[发明专利]一种基于卷积神经网络的用眼行为识别方法

权利要求书

1.一种基于卷积神经网络的用眼行为识别方法，包括EOG信号采集模块、信号预处理模块和眼动信号-行为状态判断模块；

所述的EOG信号采集模块有别于传统采集方法，适用于可穿戴移动设备，且采用干电极，更好的实现对眼电信号的采集；

所述的信号预处理模块使用Butterworth滤波器，对原始数据中干扰信号进行滤波，并用Z-score方法进行标准化，接着用信号分帧提取算法将原始信号切割成一个个数据帧，便于神经网络训练；

所述的眼动信号-行为状态判断模块使用CNN神经网络对EOG信号进行分类，实现对阅读、休息和使用手机等用眼行为的判断。

2.根据权利要求1所述的基于卷积神经网络的用眼行为识别方法，其特征在于，所述EOG信号识别模块中信号采集电极的安装位置描述如下；使用三个电极来测量EOG，一个电极(C)位于两眼中心的鼻梁顶部附近,另外两个电极(L和R)分别放置在鼻梁顶部下0.5-1cm处鼻子的左右两侧，由于电极C，L和R的位置分别对应于眼镜部件的位置：桥接部分和鼻托的左右两侧，该布置系统适合安装到眼镜。

3.根据权利要求1所述的基于卷积神经网络的用眼行为识别方法，其特征在于，所述的EOG信号识别模块中对原始信号的预处理过程：在数字滤波阶段，采用两个截止频率为1-15Hz的Butterworth滤波器，第一个滤波器为用于过滤交流电干扰的三阶带阻滤波器；第二个滤波器为用于过滤其他生物电信号干扰的三阶带通滤波器；在数据标准化阶段，使用Z-score标准化方法，其转化函数为：

其中μ为所有样本数据的均值，σ为所有样本数据的标准差。

4.根据权利要求1所述的基于卷积神经网络的用眼行为识别方法，其特征在于，所述的眼动信号-行为状态关系模块使用CNN神经网络对EOG信号进行分类，实现对阅读、休息和使用手机用眼行为的判断；

具体各层定义如下：

(1)卷积层：由于眼动信号采集是一个多维时序信号，存在一定的干扰，所以将原始信号切割成一个个的数据帧，再用一维卷积层对眼电信号数据帧进行卷积；通过对隐含单元和输入单元间的连接加以限制，每个隐含单元仅仅只能连接输入单元的一部分，同时使用参数共享技术，大幅度减少了参数个数；

卷积公式：

(2)池化层：卷积完成后就是池化(pool)，目的是为了减少特征；池化操作对每个深度切片独立，主要利用最大池化(Max Pooling)；

(3)全连接层：在神经网络的最后使用全连接层，将学习到的特征映射到样本标记空间，使得整个网络输出为预测的分类结果；同时使用softmax函数，得到预测的每个分类的概率。