一种基于卷积混合模型的慢速眼动识别方法及系统技术方案

本发明专利技术公开了一种基于卷积混合模型的慢速眼动识别方法及系统，属于眼电图技术领域，包括采用复值ICA算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；采用约束DOA算法对补偿后的独立分量进行排序调整；对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上多通道独立源完整的时间信号；对多通道独立源完整的时间信号进行小波分解，将得到的分解结果与慢速眼动的评判标准进行对比与分析，与慢速眼动特征均相符的则识别为慢速眼动。本发明专利技术在时域中对多通道EOG信号进行小波分析，由于没有其他源信号的干扰能快速的从EOG信号中提取出慢速眼动。

A slow eye motion recognition method and system based on convolution mixed model

The invention discloses a system and method to identify slow eye movement based on convolutive mixture model, which belongs to the technical field of EOG, including the complex value ICA algorithm on the frequency of eye movement data for blind source separation, the independent source signals at the corresponding frequency point on the frequency domain independent component; scale compensation for each independent component the frequency on the reduction of real independent component ratio in the observation component in composition; with the constraint ranking DOA algorithm to adjust the independent component compensation; independent component of the frequency scale after compensation and sorted by short-time Fourier transform, time signal in time domain multi-channel independent complete source; the multi-channel time independent signal source complete wavelet decomposition, the decomposition results and non REM criteria are compared and analyzed, and the slow eye movement The consistent feature is recognized as slow eye movement. The invention analyzes the multi-channel EOG signals in time domain. Because there is no interference from other source signals, it can extract slow eye movement from EOG signals quickly.

【技术实现步骤摘要】
一种基于卷积混合模型的慢速眼动识别方法及系统
本专利技术涉及眼电图
，特别涉及一种基于卷积混合模型的慢速眼动识别方法及系统。
技术介绍
视觉系统是人类获取外部信息最重要的通道，在实验心理学的早期历史中心理学家就开始注意到眼动特征及其规律的心理学意义，利用眼动技术探索人在各种不同条件下的信息加工机制也成为当代心理学的研究热点。眼动特征即眼球的运动，与内部信息加工机制具有密切联系，存在着外源性和内源性两种控制，更多情况下，眼动会受到任务或目的的指引。而眼电图(Electro-oculogram，EOG)作为一种低成本的眼动信号测量技术，相比较于传统的视频手段，不仅测量更加精确，同时测量设备也具有重量轻、便于长时间记录、更易实现可穿戴式设计等优点。因此，使用EOG进行眼动信号采集具有广泛的应用前景。根据眼动的特点，眼动信号的类型主要分为三类：注视、扫视和追随眼动。注视中又常常伴随着三种形式的即为细微的慢速眼动：自发性的高频眼动微颤、慢速眼动和微跳。其中慢速眼动是指从清醒过渡到睡眠期间的眼动运动称之为慢速眼动。在EOG数据的采集过程中，由于受试者易于疲累，在采集到的眼动数据中存在慢速眼动。慢速眼动包含这大量有用的信息，在交通心理学以及临床医学等许多领域都有着广泛的应用。比如，可以通过慢速眼动来检测驾驶员的疲劳程度，可以通过慢速眼动对一些复杂的临床病例进行研究与治疗。但是在实际应用中，慢速眼动通常与其它的信号交织在一起，很难单独提取出来。目前，采用线性回归法进行慢速眼动的识别，主要是通过检测到的慢速眼动数量和目视检测的数量之间的比率来进行慢速眼动识别。但是这个指标没有明确算法的性能，识别结果不理想，难以达到实用的目的。
技术实现思路
本专利技术的目的在于提供一种基于卷积混合模型的慢速眼动识别方法及系统，以提高慢速眼动识别的准确率。为实现以上目的，第一方面，本专利技术提供一种基于卷积混合模型的慢速眼动识别方法，包括：S1、在频域上，采用复值ICA算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；S2、对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；S3、采用约束DOA算法对补偿后的独立分量进行排序调整，使得每个频点上的独立源都按照方向角从小到大排列；S4、对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上多通道独立源完整的时间信号；S5、对时域上多通道独立源进行小波分解，得到各级小波系数；S6、将各级小波系数与慢速眼动的评判标准进行对比与分析，与慢速眼动特征均相符的则识别为慢速眼动。其中，在所述的步骤S5中，采用采用的小波分解的母函数为db4、小波分解的层数为十层。其中，所述的慢速眼动的特征包括：眼动信号频率低于1Hz、眼动信号初始运动速度近似为0以及EOG信号中未出现伪迹信号。其中，所述的步骤S2，具体包括：根据复值ICA算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；利用混合矩阵的系数对各频点的独立分量进行补偿，得到补偿后各频点的独立分量。其中，所述的步骤S3，具体包括：a、为每一个独立源初始化一个角度；b、通过Root-Music算法计算每个频点的不同行，可以得到各个源方向的估计，其中分离矩阵的行对应不同的独立源；c、设置各独立源的方向角度与初始化角度的接近性度量为ε(y,θ)，并在迭代过程中，判断各独立源的角度与初始化角度是否相同；d、若相同则执行步骤e，不相同则执行步骤f；e、将ε(yj,θj)设置为0，并设置方向角度矩阵T来计算调节矩阵Q；f、将ε(yj,θj)设置为1，返回所述迭代过程重新计算分离矩阵W。其中，在所述的步骤S1之前，还包括：对多通道EOG数据进行采集，获得时域上的眼动数据；对时域上的眼动数据进行带通滤波和去均值处理，得到处理后的眼动数据；对处理后的眼动数据做短时傅里叶变换，将其从时域变换到频域，获得频域上的眼动数据。第二方面，本专利技术提供一种基于卷积混合模型的慢速眼动识别系统，包括：依次连接的盲源分离模块、尺度补偿模块、排序模块、恢复模块、小波分解模块以及慢速眼动识别模块；盲源分离模块用于在频域上，采用复值ICA算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量并将频域独立分量传输至尺度补偿模块；尺度补偿模块用于对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分并将补偿后的独立分量传输至排序模块；排序模块用于采用约束DOA算法对补偿后的独立分量进行排序调整，使得每个频点上的独立源都按照方向角从小到大排列；恢复模块用于对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上多通道独立源完整的时间信号并将多通道独立源完整的时间信号传输至分解模块；小波分解模块用于对时域上多通道独立源完整的时间信号进行小波分解，得到各级小波系数，并将分解结果传输至慢速眼动识别模块；慢速眼动识别模块用于将各级小波系数与慢速眼动的评判标准进行对比与分析，与慢速眼动特征均相符的则识别为慢速眼动。与现有技术相比，本专利技术存在以下技术效果：本专利技术采用复值ICA算法将频域观测数据进行盲源分离，并通过还原独立分量在观测分量中的真实比例成分来解决ICA固有尺度不确定的问题，同时通过约束DOA算法解决ICA固有的排序模糊问题，将各个独立源分离出来并转换为时域中的数据，由于逆傅里叶变换后的时域信号之间互不干扰，在时域中对多通道EOG信号进行小波分析，对分解后的各级小波系数分别进行慢速眼动分析，由于没有其他源信号的干扰，准确性高，计算量少，并且能快速的从EOG信号中提取出慢速眼动。附图说明下面结合附图，对本专利技术的具体实施方式进行详细描述：图1是本专利技术中EOG信号采集过程中电极在受试者面部的分布情况示意图；图2是本专利技术中一种基于卷积混合模型的慢速眼动识别方法的流程示意图；图3为本专利技术中多通道EOG信号的鲁棒扫视识别算法流程图；图4为本专利技术中盲源分离(BlindSourceSeparation,BSS)基本原理图；图5为本专利技术六个相邻频点的时频域波形图；图6为本专利技术经卷积ICA分离前后的EOG波形图；图7为本专利技术中线性ICA模型与卷积ICA模型分离结果对比图；图8为本专利技术不同方法下的平均识别率；图9为本专利技术中慢速眼动实验结果图；图10为本专利技术中一种基于卷积混合模型的慢速眼动识别系统的结构示意图。以下通过具体实施方式，并结合附图对本专利技术作进一步说明。具体实施方式为了更进一步说明本专利技术的特征，请参阅以下有关本专利技术的详细说明与附图。所附图仅供参考与说明之用，并非用来对本专利技术的保护范围加以限制。首先需要说明的是，本专利技术中在对EOG信号识别前，对EOG信号进行采集的过程为：如图1所示，使用电极对受试者的EOG信号进行采集，眼电信号的采集使用Ag/AgCl电极，为了获取受试者上、下、左、右四个方向的眼动信息以及更多的空间位置信息，在本次采集中共使用了9个电极，其中，电极V1与电极V2安放于受试者左侧(或右侧)眼球上1.5cm与下1.5cm处，用以采集垂直EOG信号；电极H1与电极H2分别安放于受试者左眼左侧1.5cm与右眼右侧1.5cm处，用以采集水平EOG信号；本文档来自技高网...

【技术保护点】
一种基于卷积混合模型的慢速眼动识别方法，其特征在于，包括：S1、在频域上，采用复值ICA算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；S2、对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；S3、采用约束DOA算法对补偿后的独立分量进行排序调整，使得每个频点上的独立源都按照方向角从小到大排列；S4、对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上多通道独立源完整的时间信号；S5、对时域上多通道独立源进行小波分解，得到各级小波系数；S6、将各级小波系数与慢速眼动的评判标准进行对比与分析，与慢速眼动特征均相符的则识别为慢速眼动。

【技术特征摘要】
1.一种基于卷积混合模型的慢速眼动识别方法，其特征在于，包括：S1、在频域上，采用复值ICA算法对各频点的眼动数据进行盲源分离，得到各独立源信号在相应频点上的频域独立分量；S2、对各频点上的独立分量进行尺度补偿，还原独立分量在观测分量中的真实比例成分；S3、采用约束DOA算法对补偿后的独立分量进行排序调整，使得每个频点上的独立源都按照方向角从小到大排列；S4、对尺度补偿后和排序后的各频点的独立分量进行短时傅里叶逆变换处理，得到时域上多通道独立源完整的时间信号；S5、对时域上多通道独立源进行小波分解，得到各级小波系数；S6、将各级小波系数与慢速眼动的评判标准进行对比与分析，与慢速眼动特征均相符的则识别为慢速眼动。2.如权利要求1所述的方法，其特征在于，在所述的步骤S5中，采用的小波分解的母函数为db4、小波分解的层数为十层。3.如权利要求1所述的方法，其特征在于，所述的慢速眼动的特征包括：眼动信号频率低于1Hz、眼动信号初始运动速度近似为0、EOG信号中未出现伪迹信号。4.如权利要求1所述的方法，其特征在于，所述的步骤S2，具体包括：根据复值ICA算法中的各频点的分离矩阵，得到对应频点的混合矩阵，其中分离矩阵和混合矩阵互为逆矩阵；利用混合矩阵的系数对各频点的独立分量进行补偿，得到补偿后各频点的独立分量。5.如权利要求4所述的方法，其特征在于，所述的步骤S3，具体包括：a、为每一个独立源初始化一个角度；b、通过Root-Music算法计算每个频点的不同行，可以得到各个源方向的估计，其中分离矩阵的行对应不同的独立源；c、设置各独立源的方向角度与初始化角度的接近性度量为ε(y,θ)，并在迭代过程中，判...

【专利技术属性】
技术研发人员：吕钊，张贝贝，张超，吴小培，张磊，高湘萍，郭晓静，卫兵，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34