基于独立分量分析的眼动信号增强算法研究

发布时间：2020-10-08 21:36

　　随着可穿戴式设备和互联网技术的快速发展,人体生物电信号的检测以及应用在人们的日常生活中扮演着非常重要的角色。相较于其它生物电信号,眼电图(Electro-oculogram,EOG)具有测量成本低廉、结果精确、测量设备轻便、记录时间长、更易实现可穿戴式设计等优点。同时,由于EOG信号能够很好的反映不同行为状态下的眼球运动模式,因此,基于EOG的人体行为识别(Human Activity Recognition,HAR)目前已经成为一个瞩目的研究方向。但是,在真实环境下,采集EOG信号过程中会不可避免的受到周围环境噪声的干扰,这将影响EOG信号的质量,使得对EOG信号进行有效的识别面临挑战。为了降低噪声信号对EOG-HAR系统产生的影响,提高识别正确率,论文研究了基于独立分量分析(Independent Component Analysis,ICA)的眼动信号增强算法。具体内容如下:(1)详细介绍了瞬时混合模型下EOG信号的增强算法。首先对瞬时混合模型下的几种常用ICA算法进行了描述,之后针对阅读这一特定状态,提出了一种基于瞬时ICA的眼动信号增强算法。实验室环境下,对降噪后的EOG信号进行阅读状态识别,其平均正确率达到95.5%,相比较原始EOG信号、带通滤波法及主分量分析方法(Principal component analysis,PCA)分别提升了 3.39%,5.0%和2.70%,实验结果验证了所提算法的有效性。(2)重点研究了基于卷积ICA的眼动信号增强算法。在真实环境下,依据卷积混合形式描述的观测数据模型有着一定的普遍性这一定理,提出了基于卷积ICA的多通道带噪EOG信号增强算法。首先,使用短时傅里叶变换(Short Time Fourier Transform,STFT)将原始时域EOG信号转换到频域。然后应用复值ICA算法来分离频域中的扫视源信号和噪声。最后,将分离开的扫视源的功率谱密度(Power Spectral Density,PSD)作为特征参数并馈送到分类器中。多通道带噪EOG信号经本文所提卷积ICA算法增强后,组间测试和组内测试的平均识别率分别达到95.60%和97.30%。本文对比了传统的时频域去噪方法,以及几种常见的瞬时ICA算法,实验结果表明,与带通滤波算法,小波去噪算法,Extended Infomax算法,Real JADE算法和Classical JADE算法相比,平均识别率分别提高了 4.45%,3.44%,2.78%,2.76%和 2.80%(组内测试)和 4.88%,3.322%,2.12%,2.13%和2.16%(组间测试)。实验结果表明,该算法在扫视EOG信号的识别中呈现了较好的分类性能。(3)提出了一种新的频域约束波达方向估计((Direction of arrival,DOA)算法来解决卷积ICA模型中的排序模糊问题。对于ICA模型,排序模糊是盲源分离(Blind Source Separation,BSS)问题的固有不确定性之一。特别是对于卷积模型,ICA算法将在每个频率点中独立执行,盲分离后需要对各频点的ICA分离结果分别进行匹配,以便将属于同一个源的频域独立分量组合在一起,否则来自不同源的子带信号被错误的拼接在一起,将会降低信号的质量。因此,排序调整对于卷积ICA模型变得非常重要。为了解决多通道排序问题,论文提出了一种约束的DOA算法来解决六通道卷积模型下的排序模糊问题。首先根据经验将盲分离后的不同源信号的角度进行初始化并作为约束条件,然后将计算出的输出角度与每个频点初始化的角度进行比较。在此基础上,对通道顺序进行调整,以便分别根据不同的源信号进行新的输出排序。实验结果表明,使用本文所提排序算法进行排序后,组间测试和组内测试的平均识别率分别达到95.25%和97.30%。相比较排序前的带噪EOG信号,分别提升了 3.03%(组间测试)和4.26%(组内测试),实验结果验证了所提算法的有效性。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R318;TN911.7
【文章目录】：
摘要
Abstract
第一章绪论
    1.1 课题研究背景和意义
    1.2 眼动信号的采集方式
    1.3 独立分量分析概述
    1.4 盲源分离技术的发展概述
    1.5 论文的研究目的和章节安排
第二章眼动信号的概述
    2.1 生物电信号
    2.2 眼动信号的生成
    2.3 眼动信号的分类
    2.4 眼动信号采集
    2.5 本章小结
第三章独立分量分析理论
    3.1 盲源分离基本原理
    3.2 ICA的前提和假设
    3.3 独立性判据
        3.3.1 信息极大准则
        3.3.2 非高斯性极大准则
        3.3.3 互信息极小准则
    3.4 ICA在信号处理中的应用
    3.5 本章小结
第四章基于瞬时ICA的眼动信号增强算法研究
    4.1 瞬时混合模型
    4.2 基于瞬时混合模型的经典ICA算法
    4.3 基于瞬时ICA的眼动信号增强算法研究
        4.3.1 实验范式
        4.3.2 基于瞬时ICA的眼动信号增强算法
        4.3.3 阅读状态识别算法
    4.4 实验结果分析
        4.4.1 ICA对EOG信号处理的可行性分析
        4.4.2 阅读状态的识别与结果分析
    4.5 本章小结
第五章基于卷积ICA的眼动信号增强算法研究
    5.1 卷积混合模型
    5.2 数据采集与实验范式
    5.3 基于卷积ICA的眼动增强算法研究
        5.3.1 预处理
        5.3.2 短时傅里叶变换
        5.3.3 基于JADE的卷积ICA算法
        5.3.4 尺度不确定性补偿
        5.3.5 多通道条件下排序不确定问题的解决方案
        5.3.6 特征提取
    5.4 实验与结果
        5.4.1 排序算法的性能
        5.4.2 对比实验与结果分析
    5.5 本章小结
第六章总结与展望
    6.1 总结
    6.2 展望
参考文献
附图
附表
致谢
攻读学位期间取得的学术成果

【参考文献】