基于DTW算法的眼动信号分类研究

彭毅

（贵阳银行股份有限公司，贵州贵阳，550000）

0 引言

在人机交互领域，EOG的分类和识别一直是研究者们的一个重要科学研究领域。EOG信号为肢体残疾的人实现人机交互提供了可能性。本文利用DTW算法对EOG信号进行分类。第1节介绍了眼动信号提取的相关工作，第2节介绍了EOG端点检查和有效信号的提取，第3节介绍了DTW算法，第4节是实验和结果分析。最后，对本文进行了总结和展望。

1 EOG信号的收集

■1.1 电极方式的选择

EOG主要由分布在眼睛周围的生物电极收集，有两种方式放置电极，分别是单极连接和双极连接。双极连接的缺点是它不能有效地反映单个活性电极电势的实时变化。基于以上分析，本文对EOG的分类进行了研究，信号的实时性要求较低，因此采用了双极连接来采集信号。

■1.2 信号采集

本文使用RM6280C多通道生理信号采集和处理系统来实现信号采集。我们选择200Hz作为采样频率，选择100Hz作为滤波器，以达到要求，因为EOG的幅度范围约在50～300uv之间，频率范围约在0～38Hz之间。图1是时域和频域图原始EOG信号的。

图1 原始EOG信号

2 有效EOG信号的提取

■2.1 EOG信号的预处理

虽然我们在原始EOG采集过程中使用了一些硬件滤波器，但经过硬件滤波器后的EOG不是纯信号，并且信号中仍然包含一些来自眼球震颤、人体EMG信号、ECG信号、物体静电充电、电磁噪声和50Hz频率干扰的干扰信号，因此必须对原始信号进行进一步处理。由于EOG频率在0-38之间，其主要有效信号在0-10范围内，因此本文将使用截止频率为10Hz的四阶低通滤波器对EOG进行滤波。滤波前后的结果对比图见图2。

图2 滤波前后结果的比较

■2.2 有效信号的提取

EOG是由眼球运动产生的生物电信号，包括有效运动和无效运动，因此有效信号的提取是EOG研究的重要前提，根据能量值判断信号起始点，提取信号。

2.2.1 EOG的子帧和处理窗口

EOG的子帧和处理窗口是将一个“窗口”应用于连续信号的周期。然后将“窗口”向后移动一定距离，并研究“窗口”周期内的信号。其中，“窗口”的长度变为帧长度，其移动的距离变为帧偏移，帧长和帧移通常选择2:1的比率，为了信号的连续性，最后一个信号和下一个信号应该叠加。本文选择的帧长为20ms，帧移为10ms。图3是开窗示意图。

图3 开窗示意图

为了保持高分辨率并减少光谱泄漏，通常选择Hamming窗作为窗函数，其在公式（2）中的表达式如下：

假设EOG的时域信号为，窗口函数为s(n)，因此加窗w(n),EOG表达式类似于公式（1）中的表达式，如下所示：

2.2.2 短期能量计算

在正常情况下，我们希望通过显著的差异来区分有效和无效信号，因此我们引入了EOG能量的概念。通过比较EOG能量有效和无效之间的差异，可以通过设置一定的阈值来实现设置目标。以EOG的一段为例，将经过加窗分的第n帧信号计为xn(m)，一帧包含m个点，则定义第n帧的能量为：

图4是EOG能量。

图4 EOG能量

2.2.3 端点检测

如图4所示，有效和无效信号的能量值之间存在显著差异，因此，根据实验设置阈值可以让我们定位和标记信号的起点和终点。在本实验中，能量阈值M为0.04，只要将每个帧的信号能量与阈值进行比较，就可以找到信号的起点和终点。端点检测算法如图5所示。

图5 端点检测算法

通过端点检测找到一系列信号的起点和终点，绿线标记的位置是信号的起点，红线标记的位置为信号的终点，如图6所示。

图6 信号的起点和终点

2.2.4 有效信号的提取

有效信号是从眼睛运动开始并随着眼睛停止而停止的信号。可以根据确定的运动起点和终点提取EOG。图7中的(a)、(b)、(c)、(d)是向左、向右、单眨眼、双眨眼的EOG示意图。

图7 EOG信号示意图

3 DTW算法

在EOG信号的分类和识别领域，通常使用人工神经网络将各种EOG特征相结合的分类方法，很少使用基于模型匹配的分类算法，模型匹配的分类方法可以应用于EOG信号的分类。DTW算法是一种基于动态规划（DP）的模型匹配方法，可以解决同一类EOG信号的不同长度和幅度的识别问题。

动态时间扭曲算法计算两个信号之间的最佳匹配路径。DTW算法还计算两个图像之间的距离，根据两个图像的相关特征值计算两个可能的点对之间的累积距离。该算法计算长度分别为(a1,a2,···,an)和(b1,b2,···,bm)的两个序列的元素之间的局部距离n和m。结果是具有项的n 行和m列的距离矩阵：

根据局部距离，根据下一个优化目标，使用动态规划算法计算两个序列之间的最小距离矩阵：

（1）边界条件：路径从左下角开始t11，到右上角结束tnm。

（2）单调性条件：路径不会返回自身，这意味着i和j索引要么保持不变，要么增加，但永远不会减少。

（3）步长条件：路径逐渐前进。索引i和j在每一步上最多增加一个单位。

4 实验结论

■4.1 数据收集

实验选择了5个人（三男两女），他们的眼睛功能正常，年龄在23岁到25岁之间，他们都参加过EOG信号采集实验，熟悉实验环境。使用RM6280C多通道生理信号采集与处理系统采集EOG。用于EOG采集的电极位于眼睛两侧以及单眼的上下部分。电极1和电极2收集EOG的水平分量，这些分量对眼睛的水平运动起反应；电极3和电极4收集EOG的垂直分量，这些分量对眼睛的垂直运动和眨眼作出反应。电极5是接地电极，如图8所示。

图8 EOG电极的位置

实验收集了三名受试者的四种EOG：左移动、右移动、一次眨眼和两次眨眼。每个动作需要50组数据，因此总共有1000组数据。为了防止受试者疲劳，每个受试者每次只收集5组数据。根据眼动习惯，完成一个动作的时间大约在0.4秒到0.6秒之间，每个动作之间的间隔在2～3秒之间。在采集5组数据后，让受试者休息，以确保眼睛处于放松状态，然后继续收集下一个数据。

■4.2 数据分析

实验使用信号的波形作为分析样本。将从5名受试者中采集四种EOG，它们是向左移动眼睛的信号、向右移动眼睛的信息、眨眼一次的信号和眨眼两次的信号，每个动作有50组数据，因此总共有1000组数据。从每种信号中随机选择一组信号作为DTW算法的匹配模板，所选择的信号组将用作模板组。剩下的信号将是测试组。为了计算测试组的信号和模板组的信号之间的距离，应在这两组信号中应用处理。根据DTW算法，信号将属于测试信号与其距离较短的模板。表1、2、3、4、5是5名受试者的DTW操作结果。（LT表示左模板，T R表示右模板，OBT表示眨眼模板，DBT表示双眨眼模板。）

表1 实验者I匹配结果

表2 实验者Ⅱ匹配结果

表3 实验者Ⅲ匹配结果

表4 实验者Ⅳ匹配结果

表5 实验者Ⅴ匹配结果

表1、2、3、4、5分别显示了5个受试者的四种信号在匹配模板和测试模板之间的平均距离。根据表1、3、3、5可以看出，当每种信号的50组数据与基于DTW算法的相应信号匹配时，平均距离最短。（已用粗体标记）。这一现象表明DTW算法完全适用于EOG分类。表6是五个受试者的4种类型信号的识别率。

表6 识别率分析

5 结论

本文介绍了EOG的提取、EOG的端点检测，并将语音信号分类中常用的DTW算法应用于EOG的分类和识别，实验结果表明，基于DTW算法的EOG平均分类率可达99%以上。为基于EOG的人机交互奠定了良好的基础。但是在实验过程中也发现了使用DTW算法分类时存在的一些问题，例如：模块的选择对分类结果有明显的影响，使用时域特征值时会产生太多的数据，并且运算结果相对较慢。下一步的工作：找到适用于DTW算法的EOG信号的合适特征值，提高运算速度。