摘要 — 准确地对眼动进行分类对于人机界面、睡眠分期和疲劳检测等各种实际应用都至关重要。然而,基于眼电图 (EOG) 的眼动分类 (EMC) 仍然具有挑战性,现有的解决方案在准确性方面仍然不是最优的。传统的基于机器学习 (ML) 的方法主要关注手工制作的特征,严重依赖于 EOG 分析的先验知识。此外,大多数现有的基于深度学习 (DL) 的方法仅仅专注于提取单尺度或多尺度特征,而不考虑不同层次特征的贡献,从而限制了模型学习判别表示的能力。为了解决上述问题,提出了一种新的基于多尺度 Inception 的深度融合网络 (MIDF-NET),由并行 CNN 流和多尺度特征融合 (MSFF) 模块组成,用于从原始 EOG 信号中提取信息特征。并行的 CNN 流可以有效地提取 EOG 的多尺度表示,而 MSFF 模块融合了这些特征,利用了低级和高级多尺度特征。在 5 个公共 EOG 数据集(50 名受试者和 59 条记录)上进行了全面的实验,包含 5 种眼球运动(眨眼、向上、向下、向右和向左)。还实现了最先进的基于 EOG 的眼球运动方法,包括经典机器学习模型和深度网络,以供比较。实验结果表明,我们的 MIDF-NET 在 5 个公共数据集中实现了最高的准确率(87.7%、86.0%、95.0%、94.2% 和 95.4%),优于最先进的方法,准确率显著提高。总之,提出的 MIDF-NET 可以根据特征融合子网络综合考虑多级特征,并通过增强的 EOG 表示有效地对眼球运动模式进行分类。
按年份确定了 2011 年至 2021 年期间在(眼电图)EOG 与眼球运动、EOG 与轮椅、EOG 与眼角、EOG 与睡眠状态、EOG 与情绪估计以及 EOG 与游戏应用领域进行的研究的分布,并研究和介绍了被引用次数最多的研究。研究领域从文章数最多到最少依次为眼球运动分类、轮椅、睡眠状态、眼角、情绪状态和游戏应用。按引用次数排列,从多到少依次为睡眠状态、眼球运动分类、轮椅、眼角、情绪状态和游戏应用。在这些研究中,人们尝试通过使用带有机器学习的脑机接口来改善各种残疾人群的生活。
摘要 - 眼动追踪是指追踪眼球运动并确定用户注视点的过程。本文旨在介绍用于眼动追踪的各种技术。测量眼球运动有许多原理,包括测量电信号和光电信号、跟踪眼球图像中的许多视觉特征、测量红外 (IR) 光的相对反射以及使用机械或光学杠杆或磁场。本文还包括选择特定眼动追踪方法所涉及的因素。最后,它介绍了眼动追踪技术的一些应用。索引术语 - 眼动追踪、眼电图 (EOG)、视频眼动图 (VOG)、红外眼动图 (IROG)、巩膜搜索线圈。
技术和生理伪影会干扰脑电图 (EEG) 信号。最常见的伪影之一是受试者眼球运动和眨眼产生的自然活动。眨眼伪影 (EB) 遍布整个头部表面,使 EEG 信号分析变得困难。消除眼电图 (EOG) 伪影的方法已知,例如独立成分分析 (ICA) 和回归。本文旨在实现卷积神经网络 (CNN) 以消除眨眼伪影。为了训练 CNN,提出了一种增强 EEG 信号的方法。将从 CNN 获得的结果与 ICA 和回归方法的结果进行比较,以比较生成的和真实的 EEG 信号。所得结果表明,CNN 在消除眨眼伪影的任务中表现更好,尤其是对于位于头部中央部分的电极。
基于脑电图 (EEG) 的脑机接口 (BCI) 近来在虚拟现实 (VR) 应用中引起越来越多的关注,成为一种有前途的工具,可以“免提”方式控制虚拟物体或生成命令。视频眼动图 (VOG) 经常被用作一种工具,通过识别屏幕上的注视位置来提高 BCI 性能,然而,当前的 VOG 设备通常过于昂贵,无法嵌入到实用的低成本 VR 头戴式显示器 (HMD) 系统中。在本研究中,我们提出了一种新颖的免校准混合 BCI 系统,该系统结合了基于稳态视觉诱发电位 (SSVEP) 的 BCI 和基于眼电图 (EOG) 的眼动追踪,以提高 VR 环境中九目标基于 SSVEP 的 BCI 的信息传输速率 (ITR)。在以 3×3 矩阵排列的三种不同频率配置的模式反转棋盘格刺激上重复实验。当用户注视九种视觉刺激中的一种时,首先根据用户的水平眼球运动方向(左、中或右)识别包含目标刺激的列,并使用从一对电极记录的水平 EOG 进行分类,该电极可以很容易地与任何现有的 VR-HMD 系统结合使用。请注意,与 VOG 系统不同,可以使用与记录 SSVEP 相同的放大器来记录 EOG。然后,使用多元同步指数 (EMSI) 算法的扩展(广泛使用的 SSVEP 检测算法之一)在选定列中垂直排列的三个视觉刺激中识别目标视觉刺激。在我们对 20 名佩戴商用 VR-HMD 系统的参与者进行的实验中,结果表明,与 VR 环境中基于传统 SSVEP 的 BCI 相比,所提出的混合 BCI 的准确度和 ITR 均显着提高。
摘要:本文概述了开发模糊决策算法的各种方法,该算法旨在监控和发出有关驾驶员困倦的警告。该算法基于分析 EOG(眼电图)信号和眼部状态图像,目的是防止事故发生。困倦警告系统由关键组件组成,这些组件可以了解、分析和决定驾驶员的警觉状态。如果驾驶员被识别为处于困倦状态,则此分析的结果可以触发警告。驾驶员困倦的特点是对道路和交通的注意力逐渐下降,驾驶技能下降,反应时间增加,所有这些都会增加发生事故的风险。如果驾驶员没有对警告做出反应,ADAS(高级驾驶辅助系统)系统应进行干预,接管车辆的命令。
摘要:眼电图 (EOG) 信号已广泛应用于人机界面 (HCI)。文献中提出的 HCI 系统使用自行设计或封闭的环境,这限制了潜在用户和应用的数量。在这里,我们提出了一个使用 EOG 信号对四个方向的眼球运动进行分类的系统。该系统基于开源生态系统、Raspberry Pi 单板计算机、OpenBCI 生物信号采集设备和开源 Python 库。设计的系统提供了一种廉价、紧凑且易于携带的系统,可以复制或修改。我们使用最大、最小和中位数试验值作为特征来创建支持向量机 (SVM) 分类器。在 10 名受试者中,有 7 名受试者对上下左右运动的在线分类平均准确率为 90%。该分类系统可用作 HCI 的输入,即用于瘫痪患者的辅助交流。
1 电子与通信工程系,DAV 工程技术学院,贾朗达尔(印度) 2 电子与通信工程系,Beant 工程技术学院,古尔达斯普尔(印度) 摘要 - 眼动追踪是指追踪眼球运动并确定用户注视点的过程。本文旨在介绍用于眼动追踪的各种技术。测量眼球运动有许多原理,包括测量电信号和光电信号、跟踪眼球图像中的许多视觉特征、测量红外 (IR) 光的相对反射以及使用机械或光学杠杆或磁场。本文还介绍了选择特定眼动追踪方法所涉及的因素。最后,本文介绍了眼动追踪技术的一些应用。索引词 - 眼动追踪、眼电图 (EOG)、视频眼动图 (VOG)、红外眼动图 (IROG)、巩膜搜索线圈。
工业环境的特点将是由机器人技术和人工智能的进步带来的深远的生产自动化。因此,人类装配工人需要快速适应新的和更复杂的装配程序,这些程序很可能会增加认知负荷或可能导致超负荷。需要开发测量和优化协议以便能够监控工人的认知负荷。先前的研究使用了脑电图 (EEG,测量大脑活动) 和眼电图 (EOG,测量眼球运动) 信号,使用基本的基于计算机的静态任务,并且不会产生超负荷体验。在这项研究中,收集了 46 名参与者的 EEG 和 EOG 数据,这些参与者在执行生态有效的装配任务时引入了三个级别的认知负荷(低、高和超负荷)。较低的个体 alpha 频率 (IAF) 被认为是区分不同水平的认知负荷和超负荷的有希望的标记。