基于EOG的安全辅助驾驶系统算法设计与实现

为保证驾驶安全,提高车辆控制系统的智能化水平,实现"手不离盘"操作,设计并实现了一种基于眼电图(EOG)的安全辅助驾驶系统。该系统利用安装在驾驶员眼睛周围的生物电极采集其在观测抬头显示器(HUD,head up display)上提示符时所产生的扫视信号,生成多种车载设备控制命令;对原始多导联EOG信号进行端点检测后,使用了独立分量分析(ICA,independent component analysis)方法进行空域滤波后提取眼动信号特征参数,并结合支持向量机实现了上、左与右扫视动作的识别。实验室环境下对所提算法进行了测试,15位受试者在疲劳与非疲劳状态下的在线平均正确率达到了98.43%与96.0%。实验结果表明,基于ICA多类扫视信号识别算法的安全辅助驾驶系统在眼动信号分析中呈现出了良好的分类性能。

基于多模态数据与融合深度网络的自动睡眠分期方法

准确的睡眠分期是进行睡眠质量评估及相关疾病诊断的重要依据。针对脑电信号(Electroencephalogram,EEG)和眼电信号(Electrooculogram,EOG)在睡眠各阶段存在差异性,提出了一种用于实现自动睡眠分期的基于EEG和EOG的新型特征融合深度网络——MAFSNet。具体地,首先设计两种一维卷积神经网络分别用于提取EEG和EOG信号中的睡眠有效特征;其次,构建自适应的特征融合模块,根据特征的贡献程度赋予其不同的权值,通过增强判别特征和抑制无关特征,得到包含多模态睡眠信息的自适应融合特征;进而,采用双向长短期记忆网络学习睡眠阶段转换规则中的时间序列相关信息;最后,使用公开数据集Sleep-EDF验证所提模型实现五级睡眠分期的有效性。研究结果表明所提方法在睡眠分期中具有较高的分类性能,准确率、Kappa系数和MF1分数分别为94.1%,88.2%和81.9%,其中N1和REM睡眠阶段的召回率分别显著提升到64.6%和93.5%。

基于数学形态学的眼电信号识别及其应用

通过分析眼电(EOG)信号可以识别人眼球的运动状态及眨眼情况,进而设计一种新型的人机交互(HCI)系统.眼电信号通常包含一些干扰信息,如漂移、肌电干扰、运动伪迹.为了去除这些干扰信息,提出一种利用数学形态学对眼电信号进行处理的方法;通过阈值检测可以准确识别使用者眼球的运动状态和有意识眨眼.设计一个基于眼电的人机交互系统并通过健康与残疾被试的测试.实验结果显示,眼电信号识别的平均正确率达到96.2%,表明该方法可以应用于临床人机交互领域.

基于小波变换的多任务下操作员眼电特征提取

为了从高精神负荷下的操作员眼电(EOG)信号中提取出能够反映疲劳焦虑和努力程度变化的显著性特征,通过实验,采集了6位被试人员在多级任务负荷下的EOG信号,采用小波变换方法对EOG信号进行了10层小波分解;选取能量较高的频段,根据小波系数计算了各频段的相对能量(RE)特征,分析了眼电特征与操作员的心理负荷之间的关系。结果表明:提取的EOG特征中,0. 98~1. 95 Hz,3. 91~7. 81 Hz及7. 81~15. 63 Hz频段的RE与操作员的心理负荷有显著的关系,提取的特征可用于操作员疲劳、焦虑和努力等的评估。

便携式BCI设备快速自动去眼电伪迹算法的研究

针对多通道的去眼电伪迹研究目前已较为成熟,但是在便携式单通道脑电信号领域,尚未有一种十分有效快速去除眼电伪迹的方法。经验小波变换EWT是一种新型的自适应信号处理算法,相较于经验模态分解EMD算法存在模态混跌问题和集合经验模态分解EEMD算法实时性不足的缺点,EWT将小波变换和EMD相结合克服了前者的缺点。基于此提出将EWT、典型相关分析CCA以及瑞利熵RE相结合的自动去眼电伪迹算法。试验表明,该方法可有效去除单通道脑电中的眼电伪迹,且快速自动,能满足便携式单通道脑机接口BCI的需求。

单通道脑电信号中眼电干扰的自动分离方法

当前主流的眼电(EOG)去除方法需要利用多通道脑电的相关性,难以在单通道的便携式脑机接口(BCI)中应用。该文提出一种基于长时差分振幅包络与小波变换的眼电干扰自动分离方法。首先在原脑电信号的长时差分振幅包络上实施双门限法来精确检测眼电的起止点,然后利用sym5小波对脑电进行分解并引进Birgé_Massart策略来自适应地确定小波重构系数阈值,最后通过小波重构精确地估计眼电,实现单通道上眼电与脑电的自动分离。大量实验证明,该方法与主流的平均伪迹回归分析和基于独立成分分析(ICA)的方法相比,能够获得更好的估计眼电与原眼电的相关性,保证更高的校正信噪比和较强的实时性,能够满足脑机接口多方面的需要。

结合眼电和脑电的人-机交互系统设计与实现

为了改善传统人-机交互(HCI)系统性能,设计并实现了一种结合眼电(EOG)和脑电(EEG)的人-机交互系统。该系统首先使用谱熵对眼电和脑电混合信号进行端点检测,在此基础上,分别识别操作者眨眼信号与脑电信号,并根据识别结果生成不同的控制命令。在实验室环境下对该系统进行测试,其眼电与脑电的平均识别正确率分别达到97.3%和92.7%,测试结果表明该系统可以有效保证命令选择的正确性和稳定性,提高人-机交互效率。

基于子空间分解的脑电信号眼电伪迹自动去除方法研究

针对脑电信号中的眼电伪迹去除问题,提出了一种基于几何子空间分解的眼电伪迹去除方法。最大噪声分量分析帮助构建几何子空间并将多维脑电信号分解成一系列分量,利用眼电分量间的高相关度,使用Spearman秩相关准则确定相关程度从细节中实现眼电伪迹分量的抽取;将处理后各个分量投影回信号空间并进行重构,于是在无需记录眼电的情况下得到去除眼电伪迹后的脑电信号。为了验证该方法的有效性,分别对自行叠加眼电伪迹的脑电信号及实际测量的脑电信号进行了研究,结合脑地形图能量分布可视化的优势,结果表明该方法能够对脑电信号进行有效降噪。

基于眼电与头部姿态信号的检测与疲劳状态分析

当人处于疲劳状态时,其眼电信号特征及头部姿态信号特征均会发生明显的变化。针对这两类信号进行分析研究,提出一种可穿戴式眼电与头部姿态信号的疲劳检测装置。利用三个Ag/Agcl电极单导联方式采集人眼电信号、MEMS传感器采集人头部运动时的加速度和角速度信号。根据眼电信号及加速度和角速度在时域中的特点,利用相关系数分析左右电极所采集的眨眼信号特征,并根据加速度与角速度在时域中的特点分析四种头部姿态特征。最后利用BP神经元网络对眨眼信号及头部姿态信号进行特征识别,提高了检测系统鲁棒性。实验结果表明,利用水平眼电信号与加速度信号能准确分析测试人员的眨眼与低头、仰头行为,并能正确检测人的疲劳状态变化,但侧头行为的疲劳状态检测有待进一步优化提升。

基于改进阈值的双树复小波眼电信号去噪方法

眼电(EOG,electrooculogram)信号由眼球的运动而产生,通常在采集过程中混入强烈的背景噪声,去噪是对眼电信号作进一步分析和识别的首要步骤。提出将双树复小波变换用于眼电信号的去噪,并采用一种新的阈值估计方法改善统一阈值过度扼杀小波系数的缺点,用均方根误差和信噪比评价眼电信号的去噪效果。结果表明:与传统离散小波变换相比,双树复小波变换既能很好地抑制噪声,又能更好地保留信号的细节,具有较高的实用价值。

移动服务机器人共享控制研究

移动服务机器人在提高老人/残疾人活动空间方面具有重要作用.针对机器人自主避障失败时存在安全问题,提出了基于共享控制的服务机器人系统.构建基于机器视觉与人眼视觉共享控制的机器人系统.研究服务机器人的共享策略问题和眼电信号角度与参考轨迹关系.引入人工场解决自适应轨迹跟踪算法的平滑性.仿真结果说明基于人工场导向方法能平滑逼近期望轨迹.实验结果表明本系统能够满足使用者的安全需求.

基于连续眨眼的人-机交互新模式

针对基于眼电图(Electrooculography,EOG)技术的眨眼检测方法存在的不足,设计了一种基于连续眨眼检测的人机交互新模式。主要结合图像光学体积描记技术(Image Photoplethysmography,IPPG)和信号处理方法,实现对视频序列中眨眼脉冲信号的提取,并选择合适的时/空分析窗口和滤波参数,对窗内连续的眨眼信号进行检测和控制命令转换,在此基础上建立了一套眨眼控制多媒体播放系统,以验证所提算法和人-机交互模式的有效性。实验对比显示,该方法在干扰环境下的眨眼检测稳定性明显优于传统EOG方法。系统实测中,眨眼控制命令的准确率达92.95%,体现出良好的人-机交互性能。

基于头动与眼电信号的疲劳检测研究

针对疲劳识别率有待提高和现行疲劳检测设备不便携带的问题,提出一种以便携式眼镜为载体结合处理头动与眼电信号的疲劳检测方法。利用便携式眼镜采集头动与眼电信号并通过蓝牙将数据传输到手机终端。采用融合卡尔曼滤波算法处理头动信号并提取点头频率特征,采用Perclos算法P80原理和分段平均功率比值法处理眼电信号得到眨眼频率和低高频功率比值特征。根据主成分分析法(PCA)进行特征融合,得到疲劳特征值,从而判定疲劳程度,并结合Pearson法分析与通过脑电信号检测疲劳程度结果的相关性。实验结果表明,该方法的疲劳检测识别率达到了90.6%且与脑电检测疲劳结果相关性达到了0.82,具有很好的准确性、有效性且检测设备便于携带,具有很好的实用价值。

一种基于EWT-ICEEMDAN的单通道脑电信号眼电伪迹去除算法

脑电信号和眼电信号存在频谱混叠,目前的单通道脑电信号中眼电伪迹去除方法容易造成脑电信号失真。提出一种基于经验小波变换(EWT)和改进的自适应噪声完备经验模态分解(ICEEMDAN)的单通道脑电信号眼电伪迹去除算法。首先使用EWT将单通道脑电信号分解为δ频段和高频段信号,再用ICEEMDAN将δ频段信号自适应分解为多维本征模态函数(IMFs),设置样本熵阈值自动去除眼电伪迹信号,最后重构得到滤波后的脑电信号。基于半模拟脑电数据和真实脑电数据开展实验,结果表明所提算法相比于已有算法能够在去除眼电伪迹的同时更好地保留原始脑电信息。

一种结合自适应噪声完备经验模态分解和盲反卷积去除脑电中眼电伪迹的新方法

针对微弱的脑电(Electroencephalogram,EEG)信号在采集过程中夹杂着各种生理伪迹,特别易遭到眨眼和眼动产生的眼电(Electrooculography,EOG)伪迹干扰。本文提出在自适应噪声完备经验模态分解(Complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的基础上,构建盲反卷积(Blind deconvolution,BD)模型,实现EOG伪迹分离的方法。该方法首先运用CEEMDAN方法将含有伪迹的EEG信号分解成若干固有模态函数(Intrinsic mode function,IMF)分量,再以模态分量为观测信号送入EEG信号和EOG伪迹两个源信号构成的盲反卷积模型中,通过构建代价函数迭代实现EEG信号与EOG伪迹分离。为了验证新提出的算法,采用标准CHB⁃MIT头皮脑电数据库进行实验验证,EOG伪迹分离后的数据跟原始脑电数据作相关性分析,其相关系数是0.82。结果证实本文提出的方法保留有大多数原始EEG信号分量,同时对EOG伪迹的分离也具有良好的效果。

基于CEEMDAN-CFAR的单通道脑电信号眼电伪迹去除方法研究

目的:提出一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和恒虚警率(constant false alarm rate,CFAR)算法的眼电伪迹去除方法。方法:首先采用CEEMDAN方法分解原始信号,得到低频噪声和含有明显眼电脉冲信号的本征模态函数(intrinsic mode function,IMF)分量。其次采用CFAR算法实现IMF分量中眼电伪迹的自动识别。然后对含有眼电伪迹的脑电信号进行预处理后获得纯净脑电信号。最后通过实验验证该方法的有效性。结果:该方法能在有效滤除眼电伪迹的同时较好地保留局部细节和有用信息。结论:该方法具有计算简单、运行速度快的优点,适用于单通道脑电信号中的眼电伪迹去除。

一种基于多模态融合神经网络对疲劳度检测的方法

基于脑电信号特征变化,来判断司机是否处于疲劳状态,已经被证明是一种有效的方法。但单一用传统的机器学习的方法对脑电信号进行疲劳检测的准确率还较低。因此,提出一种基于脑电信号和前额眼电信号多模态融合的神经网络方法,并利用上海交通大学公开数据集SEED-VIG进行训练,实验结果表明,与单一的模态相比,多模态融合对于疲劳度检测有更好的识别效果,其准确率达到98.3%,有助于推动司机驾驶过程基于脑电信号疲劳度检测系统的应用。

基于小波变换和FastICA的眼电伪迹去除研究

为了高效去除脑电信号(Electroencephalogram,EEG)中的眼电伪迹,文章提出一种基于小波变换(Wavelet Transform,WT)和快速独立成分分析(Fast Independent Component Analysis,FastICA)相结合的眼电伪迹去除方法。首先,应用小波变换将信号分解成不同频率的小波分量,采用适合的小波基函数和阈值针对高低频噪声做去噪处理;其次,应用FastICA算法分离出各通道的独立成分,获取纯净的脑电信号;最后,对BCI competition IV公共数据集应用融合算法,并输入支持向量机(Support Vector Machine,SVM)进行分类验证。实验结果表明,相较于单一的小波变换和FastICA算法,采用文章提出的融合算法处理后的脑电信号的SVM分类识别率分别提升了18.9%和15.8%,证明该融合算法对去除脑电信号中的眼电伪迹有较好的效果。