本科毕业设计（论文）
外文翻译
基于眼电信号分类的开放式人机界面软硬件平台
作者：Jayro Martiacute;nez-Cerveroacute; 1, Majid Khalili Ardali 1, Andres Jaramillo-Gonzalez 1, Shizhe Wu 1, Alessandro Tonin 2, Niels Birbaumer 1 and Ujwal Chaudhary 1,2,*
国籍：瑞士
出处：SENSORS
中文译文：
基于眼电信号分类的开放式人机界面软硬件平台
摘要：眼电信号在人机界面中有着广泛的应用。文献中提出的HCI系统利用了自行设计或封闭的环境，限制了潜在用户和应用程序的数量。在这里，我们提出了一个利用EOG信号对眼球运动的四个方向进行分类的系统。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个便宜，紧凑，易于携带的系统，可以复制或修改。我们使用最大值、最小值和中间值作为特征来创建支持向量机（SVM）分类器。10名受试者中有7人在线分类上、下、左、右运动，平均准确率为90%。该分类系统可作为HCI的输入，即用于瘫痪患者的辅助通信。
关键词：眼电图；人机界面；支持向量机
1.简介
在过去的几年里，我们看到了人机界面（HCI）系统的发展呈指数级增长。这些系统已被广泛应用于各种用途，如控制计算机光标[1]、虚拟键盘[2]、假肢[3]或轮椅[4–7]。它们也可用于患者康复和交流[8–11]。HCI系统可以利用不同的输入信号，如语音[7]、肌电图（EMG）[12]、脑电图（EEG）[13]、近红外光谱（NIRS）[14–16]或眼电图（EOG）[5]。
在这篇文章中，我们描述了一个EOG分类系统，能够准确和一致地分类上，下，左，右眼运动。该系统体积小、携带方便、自主性强、经济性好。它是使用开放式硬件和软件开发的，这不仅是因为经济原因，而且也是为了确保该系统能够惠及尽可能多的人，并能在将来由任何具备所需技能的人加以改进和调整。
这项工作的最终目标是建立一个系统，可以很容易地连接到通信或移动辅助设备，如轮椅，任何类型的拼写应用程序，或只是一个计算机鼠标和虚拟键盘。
为了实现这些目标，我们开发并集成了以下所需的代码：
bull;获取眼电图（EOG）信号。
bull;处理这些信号。
bull;提取信号特征。
bull;对先前提取的特征进行分类。
EOG测量眼球的偶极子方向变化，正极在前面[17]。记录这些电位的技术在20世纪30年代由R。荣格[18]。眼球后部（视网膜所在位置）和前部（主要是角膜）存在电活动神经，这就产生了EOG所依据的电位差[19]。这在角膜和视网膜之间产生了一个电偶极子，它的运动产生了电位差，我们可以在EOG中记录。
文献中有几种EOG-HCI溶液。当前HCI系统的一个问题是它们的规模和缺乏自主性、使用专有软件或基于自行设计的采集和处理设备。关于采集系统，最常见的方法是使用自行设计的采集设备[1,4,20–22]。在我们看来，这个解决方案极大地限制了可以采用这个系统的用户数量。其他提议的系统使用商用放大器[23,24]，而商用放大器又使用专有软件，需要强大的处理系统，主要是笔记本电脑。这也减少了系统及其应用程序的潜在用户数量，因为它增加了系统的成本，降低了系统的灵活性、可移植性和自主性。就信号处理而言，大多数系统选择使用笔记本电脑来执行这些计算[1,20–22,24,25]，但我们也可以找到使用自行设计的板[6,26]。表1显示了文献中一些解决方案的特征，作为当前技术状态的代表。我们工作的目标是使用一个开放的范例来实现与当前技术水平相当的结果，证明使用更便宜的组件来构建定制的解决方案是可能的。据我们所知，这是第一次在这个范围内提出一个开放系统。
在我们的系统中，信号是使用OpenBCI-Cyton板（Raspberry-pi3b 基于硬件/软件的系统）获取的，该系统是可移植的，具有相当大的自主性和灵活性。
官方网站），一个低成本的开放式软件/硬件生物传感设备，一旦我们有了EOG信号，就会产生一个开放的，这是用树莓皮（OpenBCI-Cyton-official）处理的
基于硬件/软件的系统，可移植，具有相当大的自主性和灵活性。一个单板计算机，允许安装基于Linux的发行版，它很小，
一旦我们有了EOG信号，就可以使用Raspberry-Pi（OpenBCI-Cyton）进行处理，并允许我们选择使用非专有软件。
一个单板计算机，允许安装基于Linux的发行版，它很小，
然后从采集到的信号中提取特征并用机器进行分类
便宜，而且让我们可以选择使用非专有软件。
学习算法。特征提取过程旨在降低输入数据的维数
然后利用机器学习从采集到的信号中提取特征并进行分类
在不丢失分类相关信息的情况下[28]，最大限度地分离
算法。特征提取过程的目的是减少输入数据的维数
通过在同一类的元素之间最小化不同类的元素[27]。实现
失去了分类的相关信息[28]并最大限度地分离了其中的元素，提出了几种EOG特征提取模型[29–32]。我们雇佣了支援
通过在同一类的元素之间最小化不同的类[27]。为了实现这一点，几个向量机（SVM）对数据进行分类[33,34]，从而创建一个边界来分割给定的数据
已经提出了EOG特征提取模型[29–32]。我们采用支持向量机分为两组。
（SVM）对数据进行分类[33,34]，它创建了一个边界，将给定的数据点分成两部分。在本文提到的信号（EOG）的上下文中，这个过程的结果是
不同的群体。
对象眼动的分类，用作进一步系统的输入命令。这个
这个过程的结果，在本文提到的信号（EOG）的上下文中，就是分类
第2节详细说明了流程和用于流程的工具
被试者的眼球运动作为进一步系统的输入命令。这个过程和
系统实现的性能。最后，在第四部分中，我们讨论了所设计的系统和实现方法
第2节详细说明了用于此系统的工具。第3节显示了通过将我们的系统与现有相关工作进行比较所获得的性能，以及我们系统的局限性和未来的发展趋势
系统。最后，在第四部分，我们讨论了所设计的系统，并将我们的系统与工作进行了比较。
现有的相关工作以及我们系统的局限性和今后的工作。
2.材料和方法
2.1 软硬件集成
本研究采用OpenBCI-Cyton板进行信号采集。该板包含一个PIC32MX250F128B微控制器、一个德州仪器ADS1299模拟/数字转换器、一个信号放大器和一个光通道网络接口。此设备由OpenBCI（美国）发行。图1描述了系统的布局。
这个设备为我们提供了足够的精度和采样率（250赫兹）来满足我们的需要，它有一个开源的环境（包括一个Python库来与boards（OpenBCI Python repository）一起工作），它是一个活跃的大型社区，它可以由一个power bank供电，这是一个轻量级的移动解决方案。连接到电路板上，我们有4个湿电极以差分模式连接到电路板上的两个通道。差分模式计算连接到通道的两个电极之间的电压差，不需要参考电极。这两个通道对应于信号的水平和垂直分量。
NNEL对应于信号的水平和垂直分量。
采集板与Raspberry Pi相连，Raspberry Pi是由
采集板与Raspberry Pi相连，Raspberry Pi是由
树莓皮公司总部设在英国。虽然它的固件不是开源的，但是
树莓皮公司总部设在英国。虽然它的固件不是开源的，但是
允许安装一个基于Linux的发行版，在我们的系统中保持开放的范例。在这种情况下，
允许安装一个基于Linux的发行版，在我们的系统中保持开放的范例。在这种情况下，
我们选择安装Raspbian，一个基于Debian的发行版。之间的硬件连接
我们选择安装Raspbian，一个基于Debian的发行版。之间的硬件连接
OpenBCI板和Raspberry Pi是使用无线RFDuino USB加密狗制作的。在软件上
OpenBCI板和Raspberry Pi是使用无线RFDuino USB加密狗制作的。在软件上
另一方面，我们使用了OpenBCI发布的开放Python库。在树莓皮上运行这个库，
另一方面，我们使用了OpenBCI发布的开放Python库。在树莓上运行这个图书馆
上述库的源代码已部分修改。也有必要
Pi，上述库的源代码已经部分修改。也有必要
重新编译一些第三方库，以便它们可以在Raspberry Pi上运行。我们决定给她充电
重新编译一些第三方库，以便它们可以在Raspberry Pi上运行。我们决定给她充电
OpenBCI板和Raspberry Pi都通过USB连接到电源组（20000毫安时）以
OpenBCI板和Raspberry Pi都通过USB连接到电源组（20000毫安时）
最大限度地提高系统的自主性和移动性。
这种硬件配置为我们提供了我们一直在寻找的所有特征：它有足够的计算能力来进行我们的计算，它小而轻，它允许我们使用免费的开源软件，而且是经济的。值得注意的是，虽然我们使用了OpenBCI板作为采集系统，但还有一些其他的解决方案适合我们的需要，如BITalino生物信号采集板。该板提供了一个EOG采集模块和一个开放环境，其中包括一个基于Python的API，用于通过Raspberry-Pi进行连接和信号采集。
值得一提的是，为了方便实验者，本文中的数据是用传统的笔记本电脑而不是树莓皮来处理的。在研究的发展过程中，进行了一些测试，根据所使用的平台，测试数据或结果没有显示出任何差异。
我们决定使用EOG而不是其他眼动检测技术，如红外反射眼图（IROG）[35]或基于视频的系统[25]，因为EOG技术不需要放置任何可能阻挡受试者视野的设备。四个电极与眼睛附近的皮肤接触，以记录眼球运动的水平和垂直分量[36,37]。
2.2. 实验范式
10名年龄在24岁至35岁之间的健康受试者参与了研究，并给出了他们的知情同意书。信号采集分为训练和在线预测两个阶段。对于这两个阶段，我们要求受试者做四种不同的动作：上、下、左、右。每一个动作都应该从主体向前看开始，然后看前面提到的四点中的一点，再看中心。在训练阶段，我们进行了两组20次试跳，每个动作5次试跳。在这些区块中，在每个区块开始时，以3 s的间隔向受试者呈现五个“哔”声，以指示受试者必须执行请求动作的间隔。在这些初始音调之后，通过音频呈现所需的动作，并且“嘟嘟”音调呈现为执行动作的acue。系统在该音调出现后的3秒内记录，并且系统再次出现要执行的另一个动作。对于一些受试者，这两个训练块被附加在一个单独的数据文件中。图2a显示了训练范例（离线获取）的示意图。
对受试者1进行在线分类，每移动10次，每次40个试验。实验结束后，为了方便受试者，我们决定将每个试验组的试验次数减少到每移动20,5次。此在线块与分类块具有相同的特征，只是没有呈现五个初始音调，并且要执行的动作间隔为5 s，以便有足够的时间用于预测任务。此外，在这些块中，系统仅在提示音出现后的3s内记录。在这个阶段，我们生成两个辅助文件：一个包含获取的数据，另一个包含用户应该执行的操作和预测的操作。我们只考虑预测概率高于某一阈值的预测行为。对于第一个受试者，我们将阈值设置为0.7，但在实验之后，我们将阈值更改为0.5。在这种情况下，与被摄体1对应的辅助文件包含使用0.7作为预测概率阈值进行的预测。图2b描述了在线预测范例的示意图。
2.3. 信号处理
一个二阶20赫兹低通巴特沃斯滤波器[37]被用来去除电极或头部运动和照明变化引起的伪影[19,27,38]。使用20 Hz低通滤波器是因为如前所述，伪影出现在高频中[17]，而EOG信号信息主要包含在低频中[30]。使用平滑滤波器去除低通滤波器后信号中的不规则性[30]。为了应用这些过滤器，我们使用了SciPy库。这个图书馆是常用的，hasabig社区支持它。
预处理的最后一步是将数据标准化。这样做是为了消除EOG信号的基线[27]。使用以下公式进行标准化：
其中iis是我们正在处理的样本，t对应于样本中的单个数据点，Xt是结果数据点，Xt是标准化前的数据点值，ui是整个样本的平均值，o；是整个样品的标准偏差。处理后的信号的一个例子如图3所示，它显示了从受试者5的一个分类块中提取的一个单独的三元组。
图3.主题5的下移示例。x轴表示时间（以秒为单位），Y轴表示信号幅度（以毫伏为单位）。（a）未滤波的垂直分量。（b）滤波的垂直分量(c） 未过滤的水平分量(d）
剩余内容已隐藏，支付完成后下载完整资料
英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[596346]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
