识别中具有高的分类精度。

人-机交互；眼电图；小波变换；分类；支持向量机

1 研究背景

近年来，生物医学工程和计算机辅助技术的快速发展为肢体残障人士对外交流提供了极大便利，但是，由于残障人士需求的特殊性，用键盘、鼠标、操纵杆或触摸屏等作为辅助工具的人机交互系统已不能满足使用者的需求。最近，语音识别、视觉信息、脑机接口(Brain-Computer Interfaces，BCI)[1]等新辅助技术在人-机交互(Human Computer Interaction，HCI)中不断涌现，极大地促进了人机交互的发展。对一组有肢体严重残疾的人群的调查表明，大多数人仅具有控制动眼神经系统的能力[2],因而眼动信号用于开发新的人机交互系统成为目前研究的热点[3]。采集眼动信号通常采用眼电图(Electrooculogram，EOG)、搜索线圈、红外线眼动图、视频记录等方法。眼电图是一种用于记录角膜和视网膜由于眼动产生的电势信号的技术[4]，具有成本低、便于采集、信噪比高等优势，已广泛应用于医学辅助设备、虚拟键盘[5]控制等方面。而基于EOG的HCI技术也不仅限于严重残疾的人，还可以扩展到运动功能正常的群体。近来，基于EOG的个体行为识别、驾驶员疲劳检测[6]及上下文感知[7]等方面的研究，已经受到了广大学者的关注，并成为新的研究热点。

在基于EOG的眼动信号分类研究中，噪声干扰使得EOG信号受到不同程度的污染。为获取更为纯净的EOG信号，提高眼动信号的分类准确度，需要对采集到的EOG信号进行降噪处理，通常使用常规滤波器，如巴特沃斯(Butterworth)滤波器等[8]。小波变换(Wavelet Transform:WT)是一种有效的时频分析工具，在脑电图等非平稳信号的分析与处理中，性能良好[9-10]。现已被用于基于EOG信号的眨眼检测以及心电图等生理信号的去噪研究中[11-12]。常规滤波器在其参数固定的情况下，性能稳定，适用于具有确定性的平稳信号，对于非平稳信号处理效果不够理想。然而，对于基于EOG的人-机交互系统来说，原始眼电信号中不可避免地混有人体电信号(包括肌电、脑电等)，具有较大的非稳定性，小波变换可通过小波分解，进行自适应的调整，适用于非平稳信号的处理。为此，本文提出一种基于小波变换的分类算法，以提高眼动信号的分类性能。实验结果表明，用小波变换处理过EOG信号的分类准确率更高，小波变换相较于Butterworth滤波器对EOG信号具有更好的鲁棒性。

2 小波变换简介

带有噪声的信号f(t)可以由如下的形式表示：

f(t)=a(t)+σ·d(t)

(1)

其中，a(t)为无噪信号，d(t)为噪声数据，σ为噪声强度。利用a(t)和d(t)在小波变换中的不同特性，通过对小波分解获取的系数进行阈值处理，可达到从含噪的信号f(t)中还原出纯净信号a(t)的目的，应用较广泛的是基于多分辨率分析的Mallat算法[13]。对有噪信号f进行n层分解，可表示为：f=can+cdn+cdn-1…+cd1，其分解过程如图1所示，信号每次都分解成低频和高频部分，继续对低频部分进行再分解，能得到尺度更高的低频和高频部分。

图1 EOG信号的n层小波分解图

噪声部分通常包含在f=can+cdn+cdn-1…+cd1中，使用门限阈值量化法对通过多分辨率分析得到的高频率的小波系数进行处理，然后对信号进行重构，以实现去噪的目的[14]。

3 眼电信号采集

图2 眼球的正负电势分布

图3 眼电电极位置图

由于眼角膜和视网膜之间存在电位差(图2)，眼睛周围皮肤上电位会随眼球的转动而发生相应变化。视网膜与角膜之间的电势差会随眼球的转动而不断变化，该电势信号即为眼电信号，其频率范围在0～100Hz之间[4]。本文中眼电信号采集使用NeuroScan公司的NuAmps放大器，采样频率设置为250 Hz，电极位置如图3所示，参考电极在双耳乳突处。采集EOG信号的电极分别位于双眼颞侧(1和2)，主要采集EOG信号的水平分量(HEOGL和HEOGR)；单眼上下的部位(3和4)，主要采集EOG信号的垂直分量( UEOGD和VEOGD)；5为接地电极。

眼动的基本形式有注视、扫视和跟随运动等，扫视最常发生，且EOG波形幅度变化明显，能明显反映眼球运动特征，有着较高的实际应用价值。因此，本文重点研究扫视眼动下眼电信号噪声的去除，并比较经典巴特沃斯滤波器和小波变换去噪后对分类性能的影响。

4 实验与结果分析

基于小波变换的EOG的扫视眼动分类算法通常包含数据预处理、特征提取、分类三个部分。在训练阶段，对原始EOG训练数据使用小波变换进行预处理，再提取其主要特征训练分类模板；分类阶段，对待分类的原始EOG数据进行小波变换预处理，并提取其主要特征，把提取到的主要特征与分类模板进行匹配，从而确定所属类别。算法的主要流程及各阶段波形如图4所示。

图4 EOG分类算法流程图

4.1 范式设计

图5 眼动扫视信号实验范式

实验选9名(6男3女)眼部功能正常，年龄介于21～35周岁之间，对实验环境比较熟悉且参与过EOG信号采集实验的受试者。受试者眼睛距离O点2.0 m，目光注视O点，在听到“嘀”的声音时开始准备，1 s后屏幕显示箭头(上、下、左、右随机出现)，受试者根据箭头提示，沿着R、L、U、D方向进行水平或垂直扫视，扫视过程持续3 s。黑屏(持续2 s)时，受试者回到初始状态。受试者进行眼动的时间段为1～4 s，单次EOG数据的时长为7 s，单次试验的时间间隔为2 s，实验范式如图5所示。实验过程中，受试者尽量减少非自觉性眨眼，保持头部稳定，扫视过程沿直线平稳进行。每组实验，4个目标随机单独出现，每个目标均出现25次，共计100个样本。根据不同受试者，将采集到的样本分为f1、f2、f3、f4、f5、f6、f7、f8、f9。

4.2 数据预处理

由于眼动的EOG信号在采集的过程中不可避免地受到采集设备(如工频干扰)以及环境因素(肌电干扰、电极移位)的干扰，实际采集到的信号中通常混有噪声数据。为了降低噪声对眼动分类的影响，需要对原始EOG信号进行预处理，通常使用Butterworth滤波器对EOG信号进行滤波[8]。为了验证小波变换的降噪性能，本实验采用离散小波变换进行降噪处理，并与Butterworth滤波器进行比较。离散小波变换算法包括小波分解、阈值量化、小波重构三个部分，其主要流程如图6所示。

图6 小波变换去噪流程图

实验选择小波基函数“db8”对原始EOG信号进行6层小波分解(图7)，使用启发式阈值选择法，选择合适的阈值，再对小波分解所得到的各层高频系数进行阈值量化处理，然后把第6层的低频系数与量化后的各层高频系数经过小波重构，获得去除噪声后的EOG信号。由于EOG信号主要特征在10 Hz以下[15]，实验选择截止频率为0.1～10 Hz的4阶Butterworth高通滤波器和低通滤波器组成带通滤波器，对原始EOG信号进行滤波。由图8可以看出，小波重构后EOG信号和经过Butterworth带通滤波器滤波后的波形相对于原始EOG信号平滑了很多，这说明上述两种方法可以有效抑制噪声信号的干扰。

图7 EOG信号6层小波分解图

图8 原始EOG信号与小波重构以及滤波后的波形图

4.3 分类结果比较

对预处理后的EOG数据进行下采样作为信号特征，并使用SVM对其进行分类。实验采用三种方法对眼动扫视EOG信号进行分类。方法一：选择“db8”作为小波的基函数，对原始EOG信号使用小波变换进行6层分解，采用启发式阈值选择法自动选择阈值，对小波分解后1～6层高频系数进行阈值量化处理，再由第6层的低频系数与量化后的高频系数经重构后得到EOG信号。并对重构后的EOG信号进行8倍下采样作为眼动扫视的特征，送入SVM分类器进行分类，该方法主要由小波变换(WT)和SVM构成，简称WT-SVM算法；方法二：使用4阶Butterworth带通滤波器对原始EOG信号进行滤波，将滤波后的数据进行下采样作为眼动扫视的特征，送入SVM分类器进行分类，该方法主要由Butterworth带通滤波器和SVM构成，简称B-SVM算法；方法三：对采集到的原始EOG信号直接进行下采样，不对原始数据进行预处理，然后使用SVM进行分类(简称N-SVM)。为了比较三种算法的分类准确性，实验中所使用的SVM分类器采用相同的核函数和相同的参数。

实验采用交叉验证法(K-fold Cross Validation，K-CV)对WT-SVM算法、B-SVM算法以及N-SVM算法所采集的9组数据进行分类比较，K-CV能有效地避免过度学习和学习不足的情况，实验结果的可信度较高[16]。将实验数据均分为K份，分别用每1份数据作测试数据，同时把其余的K-1份数据作为训练数据，得到K个模型，取这K个模型对应的测试数据的分类准确率的平均数作为分类结果。本实验中K取5，平均分类结果如图9所示。

图9 3种算法平均分类准确率比较

从图9中可以看出，N-SVM算法的平均识别率为90.3%，最高识别率为96%，最低识别率为82%。虽然眼动扫视EOG波形较明显，可区分度相对较高，由于原始EOG信号中混有大量噪声，其平均分类准确率不够理想。B-SVM算法的平均识别率为95.7%，最高识别率为100%，最低识别率为85%。相对于N-SVM算法，平均识别率提高了5.9%，这是由于Butterworth带通滤波器有较强的降噪能力，滤除了EOG信号中大部分噪声，保留了EOG信号的主要特征，减少了噪声对SVM分类的影响，从而分类准确率得到了提升。WT-SVM算法的平均识别率为96.9%，最高识别率为100%，最低识别率为90%。相对于N-SVM和B-SVM算法，平均识别率分别提高了7.3%、1.3%。在基于WT的EOG预处理中，实验所采用的启发式阈值选择能根据实际噪声的情况进行阈值量化，对各层小波系数进行调整，然后进行小波重构EOG信号。阈值量化各层的系数，表征了在局部平均中丢失的信号细节。所采用的多解析度分析法不仅能够对信号在越来越宽的区域上取平均，还能保留因为平均而损失的信号细节，这相当于对信号进行了低通和高通滤波。因而，小波变换可以看作对原始EOG信号进行了低通和高通滤波，相比较Butterworth滤波后的EOG信号的频谱图(图10)，可以看出小波变换重构的EOG信号保留了更多的眼动特征，更接近于无噪的EOG信号，所以WT-SVM分类性能较B-SVM高。

图10 原始EOG信号以及小波重构后信号与Butterworth滤波后频谱图比较

5 结 语

为了降低EOG信号中的噪声，提高眼动分类算法的精度，改进基于EOG的人-机交互系统性能，提出了一种基于小波变换的WT-SVM的眼动信号识别算法。该算法使用小波变换对原始EOG信号进行预处理，然后通过下采样获取眼动信号的特征，并训练SVM分类器对处理后的测试数据进行分类，实验结果显示小波变换在EOG信号降噪过程中表现了良好的性能，说明WT-SVM算法具有高的分类精度和鲁棒性，这对于改进基于EOG的人-机交互系统性能以及在行为识别方面具有重要的参考意义。下一步工作，将进一步改进WT-SVM算法，研究在线基于EOG的HCI系统建立，并尝试建立用于行为识别的HCI系统。

[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]赵建林,周卫东,刘凯,等.基于SVM和小波分析的脑电信号分类方法[J].计算机应用与软件,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

(责任编辑：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

安徽省高校省级自然科学研究项目“基于领域本体的可信Web服务组合方法研究”(KJ2013B285)，“基于粒特征和范畴论的粒范畴模型研究”(KJ2012A263)，“基于决策树的个性化身份验证研究”(KJ2012Z400)，“基于语义深度分析的网络舆情监测系统”(KJ2012Z401)；安徽省高等学校省级优秀青年人才基金项目“隐含概念漂移的数据流分类算法研究”(2010SQRL193)。

侯传宇(1980-)，安徽利辛人，硕士，讲师，主要研究方向：数据挖掘,智能信息处理与人-机交互技术。

TP399

A

1673-2006(2014)05-0066-05