吕钊　陆雨　周蚌艳　吴小培

(1.安徽大学 计算智能与信号处理教育部重点实验室， 安徽 合肥 230039；2.安徽大学 信息保障技术协同创新中心， 安徽 合肥 230601)



基于独立分量分析的扫视信号样本优化算法

吕钊1，2陆雨1，2周蚌艳1，2吴小培1，2

(1.安徽大学 计算智能与信号处理教育部重点实验室， 安徽 合肥 230039；2.安徽大学 信息保障技术协同创新中心， 安徽 合肥 230601)

为改善基于眼电图(EOG)的人体行为识别系统性能，提高多任务背景下扫视信号识别的正确率，提出了一种基于独立分量分析(ICA)的扫视信号样本优化算法.该算法首先以单次扫视数据为分析对象，根据独立成分在采集电极的映射模式，设计了一种扫视相关独立成分的自动选择方法，并建立了相应的ICA空域滤波器；然后以原始EOG线性投影后信号的识别正确率为度量准则实现对干扰扫视信号的剔除.对4类扫视信号进行了“组内测试”与“组间测试”，实验结果表明，经文中算法优化后识别正确率达99.57%与98.82%，比优化前分别提升了0.57%与0.83%，说明文中算法能够对扫视信号样本进行有效的优化，提高其识别正确率.

眼电图；人体行为识别；独立分量分析；扫视相关独立成分

人体行为识别(HAR)是指对被观测个体的动作类型、行为模式等信息进行综合地分析与识别，并将识别结果通过自然语言等方式进行描述[1].由于HAR系统能够主动感知用户意图，因此在智能视频监控、医疗诊断、运动分析及人-机交互等领域具有广泛的应用前景，并且已经成为人工智能与模式识别领域中一个新兴的研究热点[2-3].现阶段，人体行为信息的获取主要采用非接触式环境传感器与可穿戴式生物电传感器两种方法.其中，可穿戴式生物电传感器能够有效弥补传统HAR系统的不足，正逐步成为HAR系统实现领域的一个新的研究方向.而在人体生物电信号中，眼电信号(EOG)比脑电、心电等其他生物电信号具有幅度大、易于检测、携带信息更为丰富等特点，因此，使用眼电信号进行HAR识别具有其他生物电信号所不具备的优势.

以办公室场景为例，基于眼电信号的人体行为识别系统(EOG-HAR)的基本工作过程可描述为：若系统检测出连续小幅度向右扫视动作与大幅度向左扫视动作的出现遵循着一定规律，则判断该受试者可能处于阅读状态；同理，若检测出水平扫视动作过程包含了大量的凝视信息(即扫视停顿)，则判断该受试者可能处于打字输入状态；当水平扫视幅度与垂直扫视信号幅度都较小，且出现频率较低时，则该位受试者可能处于休息状态.可以看出，在EOG-HAR系统的实现过程中，扫视作为出现频率最高、包含人体行为信息最丰富的一种基本眼动类型，其识别的准确率成为HAR系统性能的主要决定因素，因此，单元扫视信号的准确检出是最为关键的一步，为实现这一目标，一些比较成功的扫视信号识别方法相继被提出.文献[4]利用原始EOG信号的可视角度进行扫视信号的端点检测与识别；文献[5-6]根据眼球转动时所对应的EOG信号变化较快的特点提取扫视信号的特征参数并加以识别；文献[7-8]使用扫视信号的统计和时域特征进行扫视信号的识别.然而，在设计EOG-HAR系统的过程中发现，所采集到的EOG信号会受到一些噪声的干扰(如电极松动、信道瞬时畸变、采集设备的突发干扰等)，虽然上述干扰的持续时间较短，但信号幅度大、波形无规律且又不可避免，因此在实际使用过程中难以保证上述算法的识别正确率，这将会严重影响到EOG-HAR系统性能，甚至出现系统无法识别的情况.针对这一问题，噪声抑制[9]是一种较为常见的解决办法.然而，由于噪声类型与出现时机具有较强的随机性，且不同去噪算法受到自身性能的限制，在实际应用过程中对噪声的抑制效果并不理想，因此设计一种合理、有效的EOG信号噪声处理方法，是提升EOG-HAR系统实用性亟待解决的一个问题.

为改善EOG-HAR系统性能，转变解决思路，由对噪声的“抑制”变为对被干扰信号的“剔除”，文中提出了一种基于独立分量分析(ICA)的扫视信号样本优化算法，首先通过不同扫视模式下对单次观测实验样本扫视相关独立成分(SRICs)的分析，建立相应的ICA空域滤波器；然后使用该滤波器对原始多导EOG进行线性投影，通过分类器识别结果与数据标签获取该滤波器在其他实验样本上的平均识别正确率，并以此为度量准则剔除被噪声干扰的“坏数据”，保留正常数据，实现扫视信号样本的自动优化.为实现异步EOG-HAR系统，文中利用独立成分的空间分布信息，设计了一种SRICs的自动选择方法.最后通过对4类扫视信号的测试来验证文中所提算法的有效性.

1　EOG信号的生成

(a)眼睛解剖图

(b)上、下扫视时的EOG信号波形

图2给出了一段包含因身体运动而被干扰的阅读EOG波形，可以看出，在数据采集过程中，由于受试者无意识的身体运动而带来的电极位置的轻微移动，将会导致所采集的EOG波形包含了大量的无规律且幅度较大的噪声干扰，这种干扰会严重影响EOG-HAR系统的性能.

图2　一段包含噪声干扰的阅读状态EOG信号

2　优化算法设计

由于空域滤波(SP)方法能够较好地利用多导联生物电间的时、频、空三域信息，因此，在多导联信号处理等方面表现出良好的性能[13-15].文中提出的优化算法的总体思路是利用ICA方法对原始EOG信号进行空域滤波，然后根据滤波结果进行样本优化.基于ICA空域滤波的扫视信号样本优化算法的主要步骤如下：

(1)准备数据.分别采集受试者左、右、上、下扫视时的EOG数据，并对其进行预处理，将预处理后的所有实验样本分成训练集和测试集两部分供后端最优ICA空域滤波器设计时使用.

(2)设计最优ICA空域滤波器.首先使用单次实验数据xi(第i个实验样本)设计线性ICA空域滤波器，根据独立成分(ICs)在采集电极上的映射模式，自动选择扫视相关独立成分，获得对应于左、右、上、下扫视动作的ICA滤波器组{Wli，Wri，Wui，Wdi}(i=1，2，…，N)；然后在所有训练数据与测试数据上进行线性投影，并计算该滤波器组的平均识别正确率；对所有扫视数据重复上述步骤，可以得到N个ICA滤波器组及相应的平均识别正确率，选择识别率最高的滤波器组{Wl，Wr，Wu，Wd}作为最优ICA测试滤波器.

(3)剔除干扰扫视信号.使用最优ICA测试滤波器组{Wl，Wr，Wu，Wd}对所有实验样本进行10×5的交叉测试，当某一实验样本的平均识别正确率低于预设门限时即认定该实验样本被干扰而剔除；反之则保留.

2.1实验范式简介与EOG数据的采集

由于目前没有公开的扫视数据库，因此，扫视数据均为实验室自主采集.为了评估文中算法的性能，在采集EOG数据时均带有数据标签，采集设备为NeroScan采集仪，采样率为250Hz.实验中共使用了9个电极，为了保证信号强度与可区分性，电极V1(第5导联)与V2(第6导联)分别安放于受试者左侧(或右侧)眼球上、下3cm处，用以采集垂直扫视信号；电极H1(第2导联)与H2(第1导联)分别安放于受试者左眼左侧3cm与右眼右侧3cm处，用以采集水平扫视信号；电极A1(第3导联)与A2(第4导联)安放于前额位置，以获取眼动相关信息；参考电极C1和C2分别放置于左、右两侧乳凸处，接地电极G放置于头顶中心位置，其电极安装位置如图3所示.

图3EOG采集电极安放位置

Fig.3PostionsofEOGacquiringelectrodes

训练与测试集中所有受试者均是视力正常或矫正后正常，实验时受试者都坐在一张手扶椅上，其前方约2m处分别设置了上、下、左、右4个方向的观测目标且距离受试者视觉中心点(O)约1.5m，具体位置如图4所示.

图4　观测目标与受试者的相对位置示意图

Fig.4Schematicdiagramofrelativepositionbetweenobservationobjectsandsubject

实验开始时，首先在屏幕上出现一个“开始”字符，并伴随着一个20ms长的声音提醒，1s后受试者在屏幕上可以依次看到不同的箭头提示(分别为向上、向下、向左与向右箭头)，箭头在屏幕上持续出现3s，在这一时间内，要求受试者在看到箭头后向箭头指示方向转动眼球，在看到观测点后保持一定时间(可以为1s或2s)，然后转回到中心点，在这一过程中受试者尽量不眨眼睛并保持身体相对静止.之后休息2s，受试者可以眨眼，放松身体，单次实验范式如图5所示.实验记录了10名受试者(双眼视力正常，6男4女，平均年龄23.6岁，方差2.7)多次采集的上、下、左、右扫视(数据标签分别为1、2、3、4)各360个实验样本，共计14 400个实验样本，初步建立一个EOG-HAR数据库.

图5　单次实验范式示意图

Fig.5Schematicdiagramofthesingleexperimentalparadigm

2.2预处理

2.3线性ICA空域滤波器设计

(1)

式中，A为混合矩阵.与式(1)混合模型对应的分解模型为

(2)

(3)

(4)

式中，std(·)为标准差运算.

基于上述分析，ICA空域滤波器设计的具体步骤描述如下：

(1)从HAR-EOG数据库中任意选择一组单次扫视数据xi(i=1，2，…，N)(是6×750的数据矩阵，N为该组数据中实验样本的数量)进行ICA分析，可得6×6的混合矩阵A和分离矩阵WT；

(2)根据ICs在采集电极的映射模式(A的列向量)自动选择SRICs和对应的ICA滤波器(WT的列向量)，可得ICA滤波器组{Wli，Wri，Wui，Wdi}，分别用于检测左、右、上、下扫视EOG成分；

这4种运动模式相互耦合影响，使得采用传统被动悬架系统就无法同时实现对这4种运动模式进行独立调节，也就无法同时兼备最佳乘坐舒适性和最优操纵稳定性。因此，针对车辆的运动模式，现代车辆越来越多采用悬架弹簧刚度和悬架减振阻尼可调的主动悬架系统和半主动悬架系统。

(4)将上述线性投影后的结果作为扫视信号的特征参数，结合真实扫视的数据标签，使用SVM模型进行10×5的交叉验证，以计算识别正确率；

(5)返回步骤(1)，直至完成对全部实验样本的ICA滤波器设计与测试，计算每个ICA滤波器组在该组数据上的识别正确率，选择识别率最高的ICA滤波器组{Wl，Wr，Wu，Wd}作为最优测试滤波器.

2.4SRICs的自动选择算法设计

在线性ICA空域滤波器设计过程中，从所得到的ICs确定SRICs，并根据SRICs所在位置选择分离矩阵WT所对应的列作为空域滤波器系数是算法中较为关键的一步，SRICs的选择是否准确直接决定了EOG-HAR系统的性能.通常对SRICs的选择是通过人工判读的方法获得，但该方法效率较低，准确性不高且不适合在线分析.通过研究发现，混合矩阵A中列向量各元素值的大小与该列所对应的ICs在不同电极的投影强度密切相关，不同的SRICs到不同电极的空间距离与在该电极上的投影系数的数值近似成反比.因此，文中利用ICs的空间分布信息，设计了一种SRICs的自动选择方法，具体步骤如下：

(3)根据所得列序号在WT中找到相应的列，构成4类SRICs检测滤波器组{Wli，Wri，Wui，Wdi}.

3　实验与结果分析

在实验中，Infomax算法的迭代次数设为10，学习率为0.02，采用SVM模型[20]进行分类识别，模型采用线性核函数，惩罚因子为1，训练数据为训练样本集及相应的分类标签.为了统计分类正确率，文中将识别结果与测试样本集的标签进行了比较，若相同则认为分类正确，若不同则认为分类错误.为了提高实验结果的可靠性，对每位受试者的实验数据均采用了10×5交叉验证来获取平均识别正确率.具体过程为：随机排列所有样本数据，然后将其任意均分成5组，随机选择其中一组作为测试样本集，剩余的4组作为训练样本集.对上述过程进行5次重复操作，以保证每一组的样本集都要作为一次测试集以得到5个不同的分类正确率.将上述整个过程重复操作10遍，即可获取50个分类正确率，取结果的平均值作为最终识别正确率.

3.1扫视信号空域滤波器性能分析

以某一左扫视实验样本为例，其空域滤波过程中各阶段的基本波形如图6所示.

将原始6通道EOG信号按式(5)依次在左、右、上、下空域滤波器上进行线性投影，分别得到对应于这4种扫视任务背景下的空域滤波结果，如图6(c)所示.可以看到，由于输入为左扫视信号，因此，经过空域滤波后，在输出结果中水平眼动幅度较大，且左扫视大于右扫视，垂直眼动幅度远小于水平眼动.结合图3，进一步观察空域滤波器系数可以发现，当受试者向左扫视时，眼球运动对第1导联(H2位置)的影响最大，因此其对应位置的空域滤波器系数，即分离矩阵W系数呈现出最大值；同理，当受试者向右扫视时，第2导联(H1位置)系数最大；当受试者向上扫视时，第5导联(V1位置)系数最大；当受试者向下扫视时，第6导联(V2位置)系数最大.实验结果说明，基于ICA的空域滤波方法不仅能够从多导EOG信号中分离出多个SRICs成分，且该滤波器可以实现输出结果的差异极大化.

为进一步验证ICA空域滤波器的有效性，文中对10位受试者的原始眼动信号经ICA空域滤波处理后进行扫视信号的识别实验，结果如表1所示，其中S1-S10为受试者编号.

从表1中可以看出，由于不同受试者对实验环境和实验设备的熟悉程度不同，对扫视角度、凝视时间、扫视速度及被试时的紧张度、精神状态的控制也存在差异，因此，算法在不同受试者上呈现出的性能存在一定的差别，其中受试者S8的识别正确率最低，为98.38%，S4的识别正确率最高，为99.37%，总体平均识别正确率达99.00%.实验结果说明，基于ICA的眼动信号空域滤波算法在眼动信号分析中具有较好的分类性能.

(a)空域滤波器系数(b)原始6通道EOG波形(c)滤波结果

图6　空域滤波过程不同阶段的基本波形

3.2样本优化选择实验

考虑到异步系统的需要，实验分“组内”与“组间”两种情况对文中所提算法进行性能评估.

实验1(组内测试)本实验主要用于验证训练数据与测试数据均源自同一受试者时文中所提算法的有效性.具体实验方法为：根据每个实验样本训练相应的ICA滤波器，使用该滤波器对其他所有实验样本进行线性投影，并将投影后的特征参数送入SVM模型进行分类.随机抽取一位受试者的80个ICA滤波器，其所对应的识别正确率、原始波形及空域滤波器系数如图7所示.从图7(a)可以看到，第11与第17个ICA滤波器的识别率较低.为了分析原因，文中先对第78个滤波器的原始实验样本数据进行提取，对应的标签显示该次扫视类型为4，即向右扫视，此时所对应的原始波形(H2导联)与空域滤波器系数如图7(b)所示，可以看出，滤波器系数在第2导联位置呈现出最大值，且其幅值绝对值远大于其他导联，这与真实情况相符.同样，提取第17个实验样本的时域波形，可以看到，与第78个实验样本相比，其波形出现了一定程度的畸变，这可能是

由于受试者在采集过程中电极位置的移动或注意力分散引起的.进一步观察图7(b)右下图的空域滤波器系数可以看到，虽然其最大值仍位于第2导联，但与其他导联相比较，其幅度绝对值相差减小，这意味着由干扰后实验样本训练所得到的滤波器性能有所下降，从而导致识别正确率降低.

为解决上述问题，降低外部干扰所带来的影响，提高识别正确率，文中进行了样本优化.实验中，样本优化的门限设为97.5%，即当某一实验样本对应的识别率大于该门限时保留该实验样本，反之剔除该实验样本.10位受试者在样本优化前后的平均识别正确率如图8所示.从图8(a)可以看出，受试者8与10的整体识别率偏低，通过对其时域波形的分析发现，这两位受试者在实验过程中经常会无意识地进行身体晃动而导致电极位置发生轻微移动，从而带来额外的噪声干扰，最终导致识别率比其他受试者低.从图8(b)可知，平均识别正确率由样本优化前的99.0%上升到优化后的99.57%，提升了0.57%.实验结果表明，文中所提算法在实验1条件下能够对扫视样本进行优化，有效地提升扫视单元的识别正确率.

(a)不同ICA滤波器组下的识别正确率(b)右扫视的时域波形及其空域滤波器系数

图7一位受试者的80个ICA滤波器性能分析

Fig.7Performanceanalysisof80ICAfiltersforonesubject

(a)样本优化前

(b)样本优化后

实验2(组间测试)本实验主要用于验证在不同受试者间文中所提算法的有效性.具体实验方法为：ICA滤波器的训练与测试所使用的数据源自不同的受试者，如使用受试者1识别正确率最高的数据进行ICA滤波器训练(假设该受试者识别率最高的扫视实验样本包括N个，则可得N个ICA滤波器组)，并依次使用这N个滤波器组对除受试者1以外的所有受试者的扫视数据进行分析，识别正确率依然是通过SVM模型给出.优化门限为97.5%，其他设置与实验1相同，样本优化前、后的实验结果如图9所示.

对比图8与图9可以看出，实验2的总体识别正确率比实验1有所下降，所有受试者在样本优化前的总平均正确率在实验1中为99.0%，在实验2中为97.99%，下降了1.01%，而在样本优化后总平均正确率在实验1中为99.57%，在实验2中为98.82%，下降了0.75%.总平均识别正确率下降的原因可能是：①从受试者自身特点来说，不同受试者SRICs的位置可能会有所差异，同时在数据采集过程中，不同受试者在扫视速度、持续时间、扫视角度等方面也存在差异，这种差异使得所采集到的EOG信号各不相同，因此，不同受试者间ICA滤波器会存在一定程度的区别，从而导致识别率下降；②从SRICs分布来看，不同受试者在电极安装位置上必然会存在一些差别，而这些差别使得SRICs对在同一部位安装的电极所产生的影响也各不相同，即不同受试者间混合矩阵A的系数存在较大的差异，这也会导致识别率有所下降.从图9可以看出，样本优化后平均识别正确率有所提升，由样本优化前的97.99%上升到98.82%，上升了0.83%，比较实验1略有提升，这是因为实验1是对所有实验样本进行统计平均，而实验2是对每名受试者最高识别率所对应的实验样本进行统计平均.

(a)样本优化前

(b)样本优化后

Fig.9Recognitionratioof10subjectsinexperimenttwo

虽然实验2中样本优化后的平均识别正确率不及实验1的，但总体识别正确率依然达到98.82%，这说明文中所提算法在不同受试者间也能取得较为理想的性能，从而为实现 “非特定人”EOG-HAR系统提供了一种可行的设计思路.

3.3与其他方法的对比实验

以对扫视信号识别正确率的提升效果为出发点，使用未经处理的原始EOG信号(方法1)、两种常用的噪声抑制方法(方法2：使用截止频率为10Hz的低通滤波器对原始EOG信号进行滤波；方法3：采用软阈值函数的小波去噪法，算法中小波基为db4，分解层次为5层)和文中算法(方法4)进行性能对比.训练数据、测试数据与3.2节的实验1相同，后端依然使用SVM模型进行分类，且所有方法的模型参数相同，识别结果为10位受试者不同扫视类型识别结果的平均值，不同方法对组内/组间测试EOG信号的识别结果如表1所示.

表1不同方法对组内/组间测试EOG信号的识别结果

Table1RecognitionresultsofdifferentmethodsforEOGsignalsinrun-to-runtestandsession-tosessiontest

方法平均识别正确率/%组内测试组间测试123492.6093.4796.3199.5890.7091.6993.9496.72

从表1可知：未经处理的原始EOG信号组间测试结果略低于组内测试结果；与原始EOG信号相比，方法2的平均识别正确率在组内测试时提升了0.87%，组间测试时提升了0.99%，这是因为方法2通过低通滤波能够对频率高于10Hz的噪声进行有效地抑制，这在一定程度上能够削弱噪声对系统的干扰；与方法2相比，方法3的识别正确率在组内测试时提升了2.84%，组间测试时提升了2.25%，这是因为方法2在滤波频带10Hz以内难以有效地区分有用信号的频谱与噪声信号的频谱，同时，过低的截止频率可能会损坏原始信号所包含的有用信息，软阈值小波去噪方法因具有良好的时域局部化分析特性而在噪声抑制方面呈现出一定的优势，但不可能完全去除噪声，只能在一定程度上抑制噪声，且由于估计值与真实值之间存在着恒定偏差，在去噪过程中反而会带来额外的误差，这种误差将不利于提升识别率.对比方法2与方法3的组内与组间测试性能时发现，两者相差较小，其原因在于无论是带通滤波还是小波变换，对数据是否来源于同一受试者是不敏感的，即对任意一个实验样本的噪声抑制效果基本相同.文中所提算法的思路完全不同于上述方法，对噪声信号处理的由“抑制”转变为“剔除”，即通过对每个观测数据的分析，自动地发现并剔除干扰数据，因此在组内测试时识别正确率比方法3提升了3.27%，而在组间测试时由于不同受试者及不同受试者的SRICs分布的差异，导致提升率低于组内测试，为2.78%，但两者在识别正确率上均呈现出较为稳定的性能.

4　结论

文中提出了一种基于ICA的扫视信号样本优化算法，通过对单个实验样本信号的ICA分析，根据ICs在采集电极的映射模式设计了一种自动选择SRICs的方法，并建立相应的ICA滤波器，以实现样本的优化选择.组内与组间测试结果表明，采用文中算法对扫视信号样本进行优化后，识别正确率分别达到99.57%与98.82%，比优化前分别提升了0.57%与0.83%.由于文中仅以较为典型的上、下、左、右4种扫视信号为研究对象，这对EOG-HAR系统来说是不够的，因此，今后将根据系统需求，增加扫视种类，使算法更加实用化.

[1]AGGARWALJK，RYOOMS.Humanactivityanalysis：areview[J].ACMComputingSurveys，2011，43(3)：16/1-43.

[2]BULLINGA，BLANKEU，SCHIELEB.Atutorialonhumanactivityrecognitionusingbody-worninertialsensors[J].ACMComputingSurveys，2014，46(3)：33/1-33.

[3]WUHaitao，PANWei，XIONGXingyu，etal.HumanactivityrecognitionbasedonthecombinedSVM&HMM[C]∥Proceedingsof2014IEEEInternationalConferenceonInformationandAutomation.Hailar：IEEE，2014：219-224.

[4]CLEMENTRA.Naturalcoordinatesforspecificationofeyemovements[J].VisionResearch，1991，31(11)：2029-2032.

[5]AUNGSAKUNS，PHINYOMARKA，PHUKPATTARANONTP，etal.RobusteyemovementrecognitionusingEOGsignalforhuman-computerinterface[M]∥SoftwareEngineeringandComputerSystems.Berlin/Heidelberg：Springer，2011：714-723.

[6]SOLTANIS，MAHNAMA.Designofanovelwearablehumancomputerinterfacebasedonelectrooculograghy[C]∥Proceedingsofthe21stIranianConferenceonElectricalEngineering.Mashhad：IEEE，2013：1-5.

[7]VIDALM，BULLINGA，GELLERSENH.AnalysingEOGsignalfeaturesforthediscriminationofeyemovementswithwearabledevices[C]∥Proceedingsofthe1stInternationalWorkshoponPervasiveEyeTracking&MobileEye-BasedInteraction.Beijing：ACM，2011：15-20.

[8]BULLINGA，WEICHELC，GELLERSENH.EyeContext：recognitionofhigh-levelcontextualcuesfromhumanvi-sualbehaviour[C]∥ProceedingsoftheSIGCHIConfe-renceonHumanFactorsinComputingSystems.NewYork：ACM，2013：305-308.

[9]HAYESMH.Statisticaldigitalsignalprocessingandmodeling[M].Hoboken：JohnWiley&Sons，2009.

[10]BEDELLHE，STEVENSONSB.Eyemovementtestinginclinicalexamination[J].VisionResearch，2013，90：32-37.

[11]LVZ，WUX，LIM，etal.AnoveleyemovementdetectionalgorithmforEOGdrivenhumancomputerinterface[J].PatternRecognitionLetters，2010，31(9)：1041-1047.

[12]BULLINGA，WARDJA，GELLERSENH，etal.Eyemovementanalysisforactivityrecognitionusingelectrooculography[J].IEEETransactionsonPatternAna-lysisandMachineIntelligence，2011，33(4)：741-753.

[13]MALAS，LATHAK.Featureselectioninclassificationofeyemovementsusingelectrooculographyforactivityre-cognition[J].ComputationalandMathematicalMethodsinMedicine，2014，2014：1-9.

[14]吴小培，周蚌艳，张磊，等.运动想象脑-机接口中的ICA滤波器设计 [J].生物物理学报，2014，30(7)：540-554.

WUXiao-pei，ZHOUBang-yan，ZHANGLei，etal.ICAfilterdesigninbrain-computerinterfaceofmotorimagery[J].ActaBiophysicaSinica，2014，30(7)：540-554.

[15]LINDIG-LENC，BOUGRAINL.Acomparisonbetweendifferentmulticlasscommonspatialpatternapproachesforidentificationofmotorimagerytasks[C]∥Procee-dingsofthe6thInternationalBrain-ComputerInterfaceConference.Graz：HAL，2014：01092272.

[16]ZHOUB，WUX，ZHANGL，etal.Robustspatialfiltersonthree-classmotorimageryEEGdatausingindepen-dentcomponentanalysis[J].JournalofBiosciencesandMedicines，2014，2(2)：43-49.

[17]BRUNNERC，NAEEMM，LEEBR，etal.SpatialfilteringandselectionofoptimizedcomponentsinfourclassmotorimageryEEGdatausingindependentcomponentsanalysis[J].PatternRecognitionLetters，2007，28(8)：957-964.

[18]杨俊美，余华，韦岗.独立分量分析及其在信号处理中的应用 [J].华南理工大学学报(自然科学版)，2012，40(11)：1-12.

YANGJun-mei，YUHua，WEIGang.Independentcomponentanalysisanditsapplicationtosignalprocessing[J].JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition)，2012，40(11)：1-12.

[19]LEETW，GIROLAMIM，SEJNOWSKITJ.Independentcomponentanalysisusinganextended-infomaxalgorithmformixedsub-Gaussianandsuper-Gaussiansources[J].NeuralComputation，1999，11(1)：417-441.

[20]VAPNIKV.Thenatureofstatisticallearningtheory[M].Berlin/Heidelberg：Springer，2000.

s：SupportedbytheNationalNaturalScienceFoundationofChina(61401002，61271352)andtheNaturalScienceFoundationofAnhuiProvince(1408085QF125)

ASampleOptimizationAlgorithmofSaccadeSignalsBasedonIndependentComponentAnalysis

LÜ Zhao1，2LU Yu1，2ZHOU Beng-yan1，2WU Xiao-pei1，2

(1.KeyLaboratoryofIntelligentComputingandSignalProcessingoftheMinistryofEducation,AnhuiUniversity,Hefei230039,Anhui,China; 2.Co-InnovationCenterforInformationSupplyandAssuranceTechnology,AnhuiUniversity,Hefei230601,Anhui,China)

Inordertoimprovetheperformanceofanelectrooculogram(EOG)-basedhumanactivityrecognition(HAR)systemandincreasethecorrectrecognitionratioofmulti-classsaccadesignals,asampleoptimizationalgorithmisproposedonthebasisofindependentcomponentanalysis(ICA).Inthealgorithm,bytakingasinglesaccadedataastheobject,anautomaticselectionmethodofsaccaderelatedindependentcomponents(SRICs)isdesignedaccordingtotheindependentcomponents(ICs)-to-electrodemappingmode,andacorrespondingICAspatialfilterisestablished.Then,noisysaccadesamplesaredeletedonthebasisofthecorrectrecognitionratioofsaccadesignalsafterthelinearprojectionoforiginalEOGs.Inthelabenvironment,theICAspatialfilterisutilizedtoclassifyfourtypesofsaccadesignalsby“run-to-runtest”and“session-tosessiontest”.Theresultsshowthat,inthetwotests,thecorrectrecognitionratiosofthedataoptimizedbytheproposedalgorithmarerespectively99.57%and98.82%,andtheyare0.57%and0.83%higherthanthoseoforiginalEOGsignals,whichmeansthattheproposedalgorithmcaneffectivelyoptimizesaccadesignalsandthusimprovethecorrectrecognitionratio.

electrooculogram；humanactivityrecognition；independentcomponentanalysis；saccaderelatedindependentcomponents

1000-565X(2016)09-0032-09

2015-09-16

国家自然科学基金资助项目(61401002，61271352)；安徽省自然科学基金资助项目(1408085QF125)；安徽高校省级自然科学研究重点项目(KJ2014A011)

吕钊(1979-)，男，博士，副教授，主要从事智能信息处理与人-机交互技术研究.E-mail：kjlz@ahu.edu.cn

TP391.4；R318

10.3969/j.issn.1000-565X.2016.09.005