[发明专利]一种基于卷积神经网络的用眼行为识别方法

说明书

本发明涉及的是一种基于卷积神经网络的用眼行为识别方法，具体是采用卷积神经网络实现对多通道的眼电(Electro‑oculogram，EOG)信号的个体用眼行为模式识别方法，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。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。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。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、休息和使用手机用眼行为的判断。

技术领域

本发明涉及的是一种基于卷积神经网络的用眼行为识别方法，具体是采用卷积神经网络实现对多通道的眼电(Electro-oculogram，EOG)信号的个体用眼行为模式识别方法。

背景技术

眼电(EOG)信号是因眼球运动产生的一种微弱生物电信号，该信号可以被贴在眼球周围的电极记录下来。研究表明，人在进行特定活动时所引发的眼动信号在很大程度上能够揭示其当前的行为状态，所以对于眼动信号的识别可以得到用眼行为模式信息。目前，基于EOG的研究与应用主要在医学检查、司机疲劳检测、个体行为识别、人机交互及上下文感知等方面。

目前，基于眼电信号的行为识别的研究主要集中在信号预处理、特征提取和识别算法三个领域。信号预处理是对采集的信号进行滤波、分帧及端点检测等预处理，例如使用Butterworth滤波器对EOG信号进行滤波。特征提取包括线性预测，即对原始EOG信号进行预处理操作后，提取线性预测(LPC)系数作为EOG信号的特征参数。使用支持向量机(SVM)进行分类，算法的平均识别率为90.3％，最高识别率为96％，最低识别率为82％。但以上传统的眼电信号处理方法，不仅需要对复杂的信号进行预处理，还需要选择最优的特征提取方法，存在计算复杂、参数多、运算时间长等缺点。

卷积神经网络是近几年发展起来，并引起广泛重视的一种高效识别算法。第一个卷积神经网络计算模型是在Fukushima的神经认知机中提出的，基于神经元之间的局部连接和分层组织图像转换，将有相同参数的神经元应用于前一层神经网络的不同位置，得到一种平移不变神经网络结构形式。后来，LeCun等人在该思想的基础上，用误差梯度设计并训练卷积神经网络，在一些模式识别任务上得到优越的性能。至今，基于卷积神经网络的模式识别系统是最好的实现系统之一，尤其在手写字体识别任务上表现出非凡的性能。

发明内容

针对现有技术上存在的不足，本发明目的在于提供对多通道的眼电(Electro-oculogram，EOG)信号的个体用眼行为模式识别方法，该方法具有识别正确率高，拓展性强，应用前景良好等优点。

其具体技术方案为：

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、休息和使用手机用眼行为的判断。

进一步，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。