隨著可穿戴式設(shè)備和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,人體生物電信號的檢測以及應(yīng)用在人們的日常生活中扮演著非常重要的角色。相較于其它生物電信號,眼電圖(Electro-oculogram,EOG)具有測量成本低廉、結(jié)果精確、測量設(shè)備輕便、記錄時間長、更易實(shí)現(xiàn)可穿戴式設(shè)計(jì)等優(yōu)點(diǎn)。同時,由于EOG信號能夠很好的反映不同行為狀態(tài)下的眼球運(yùn)動模式,因此,基于EOG的人體行為識別(Human Activity Recognition,HAR)目前已經(jīng)成為一個矚目的研究方向。但是,在真實(shí)環(huán)境下,采集EOG信號過程中會不可避免的受到周圍環(huán)境噪聲的干擾,這將影響EOG信號的質(zhì)量,使得對EOG信號進(jìn)行有效的識別面臨挑戰(zhàn)。為了降低噪聲信號對EOG-HAR系統(tǒng)產(chǎn)生的影響,提高識別正確率,論文研究了基于獨(dú)立分量分析(Independent Component Analysis,ICA)的眼動信號增強(qiáng)算法。具體內(nèi)容如下:(1)詳細(xì)介紹了瞬時混合模型下EOG信號的增強(qiáng)算法。首先對瞬時混合模型下的幾種常用ICA算法進(jìn)行了描述,之后針對閱讀這一特定狀態(tài),提出了一種基于瞬時ICA的眼動信號增強(qiáng)算法。實(shí)驗(yàn)室環(huán)境下,對降噪后的EOG信號進(jìn)行閱讀狀態(tài)識別,其平均正確率達(dá)到95.5%,相比較原始EOG信號、帶通濾波法及主分量分析方法(Principal component analysis,PCA)分別提升了 3.39%,5.0%和2.70%,實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的有效性。(2)重點(diǎn)研究了基于卷積ICA的眼動信號增強(qiáng)算法。在真實(shí)環(huán)境下,依據(jù)卷積混合形式描述的觀測數(shù)據(jù)模型有著一定的普遍性這一定理,提出了基于卷積ICA的多通道帶噪EOG信號增強(qiáng)算法。首先,使用短時傅里葉變換(Short Time Fourier Transform,STFT)將原始時域EOG信號轉(zhuǎn)換到頻域。然后應(yīng)用復(fù)值ICA算法來分離頻域中的掃視源信號和噪聲。最后,將分離開的掃視源的功率譜密度(Power Spectral Density,PSD)作為特征參數(shù)并饋送到分類器中。多通道帶噪EOG信號經(jīng)本文所提卷積ICA算法增強(qiáng)后,組間測試和組內(nèi)測試的平均識別率分別達(dá)到95.60%和97.30%。本文對比了傳統(tǒng)的時頻域去噪方法,以及幾種常見的瞬時ICA算法,實(shí)驗(yàn)結(jié)果表明,與帶通濾波算法,小波去噪算法,Extended Infomax算法,Real JADE算法和Classical JADE算法相比,平均識別率分別提高了 4.45%,3.44%,2.78%,2.76%和 2.80%(組內(nèi)測試)和 4.88%,3.322%,2.12%,2.13%和2.16%(組間測試)。實(shí)驗(yàn)結(jié)果表明,該算法在掃視EOG信號的識別中呈現(xiàn)了較好的分類性能。(3)提出了一種新的頻域約束波達(dá)方向估計(jì)((Direction of arrival,DOA)算法來解決卷積ICA模型中的排序模糊問題。對于ICA模型,排序模糊是盲源分離(Blind Source Separation,BSS)問題的固有不確定性之一。特別是對于卷積模型,ICA算法將在每個頻率點(diǎn)中獨(dú)立執(zhí)行,盲分離后需要對各頻點(diǎn)的ICA分離結(jié)果分別進(jìn)行匹配,以便將屬于同一個源的頻域獨(dú)立分量組合在一起,否則來自不同源的子帶信號被錯誤的拼接在一起,將會降低信號的質(zhì)量。因此,排序調(diào)整對于卷積ICA模型變得非常重要。為了解決多通道排序問題,論文提出了一種約束的DOA算法來解決六通道卷積模型下的排序模糊問題。首先根據(jù)經(jīng)驗(yàn)將盲分離后的不同源信號的角度進(jìn)行初始化并作為約束條件,然后將計(jì)算出的輸出角度與每個頻點(diǎn)初始化的角度進(jìn)行比較。在此基礎(chǔ)上,對通道順序進(jìn)行調(diào)整,以便分別根據(jù)不同的源信號進(jìn)行新的輸出排序。實(shí)驗(yàn)結(jié)果表明,使用本文所提排序算法進(jìn)行排序后,組間測試和組內(nèi)測試的平均識別率分別達(dá)到95.25%和97.30%。相比較排序前的帶噪EOG信號,分別提升了 3.03%(組間測試)和4.26%(組內(nèi)測試),實(shí)驗(yàn)結(jié)果驗(yàn)證了所提算法的有效性。
【學(xué)位單位】：安徽大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R318;TN911.7
【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景和意義
    1.2 眼動信號的采集方式
    1.3 獨(dú)立分量分析概述
    1.4 盲源分離技術(shù)的發(fā)展概述
    1.5 論文的研究目的和章節(jié)安排
第二章 眼動信號的概述
    2.1 生物電信號
    2.2 眼動信號的生成
    2.3 眼動信號的分類
    2.4 眼動信號采集
    2.5 本章小結(jié)
第三章 獨(dú)立分量分析理論
    3.1 盲源分離基本原理
    3.2 ICA的前提和假設(shè)
    3.3 獨(dú)立性判據(jù)
        3.3.1 信息極大準(zhǔn)則
        3.3.2 非高斯性極大準(zhǔn)則
        3.3.3 互信息極小準(zhǔn)則
    3.4 ICA在信號處理中的應(yīng)用
    3.5 本章小結(jié)
第四章 基于瞬時ICA的眼動信號增強(qiáng)算法研究
    4.1 瞬時混合模型
    4.2 基于瞬時混合模型的經(jīng)典ICA算法
    4.3 基于瞬時ICA的眼動信號增強(qiáng)算法研究
        4.3.1 實(shí)驗(yàn)范式
        4.3.2 基于瞬時ICA的眼動信號增強(qiáng)算法
        4.3.3 閱讀狀態(tài)識別算法
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 ICA對EOG信號處理的可行性分析
        4.4.2 閱讀狀態(tài)的識別與結(jié)果分析
    4.5 本章小結(jié)
第五章 基于卷積ICA的眼動信號增強(qiáng)算法研究
    5.1 卷積混合模型
    5.2 數(shù)據(jù)采集與實(shí)驗(yàn)范式
    5.3 基于卷積ICA的眼動增強(qiáng)算法研究
        5.3.1 預(yù)處理
        5.3.2 短時傅里葉變換
        5.3.3 基于JADE的卷積ICA算法
        5.3.4 尺度不確定性補(bǔ)償
        5.3.5 多通道條件下排序不確定問題的解決方案
        5.3.6 特征提取
    5.4 實(shí)驗(yàn)與結(jié)果
        5.4.1 排序算法的性能
        5.4.2 對比實(shí)驗(yàn)與結(jié)果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附圖
附表
致謝
攻讀學(xué)位期間取得的學(xué)術(shù)成果

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 呂釗;吳小培;張超;衛(wèi)兵;;基于EOG的安全輔助駕駛系統(tǒng)算法設(shè)計(jì)與實(shí)現(xiàn)[J];通信學(xué)報(bào);2016年07期

2 黃佳妹;石玉;閆光豹;;基于改進(jìn)閾值的雙樹復(fù)小波眼電信號去噪方法[J];測控技術(shù);2015年08期

3 黃浩;徐海華;王羨慧;吾守爾·斯拉木;;自動發(fā)音錯誤檢測中基于最大化F1值準(zhǔn)則的區(qū)分性特征補(bǔ)償訓(xùn)練算法[J];電子學(xué)報(bào);2015年07期

4 黃艷;黃華;;基于擴(kuò)展Infomax獨(dú)立分量分析算法的腦電信號消噪[J];中國組織工程研究;2013年09期

5 禹華鋼;黃高明;高俊;;基于JADE和平行因子分解的欠定混合盲辨識算法[J];信號處理;2011年08期

6 栗科峰;趙建峰;;基于信息極大化的ICA算法研究[J];通信技術(shù);2011年05期

7 胥德平;鄧興;郭科;文曉濤;文武;;基于特征矩陣聯(lián)合近似對角化和經(jīng)驗(yàn)?zāi)B(tài)分解的儲層識別[J];地球物理學(xué)進(jìn)展;2011年02期

8 呂釗;吳小培;張超;李密;;卷積噪聲環(huán)境下語音信號魯棒特征提取[J];聲學(xué)學(xué)報(bào);2010年04期

9 王大偉;紀(jì)華;王延杰;;應(yīng)用復(fù)值獨(dú)立分量分析實(shí)現(xiàn)特征融合識別[J];光學(xué)精密工程;2009年08期

10 王兆云;吳小培;;采集眼電圖(EOG)的導(dǎo)聯(lián)方式[J];計(jì)算機(jī)技術(shù)與發(fā)展;2009年06期

相關(guān)博士學(xué)位論文 前2條

1 高建彬;盲源分離算法及相關(guān)理論研究[D];電子科技大學(xué);2012年

2 徐尚志;盲信號分離算法的研究[D];中國科學(xué)技術(shù)大學(xué);2005年

相關(guān)碩士學(xué)位論文 前4條

1 羅雅琴;基于獨(dú)立分量分析的語音識別系統(tǒng)[D];安徽大學(xué);2015年

2 琚欣;基于EOG的異步HCI算法設(shè)計(jì)與實(shí)現(xiàn)[D];安徽大學(xué);2015年

3 亢鳳禎;基于Informax的優(yōu)化ICA心電信號去噪研究[D];太原理工大學(xué);2013年

4 王君;EOG信號的特征提取與識別算法研究[D];安徽大學(xué);2010年

本文編號：2832787