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。

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。

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。

多通道脑电信号眼电伪迹自适应去除方法

针对现有方法在眼电伪迹自动去除中存在有用信息丢失、伪迹分量识别困难的问题,提出了一种结合粒子群优化算法、独立成分分析和小波变换的伪迹自适应去除算法。首先,采用均方根误差和Pearson相关系数设计了粒子群优化算法的适应度函数,利用优化算法实现了两个样本熵阈值的自适应设置;然后利用快速独立成分分析算法将脑电信号分解为统计独立分量,根据第一个样本熵阈值自动识别含伪迹分量,含伪迹分量经过4层小波分解得到5个小波分量,根据第二个样本熵阈值自动识别伪迹分量,将识别的伪迹分量置零;最后经过小波重构和逆变换,获得去除眼电伪迹的脑电信号。采用Graz data set A数据集进行实验验证,结果表明提出的方法能够实现多通道脑电信号伪迹的自动去除;采用Klados数据集进行实验验证,结果表明,与SE-CEEMDAN方法相比,采用提出方法实验获得的均方根误差降低了4.816,约38.2%,Pearson相关系数提高了0.025,约2.97%。

单通道脑电信号中眼电干扰的检测及去除方法

针对脑电信号(EEG)中眼电(EOG)干扰的问题,提出一种单通道脑电信号中眼电干扰的检测及去除方法。首先,根据多窗口一阶导数求和(MSDW)的特点,提出了单通道脑电信号中眼电干扰的检测方法;然后,使用小波变换(WT)对眼电干扰进行估计;最后,从原始脑电信号中减去估计的眼电信号,得到纯净的脑电信号。实验结果表明,对于不同通道的脑电信号,该方法均能有效地检测及去除眼电干扰;此外,该方法不需要使用多个脑电信号通道和专门的眼电信号通道。

EEG波形伪迹去除方法

EEG波形记录与ERP分析技术是认知科学和脑科学研究的新兴手段 ,但在实际研究和临床应用中 ,伪迹一直是困扰研究效度的重要因素。本文主要介绍了近年来兴起的回归方法、伪迹减法、主成分分析 (PCA)、独立成分分析 (ICA)、JADE分析等脑电伪迹去除技术。相对于传统方法 ,这些技术存在精度高、速度快、实用性强的优点 ,但它们都各自针对不同问题情境 ,均建立在特定假设基础上 ,所以应根据具体的研究目的和实验条件进行合理选择。通用性。

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。

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.

基于支持向量机多分类的眼电辅助肌电的人机交互

针对单一肌电信号在控制系统中正确识别率不高问题,设计并实现了一种基于支持向量机(SVM)多分类的眼电(EOG)辅助肌电(EMG)的人机交互(HCI)系统。该系统采用改进小波包算法和阈值法分别对EMG信号和EOG信号进行特征提取,并对特征向量融合;然后提取特征参数作为SVM的输入来识别EMG信号和EOG信号动作模式,根据分类结果生成控制命令。实验证明,该系统比单一肌电控制系统更便于操作,稳定性好,正确识别率高。

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。

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。

基于眼电的机器人控制系统研究

提出了一种基于眼电的机器人控制系统的设计思路,该系统将操作者的眼电信号送入采集电路,通过PC机实现对眨眼次数的检测,其结果通过RS-232串行端口送入单片机,近而遥控机器人运动。介绍了系统组成,详细分析了眼电信号检测的算法及PC机串口通信程序的设计,通过分析可以看出,系统由于引入了多线程和串行通信等技术,保证了机器人控制的稳定及实时性;基于数字信号处理的眼电信号检测算法,其识别正确率高达95%。

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。

基于独立分量分析的眼电伪迹去除方法研究

脑电信号极易受到眼电信号的干扰,这会导致脑电信号处理结果与实际情况发生较大的偏差,因此,去除包含于脑电信号中的眼电成分是信号预处理的一个重要操作。研究了独立成分分析理论及概要模型,提出一种基于Informax的优化ICA方法,对混入脑电信号中的眼电信号进行辨别、分离、重构,实验结果表明该方法能够准确地从混合信号中区分出眼电伪迹的独立成分,进而实现对原脑电信号的特征增强。

基于变分模态分解的眼电伪迹去除

脑电信号可以反映人体大脑活动状态,精确地将脑内信息传递向外界,对脑科学研究具有重要的意义。在实际情况中,脑电信号采集的同时会带有一些噪声,而眼电伪迹的存在会严重干扰脑电信号。本研究尝试了一种基于变分模态分解的眼电伪迹去除方法。通过变分模态分解将采集到的脑电信号分解成K组模态分量;根据眼电伪迹的频率特点,选择出眼电伪迹所对应的模态分量,并将其去除后重新构建剩余的模态分量。结果表明通过对实验数据的处理,变分模态分解可以有效地将眼电伪迹去除,并维持脑电信号的特征。

一种改进的加权中值滤波器及其在眼电信号处理中的应用

作为经典的研究眼球运动的方法,眼电图(EOG)已经广泛地应用在多个领域。EOG信号中包含了不同类型的眼动信号和伪差,去噪和信号分离在EOG研究中一直备受关注。我们结合EOG信号的特点提出了一种新的基于WFMH的线性-非线性混合滤波器(简称为IWFMH)。仿真结果表明,该滤波器在保持信号边缘的同时能够更有效地除去噪声,EOG处理结果表明该滤波器在除去噪声的同时能够有效地分离出扫视和眨眼信号。

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。