基于DTW算法的眼動信號分類研究

彭毅

（貴陽銀行股份有限公司，貴州貴陽，550000）

0 引言

在人機交互領域，EOG的分類和識別一直是研究者們的一個重要科學研究領域。EOG信號為肢體殘疾的人實現人機交互提供了可能性。本文利用DTW算法對EOG信號進行分類。第1節介紹了眼動信號提取的相關工作，第2節介紹了EOG端點檢查和有效信號的提取，第3節介紹了DTW算法，第4節是實驗和結果分析。最后，對本文進行了總結和展望。

1 EOG信號的收集

■1.1 電極方式的選擇

EOG主要由分布在眼睛周圍的生物電極收集，有兩種方式放置電極，分別是單極連接和雙極連接。雙極連接的缺點是它不能有效地反映單個活性電極電勢的實時變化?；谝陨戏治觯疚膶OG的分類進行了研究，信號的實時性要求較低，因此采用了雙極連接來采集信號。

■1.2 信號采集

本文使用RM6280C多通道生理信號采集和處理系統來實現信號采集。我們選擇200Hz作為采樣頻率，選擇100Hz作為濾波器，以達到要求，因為EOG的幅度范圍約在50～300uv之間，頻率范圍約在0～38Hz之間。圖1是時域和頻域圖原始EOG信號的。

圖1 原始EOG信號

2 有效EOG信號的提取

■2.1 EOG信號的預處理

雖然我們在原始EOG采集過程中使用了一些硬件濾波器，但經過硬件濾波器后的EOG不是純信號，并且信號中仍然包含一些來自眼球震顫、人體EMG信號、ECG信號、物體靜電充電、電磁噪聲和50Hz頻率干擾的干擾信號，因此必須對原始信號進行進一步處理。由于EOG頻率在0-38之間，其主要有效信號在0-10范圍內，因此本文將使用截止頻率為10Hz的四階低通濾波器對EOG進行濾波。濾波前后的結果對比圖見圖2。

圖2 濾波前后結果的比較

■2.2 有效信號的提取

EOG是由眼球運動產生的生物電信號，包括有效運動和無效運動，因此有效信號的提取是EOG研究的重要前提，根據能量值判斷信號起始點，提取信號。

2.2.1 EOG的子幀和處理窗口

EOG的子幀和處理窗口是將一個“窗口”應用于連續信號的周期。然后將“窗口”向后移動一定距離，并研究“窗口”周期內的信號。其中，“窗口”的長度變為幀長度，其移動的距離變為幀偏移，幀長和幀移通常選擇2:1的比率，為了信號的連續性，最后一個信號和下一個信號應該疊加。本文選擇的幀長為20ms，幀移為10ms。圖3是開窗示意圖。

圖3 開窗示意圖

為了保持高分辨率并減少光譜泄漏，通常選擇Hamming窗作為窗函數，其在公式（2）中的表達式如下：

假設EOG的時域信號為，窗口函數為s(n)，因此加窗w(n),EOG表達式類似于公式（1）中的表達式，如下所示：

2.2.2 短期能量計算

在正常情況下，我們希望通過顯著的差異來區分有效和無效信號，因此我們引入了EOG能量的概念。通過比較EOG能量有效和無效之間的差異，可以通過設置一定的閾值來實現設置目標。以EOG的一段為例，將經過加窗分的第n幀信號計為xn(m)，一幀包含m個點，則定義第n幀的能量為：

圖4是EOG能量。

圖4 EOG能量

2.2.3 端點檢測

如圖4所示，有效和無效信號的能量值之間存在顯著差異，因此，根據實驗設置閾值可以讓我們定位和標記信號的起點和終點。在本實驗中，能量閾值M為0.04，只要將每個幀的信號能量與閾值進行比較，就可以找到信號的起點和終點。端點檢測算法如圖5所示。

圖5 端點檢測算法

通過端點檢測找到一系列信號的起點和終點，綠線標記的位置是信號的起點，紅線標記的位置為信號的終點，如圖6所示。

圖6 信號的起點和終點

2.2.4 有效信號的提取

有效信號是從眼睛運動開始并隨著眼睛停止而停止的信號?？梢愿鶕_定的運動起點和終點提取EOG。圖7中的(a)、(b)、(c)、(d)是向左、向右、單眨眼、雙眨眼的EOG示意圖。

圖7 EOG信號示意圖

3 DTW算法

在EOG信號的分類和識別領域，通常使用人工神經網絡將各種EOG特征相結合的分類方法，很少使用基于模型匹配的分類算法，模型匹配的分類方法可以應用于EOG信號的分類。DTW算法是一種基于動態規劃（DP）的模型匹配方法，可以解決同一類EOG信號的不同長度和幅度的識別問題。

動態時間扭曲算法計算兩個信號之間的最佳匹配路徑。DTW算法還計算兩個圖像之間的距離，根據兩個圖像的相關特征值計算兩個可能的點對之間的累積距離。該算法計算長度分別為(a1,a2,···,an)和(b1,b2,···,bm)的兩個序列的元素之間的局部距離n和m。結果是具有項的n 行和m列的距離矩陣：

根據局部距離，根據下一個優化目標，使用動態規劃算法計算兩個序列之間的最小距離矩陣：

（1）邊界條件：路徑從左下角開始t11，到右上角結束tnm。

（2）單調性條件：路徑不會返回自身，這意味著i和j索引要么保持不變，要么增加，但永遠不會減少。

（3）步長條件：路徑逐漸前進。索引i和j在每一步上最多增加一個單位。

4 實驗結論

■4.1 數據收集

實驗選擇了5個人（三男兩女），他們的眼睛功能正常，年齡在23歲到25歲之間，他們都參加過EOG信號采集實驗，熟悉實驗環境。使用RM6280C多通道生理信號采集與處理系統采集EOG。用于EOG采集的電極位于眼睛兩側以及單眼的上下部分。電極1和電極2收集EOG的水平分量，這些分量對眼睛的水平運動起反應；電極3和電極4收集EOG的垂直分量，這些分量對眼睛的垂直運動和眨眼作出反應。電極5是接地電極，如圖8所示。

圖8 EOG電極的位置

實驗收集了三名受試者的四種EOG：左移動、右移動、一次眨眼和兩次眨眼。每個動作需要50組數據，因此總共有1000組數據。為了防止受試者疲勞，每個受試者每次只收集5組數據。根據眼動習慣，完成一個動作的時間大約在0.4秒到0.6秒之間，每個動作之間的間隔在2～3秒之間。在采集5組數據后，讓受試者休息，以確保眼睛處于放松狀態，然后繼續收集下一個數據。

■4.2 數據分析

實驗使用信號的波形作為分析樣本。將從5名受試者中采集四種EOG，它們是向左移動眼睛的信號、向右移動眼睛的信息、眨眼一次的信號和眨眼兩次的信號，每個動作有50組數據，因此總共有1000組數據。從每種信號中隨機選擇一組信號作為DTW算法的匹配模板，所選擇的信號組將用作模板組。剩下的信號將是測試組。為了計算測試組的信號和模板組的信號之間的距離，應在這兩組信號中應用處理。根據DTW算法，信號將屬于測試信號與其距離較短的模板。表1、2、3、4、5是5名受試者的DTW操作結果。（LT表示左模板，T R表示右模板，OBT表示眨眼模板，DBT表示雙眨眼模板。）

表1 實驗者I匹配結果

表2 實驗者Ⅱ匹配結果

表3 實驗者Ⅲ匹配結果

表4 實驗者Ⅳ匹配結果

表5 實驗者Ⅴ匹配結果

表1、2、3、4、5分別顯示了5個受試者的四種信號在匹配模板和測試模板之間的平均距離。根據表1、3、3、5可以看出，當每種信號的50組數據與基于DTW算法的相應信號匹配時，平均距離最短。（已用粗體標記）。這一現象表明DTW算法完全適用于EOG分類。表6是五個受試者的4種類型信號的識別率。

表6 識別率分析

5 結論

本文介紹了EOG的提取、EOG的端點檢測，并將語音信號分類中常用的DTW算法應用于EOG的分類和識別，實驗結果表明，基于DTW算法的EOG平均分類率可達99%以上。為基于EOG的人機交互奠定了良好的基礎。但是在實驗過程中也發現了使用DTW算法分類時存在的一些問題，例如：模塊的選擇對分類結果有明顯的影響，使用時域特征值時會產生太多的數據，并且運算結果相對較慢。下一步的工作：找到適用于DTW算法的EOG信號的合適特征值，提高運算速度。