EOG-sEMG Lidské Rozhraní pro Komunikaci

Abstrakt

cílem této studie je prezentovat electrooculogram (EOG) a povrchový elektromyogram (sEMG) signály, které mohou být použity jako člověk-rozhraní počítače. Vytvoření účinného alternativního kanálu pro komunikaci bez zjevné řeči a pohybů rukou je důležité pro zvýšení kvality života pacientů trpících amyotrofickou laterální sklerózou, svalovou dystrofií nebo jinými nemocemi. V tomto článku, navrhujeme systém rozhraní EOG-sEMG člověk-počítač pro komunikaci pomocí křížových kanálů i paralelních linií na obličeji se stejnými elektrodami. Tento systém by mohl zaznamenávat signály EOG a sEMG jako“ duální modalitu “ pro rozpoznávání vzorů současně. I když bylo možné rozpoznat až 4 vzory, které se zabývají stavem pacientů, vybíráme pouze dvě třídy (levý a pravý pohyb) EOG a dvě třídy (levý blikání a pravý blikání) sEMG, které lze snadno realizovat pro simulační a monitorovací úkol. Z výsledků simulace náš systém dosáhl klasifikace čtyř vzorů s přesností 95,1%.

1. Úvod

během pohybů očí existuje potenciál napříč rohovkou a sítnicí a je základem pro elektrookulogram (EOG). EOG může být modelován dipólem a používán v lékařských systémech. V literatuře se nachází několik studií rozhraní člověk-počítač založených na EOG. Například pro zdravotně postižené a starší lidi se vyvíjí invalidní vozík ovládaný pohyby očí. Signály pohybu očí a signály senzorů jsou kombinovány a řídí se směr i zrychlení . Povrchové elektromyogramové signály (sEMGs) jsou detekovány přes povrch kůže a jsou generovány elektrickou aktivitou svalových vláken během kontrakce . Pohyblivé svaly mohou být detekovány analýzou semg. Jednou z důležitých aplikací sEMGs je ovládání umělých nohou. Přestože pohyb hlavy, který je přirozeným gestem , lze použít k označení určitého směru, vážně postižení lidé nemohou pohybovat krkem a hlavou. Mnoho z těchto lidí však může zaměstnávat pohyb svalů obličeje. sEMG je způsob studia aktivit obličejových svalů zaznamenáváním akčních potenciálů ze smluvních vláken. sEMG lze detekovat pomocí povrchových elektrod, které se snadno aplikují a neinvazivní a nepředstavují pro uživatele žádná zdravotní a bezpečnostní rizika. Počítačové systémy lze také ovládat pomocí obličejových semg signálů . Tyto počítačové systémy mohou rozpoznat pohyb obličeje (levé blikání, pravé blikání a skus) pomocí senzorů sEMG. Kromě toho mohou být signály EOG, elektroencefalogram (EEG) a EMG klasifikovány v reálném čase a mohou ovládat pohyblivé roboty pomocí klasifikátoru umělé neuronové sítě .

při zkoumání možnosti využití EOG pro rozhraní člověk-počítač je určen vztah mezi úhlem pohledu a EOG. Hloubkové studie zjistily, že pomalu se měnící základní drift ztěžuje odhad spojitých signálů EOG a tento drift se objevuje pouze v signálech stejnosměrného proudu (DC) v obvodu. K překonání tohoto problému náš systém dříve navrhl použití střídavého proudu (AC) EOGs ke snížení základního driftu segmentací signálu . V těchto dokumentech jsme představili systém ovládání kurzoru myši pomocí naší techniky EOGs. Počáteční prahové hodnoty třídy pohybu očí (vpravo, vlevo a dobrovolné blikání) jsou empiricky stanoveny individuálně pro každého uživatele. Dvě třídy pohybu očí (vpravo a vlevo) jsou příkazem stejného pohybu kurzoru myši. V těchto dokumentech je pohyb očí diagonálně dolním pravým směrem příkazem zpracování kliknutí. Kromě toho je dobrovolné blikání také příkazem ke zpracování kliknutí. Tyto systémy však mají problém, při kterém se signály semg tváří pro signály EOG hlučné.

v této studii vyvíjíme systém lidského rozhraní EOG-sEMG pro komunikaci. Naše navrhované zařízení EOG nemá problém s artefakty z blikání očí. Aplikujeme algoritmus, který používá jak dynamickou variaci stejnosměrného prvku, tak klasifikaci vzoru střídavého prvku. Tato segmentace signálu snižuje základní drift. I když tam bylo 3-elektroda metoda, která může změřit vertikální a horizontální komponenty v EOG, který byl považován za šum během měření EEG , naše EOG systém stále používá cross-programy, které používají 4 elektrody jak zlepšit přesnost měření EOG a realizovat EOG-sEMG „dual-modality“ proces současně. Kromě toho mají cross-kanálové EOG signály podobný výkon jako plus-kanálová metoda, která je široce používána při měření EOG. Kromě toho má Poloha elektrody metody cross-kanálových signálů EOG dobrou vlastnost, že sEMG lze také účinně měřit současně. Ve srovnání s jinými dokumenty je to užitečná zásluha.

ve Srovnání s ostatními souvisejícími výzkumy na human-computer interfaces pro pomoc lidem se zdravotním postižením, jako jsou oční sledovací systémy , které používají zpracování obrazu, EOG-sEMG na základě našeho návrhu rozhraní člověk počítač má silný anti-interference schopnost z prostředí, jako jsou světla a zvuky. Pacienti mohli tento typ rozhraní používat i bez zraku. Zejména pacienti s ALS mohli stále ovládat své oční bulvy a svaly kolem očí i v terminálním stádiu,ve kterém mohli používat EOG-sEMG na základě našeho návrhu rozhraní člověk-počítač také. I když zpracování obrazu zařízení jsou široce používány, protože jsou intuitivní a více předvídatelné, EOG-sEMG na základě našeho návrhu rozhraní člověk počítač stále poskytuje dobrou volbou pro těžce postižené osoby.

v tomto článku navrhujeme techniku, která může provádět rozpoznávání obličejových vzorů zaznamenáváním EOGs a semg. Abychom prokázali výkon naší navrhované metody, vyzkoušeli jsme krok za krokem 3 související experimenty. Na první, i když, stejně jako je 7 tříd by mohla být uznána, zabývající se skutečný stav pacientů a počáteční zkoušky přesnosti, můžeme si vybrat pouze dvě třídy (vlevo a vpravo pohybu), EOG a dvě třídy (vlevo blikat a vpravo blikat) sEMG, které jsou snadno realizovat pro simulaci a sledování úloh. Dále jsme provedli experimenty znakových vstupů pomocí našeho navrženého systému s těmito 4 třídami. Experimentálními účastníky byli zdraví muži ve svých dvaceti letech, kteří souhlasí s tím, že se připojí k našim experimentům bez nátlaku. Z těchto experimentů jsme ukázali, že rozpoznávání čtyř vzorů našeho navrhovaného systému je snadné se naučit a používat. Dále jsme aplikovali naše navrhované zjednodušené metody (software, který může dělat znak vstup s jedním kliknutím (jeden pattern recognition)) pro těžce postižené osoby (svalová dystrofie pacienti).

2. Měřicí systém

2.1. Cross-Channels

, Jak je znázorněno na Obrázku 1(a), plus-channel metoda je široce používán jako nejvíce konvenční způsob pro záznam EOG signálů v předchozím výzkumu: horizontální signály byly zaznamenány do Kanálu 1 (CH1) a vertikální signály byly zaznamenány Kanál 2 (CH2) . V tomto článku je pro zlepšení přesnosti signálů EOG navržena nová metoda napříč kanály, jak je znázorněno na obrázku 1(b). Horizontální a vertikální signály by mohly být zaznamenány oběma kanály současně. Je mnohem snazší analyzovat data pomocí dvojitých signálů.

Obrázek 1

Konvenční metodou (a) a cross-channel metoda EOG (b) .

2.2. Měřicí systém eog-sEMG

v tomto pododdílu je navržen návrh měřicího systému EOG-EMG. Obrázek 2 ukazuje formální schéma pro získávání a analýzu signálů EOG a sEMG pro řízení a tok informací systémem. Náš navrhovaný systém má čtyři komponenty: (1) zesilovač, (2) filtr, (3) A/D převodník a (4) Systém řízení kurzoru myši. Konkrétně to znamená, že systém se skládá z pěti elektrod, A/D převodník, osobní počítač a monitor (viz Obrázek 2). Čtyři elektrody pro dva kanály semg signálů jsou vloženy na obličej a jedna elektroda je vložena na pravé nebo levé zápěstí jako zem.

(a)

(b)

(a)
(b)

Obrázek 2

Navrhované EOG-sEMG lidské rozhraní systému: a) průtok EOG a B) tok sEMG. Tok EOG a tok sEMG používají stejných pět elektrod.

2.3. Snímací zařízení eog-sEMG

v této podsekci zobrazujeme zařízení rozhraní použité v této studii. Obrázek 3 ukazuje osobu, která nosí zařízení rozhraní. Toto rozhraní se podobá brýlím nebo brýlím, které upevňují elektrody. Signály měřené zařízením jsou odesílány do počítače pomocí Bluetooth. Odeslaná data jsou znázorněna na obrázku 4. Měřené signály jsou stejnosměrné proudy pro dva EOG kanály (2 ch), které jsou CH1 a CH2, a střídavé proudy pro dva EOG kanály (CH3 a CH4). Současně se měří také 2 CH signály sEMG, které jsou CH5 a CH6. Podrobnosti o naměřených datech ukážeme v následující části.

Obrázek 3

Rozhraní zařízení k upevnění elektrod na obličej.

Obrázek 4

Data odeslána z rozhraní zařízení. Signály jsou sEMG 2 ch a EOG 2 ch. Eogs měří signály AC a DC.

3. Záznamový systém eog

v této části představíme záznamový systém EOG. Náš navrhovaný systém EOG je založen na dvou tocích: (1) zesilovač a dolní propust (DC prvek) a (2) zesilovač, dolní propust a horní propust (AC prvek). Po zaznamenání signálu amplituda (1000 krát) a opatření ke snížení hluku pro biopotential systém získávání dat, čtyři druhy očních pohybů (vpravo, vlevo, nahoru a dolů), jsou uznány přesně a elektronické redukce šumu je také úspěšný. Je třeba poznamenat, že horizontální signály EOG jsou silnější než vertikální signály EOG. Je to proto, že vertikální sakády jsou pomalejší než horizontální sakády, a dolů sakády jsou nejpomalejší . Obrázky 5-8 ukazují, že čtyři pohyby očí (vpravo, vlevo, nahoru a dolů) jsou jasně odlišné. Kromě toho jsou CH1 a CH2 stejnosměrné signály, které lze použít pro záznam nepřetržitých pohybů očí. CH3 a CH4 jsou AC signály EOG. Proto CH3 a CH4 silně reagují pouze na pohyby očí.

Obrázek 5

EOG signály nahrávání vzorků CH1, CH2, CH3 a CH4 (vpravo).

Obrázek 6

EOG signál nahrávání vzorků CH1, CH2, CH3 a CH4 (vlevo).

Obrázek 7

EOG signál nahrávání vzorků CH1, CH2, CH3 a CH4 (up).

Obrázek 8

EOG signál nahrávání vzorků CH1, CH2, CH3 a CH4 (dolů).

Protože EOG signály změna pro všechny čtyři pohyby očí, dovezli jsme CH1 + CH2, který se používá pro vertikální signály a CH1 − CH2 pro horizontální signály. V experimentech jsme požádali každého účastníka, aby pohnul očima, aby sledoval další sekvenci: střed-pravý-střed-levý-střed-nahoru-střed-dolů-střed. Výsledky těchto dvou nových postupů jsou znázorněny na obrázku 9.

Obrázek 9

EOG signál nahrávání vzorků CH1 + CH2 (vzhůru) a CH1 − CH2 (nevýhoda).

4. záznam signálu semg

Obrázek 2 ukazuje formální schéma pro získávání a analýzu signálů sEMG pro řízení a tok informací systémem. Náš systém se skládá z těchto čtyř částí: (1) povrchové elektrody, (2) zesilovač, (3) high-pass filtr, a (4) osobní počítač pro sEMG signál, klasifikace. Na sEMG signál detekován na povrchu elektrody je zesílen a filtrován před získávání dat pro snížení hluku artefakty a zvýšení spektrálních složek, které obsahují informace pro analýzu dat. K rozpoznání pohybu obličeje lze použít dva kanály semg signálů. Pro odstranění úrovně stejnosměrného proudu a šumu napájecího vedení 60 Hz se používá high-pass filtr. Mezní frekvence high-pass filtru je 66,7 Hz.

záznamy na obrázku 10 ukazují použitá opatření ke snížení hluku v našem systému. Výsledkem je, že údaje tří tříd sEMG (pravé blikání, levé blikání a skus) jsou jasně odlišné. Po filtrování a zesílení (přibližně 1000krát) jsou signály sEMG digitalizovány a poté přeneseny do osobního počítače. Vzorkovací frekvence měřených dat je 1 KHz v pásmu od 0 Hz do 500 Hz.

Obrázek 10

Aktivační úrovně dvou-kanálový sEMG.

sEMG signály jsou zpracovávány klouzavým průměrem. Zpracování klouzavého průměru vypočítá opravený a nevážený průměr předchozích datových bodů. Poté je hodnota po zpracování klouzavého průměru stanovena jako „aktivní“ nebo „neaktivní“ na základě prahové hodnoty. Prahové hodnoty (CH5 a CH6) jsou nastaveny podle uživatelů. Tato metoda je nezbytná pro nastavení prahové hodnoty každého uživatele. Navíc tento systém nereaguje na obvyklé blikání. Obrázek 11 ukazuje schéma tohoto procesu.

obrázek 11

schéma procesu. Semg signály jsou vypočteny pro získání rektifikované a klouzavé průměry. Signál je určen jako aktivní nebo neaktivní na základě prahové hodnoty.

5. Algoritmus rozpoznávání vzorů

v této části představíme náš navrhovaný algoritmus rozpoznávání vzorů EOG-sEMG. Obrázek 12 ukazuje celkový tok našeho navrhovaného systému. Tento proces se skládá z opakování kroků. Rozpoznávání vzorů se skládá z pěti tříd: dvou tříd (levý a pravý pohyb) pro EOG a tří tříd (levý blink, pravý blink a skus) pro sEMG.

Obrázek 12

Tok EOG-sEMG vzor uznání algoritmus.

Pokud sEMG data po zpracování signálu překročí práh, vzor sEMG dat je určena CH1 pouze (právě blink-jako pohyb) nebo CH2 (levý blink-jako pohyb) nebo obojí (kousnutí nebo silný blikat). Náš navržený algoritmus inicializuje DC prvky EOG po dokončení sEMG aktivity. Navíc, když SÍŤOVÝ prvek EOG se nezměnil (oči se nepohybují) a sEMG není aktivní, náš navrhovaný algoritmus inicializuje referenční hodnoty, které oči se dívají jako přední („EOG obnova“ v Obrázek 12). Jinými slovy, náš systém určuje, že oči se dívají na přední straně, protože AC prvek se nemění. V té době se náš systém aktualizuje jako referenční hodnota stejnosměrných prvků. Poté náš systém použije velikost změny v DC z této referenční hodnoty.

z experimentálního pravidla je nastavena hodnotící prahová hodnota mezi aktivním a neaktivním. Dále, když se oči pohybují, náš algoritmus porovnává měnící se rozsah CH1 + CH2 a CH1-CH2. Když je CH1-CH2 větší, náš algoritmus provádí proces určování EOG. Když je CH1 + CH2 větší, náš algoritmus určuje, že oči se pohybovaly ve svislém směru, protože data EOG pro svislý směr očí jsou podobná datům EOG pro vzor blikání. Naše experimentální výsledky navíc naznačují, že mnoho lidí nemůže snadno ovládat směr nahoru oka.

dále představujeme algoritmus rozpoznávání vzorů EOG, příklad zpracování rozpoznávání vzorů EOG znázorněného na obrázku 13. Ačkoli obrázek 9 ukazuje, že všechny pohyby očí by mohly kontrolou hodnot pro CH1 + CH2 a CH1-CH2, algoritmus pochodování vzorů je stále nezbytný k vyřešení základního posunu způsobeného problémem s driftem. Kroky algoritmu na obrázku 13 jsou následující: (1) prvky DC A AC EOG překračují prahovou hodnotu pro správný směr. Je určeno, že je to správný směr očí.(2)DC prvek nadále překračuje prahovou hodnotu pro správný směr a AC prvek se vrací k základní linii. Směr očí je i nadále vpravo.(3) střídavý prvek se výrazně změní v záporném směru, když se směr oka vrátí do středové polohy.(4) střídavý prvek a stejnosměrný prvek se vracejí k základní linii každého prvku. Poté je základní linie aktualizována.Náš systém provádí určení pravého a levého pohybu očí pomocí tohoto algoritmu. Tento algoritmus umožňuje určit směr. Jedná se o obtížný proces při použití pouze prvku AC.

Obrázek 13

Příklad EOG rozpoznávání zpracování. Tučná čísla představují kroky algoritmu.

6. Experimenty a Výsledky

otestovat účinnost našeho navrženého systému, jsme provedli dva experimenty: jeden je pattern recognition test a druhý je znak vstupní test.

6.1. Experiment rozpoznávání vzorů

Nejprve jsme provedli experimenty klasifikace vzorů pro dvě třídy pohybu očí (vpravo a vlevo) a tři třídy semg obličeje (pravé blikání, levé blikání a skus). Interval každé akce je 3 sekundy (znázorněno na obrázku 14). Každý účastník provedl každý pohyb očí devětkrát. Kromě toho jsme testovali, zda náš navrhovaný systém může odmítnout normální mrknutí. Provedli jsme normální test odmítnutí mrknutí 30krát. Účastníky experimentů bylo osm zdravých mužů, kteří jsou všechna čísla naší laboratoře ve svých dvaceti letech, kteří dali souhlas k účasti na tomto experimentu.

Obrázek 14

Základní úkoly v rozpoznávání experiment.

6.2. Rozpoznávání Experimentální Výsledky

rozpoznávání experimentální výsledky jsou uvedeny v Tabulce 1 a v posledním řádku je hodnocení výkonu (PE) každý vzorek pod 5 bodů pravidlo (správně 5 bodů, odmítnout za 2 body, a slečna za 0 bodů). Odmítnutí znamená, že vstupní vzor nereagoval. Slečna znamená, že vstupní vzor byla špatná odpověď. Z experimentů je spolehlivé rozpoznávání vzorů EOG (vpravo a vlevo) našeho navrhovaného systému. Z těchto experimentálních výsledků náš navrhovaný systém vykazuje dobrý výkon při rozpoznávání čtyř tříd (pravé, levé, pravé blikání a levé blikání). Průměrná míra uznání byla 95.1%, průměrná odmítnout rychlost byla 1, 4% a průměrná míra minutí byl pouze 3,5%, a průměr PE je 4.79 5.

rozpoznávání vzorců kousnutí sEMG však není tak dobré, jak se očekávalo. Jedním z důvodů je, že někteří lidé mají potíže s okluzní nepravidelností, které způsobují rozdíly mezi jejich tvářemi. Tento druh kousnutí byl obvykle rozpoznán jako pravý nebo levý blikání. Dalším důvodem je, že jsme použili metodu prahového ladění pro rozlišení normálního mrknutí a normální test odmítnutí mrknutí měl 97% úspěšnost (232/240). Při této metodě budou skusové akce, které nemohly překročit práh, odmítnuty stejně jako normální blikání.

6.3. Experiment zadávání znaků

dále jsme provedli experiment zadávání znaků pomocí čtyř tříd (vpravo (EOG), vlevo (EOG), vpravo blink (sEMG) a vlevo blink (sEMG)). Abeceda věta vstupní software, vydatné žebřík, je znázorněno na obrázku 15. Použili jsme metodu výběru čtyř divizí. Přiřadili jsme čtyři vzory takto: Right (EOG) je příkaz pro výběr pravé dolní oblasti. Vlevo (EOG) je příkaz pro výběr levé dolní oblasti. Right blink (sEMG) je příkaz pro výběr vyšší pravé oblasti. Left blink (sEMG) je příkaz pro výběr vyšší levé oblasti.Uživatel opakoval filtrování čtyř vzorů, dokud nebyl vybrán znak posledního vzoru. Kontrolní interval byl 0,1 s. provedli jsme experimenty vstupní úlohy „miyazaki“ (8 znaků: 4 operace pro 1 znak), což je název naší univerzity. Účastníky experimentů bylo devět zdravých mužů ve svých dvaceti letech, kteří dali souhlas k účasti na tomto experimentu. Experimentální účastníci zahrnovali šest lidí se zkušenostmi s tímto systémem.

Obrázek 15

abeceda věta vstup software pro „miyazaki“ úkol.

6.4. Experimentální výsledky zadávání znaků

vyzkoušeli jsme pět pokusů vstupní úlohy „miyazaki“. Počítali jsme počet chyb a dobu trvání do konce vstupu. Experimentální výsledky jsou uvedeny v tabulce 2. Z těchto experimentů byla průměrná doba jednoho pokusu 50,0 s. Průměrná doba vstupu jednoho znaku abecedy byla v našem navrhovaném systému přibližně 6,3 s (50 s/8 znaků). Čas nejrychlejšího účastníka, K. M, byl 4,5 s (35,8 s / 8 znaků). Kromě toho, pokud budeme považovat za účastníky, M. F, M. S, a. R. K., který byl pomocí naší navrhovaný systém více než 100 h jako zkušený a dalších 6 účastníků, kteří neměli použijte náš navrhovaný systém náhodou jako nezkušená, průměrná doba zkušených účastníků bylo 49.2 s a to nezkušených účastníků bylo 51,5 s. míra chyb nezkušených účastníků byla také nízká. Z těchto výsledků se domníváme, že jednou z výhod našeho navrhovaného systému je, že uživatelé nepotřebují mnoho školení.

porovnali jsme výkon naší navrhované metody s metodou EOG a metodou sEMG. Metoda EOG používala pohyby pravého a levého oka pouze jako metodu výběru 2 dělení. Metoda sEMG používala pravé blikání a levé blikání pouze jako metodu výběru 2 dělení. Vyzkoušeli jsme stejné experimenty pěti pokusů vstupního úkolu „miyazaki“ se stejnými účastníky. Tyto experimentální výsledky jsou uvedeny v tabulce 3. Je vidět, že naše navrhovaná metoda má nejlepší výkon ze všech tří metod. Vypočítali jsme čas potřebný pro jednu operaci. Na EOG metoda byla 1.93 s, sEMG metoda byla 1.65 s, a naše navrhovaná metoda byla 1.56 s. Kromě toho, slečno sazba sEMG metoda byla menší než naše navrhované metody. Jedním z nejvíce přesvědčivých důvodů je, že počet operací (7 operací na 1 znak) je větší 2-divize metoda výběru než 4-rozdělení metodou výběru.

jak jsme zmínili v této části, náš navrhovaný systém by mohl rozpoznat 2 nebo 4 vzory. Všechny tyto vzory může být přiřazen jako oddělení funkcí a zabývá se stavem uživatelů, všechny tyto vzory by mohl být zaměstnán libovolné kombinace z nich. V další části, probereme aplikaci našeho navrhovaného systému pro těžce postižené osoby pouze pomocí 1 vzor.

7. Experimentální výsledky těžce postižených osob

v tomto článku jsme použili naši navrženou metodu pro těžce postižené osoby (pacienti se svalovou dystrofií). Získali jsme souhlas Etické komise univerzity v Miyazaki. Experiment sekce 6 s komplikovanou operací způsobí lidem se zdravotním postižením velkou únavu, takže experimenty byly provedeny tak, že jeden znak bude zadán jediným kliknutím pomocí EOG nebo sEMG. Ze vzorů EOG nebo sEMG byl vybrán pouze jeden vzor, který lze snadno použít. V této metodě zadávání znaků je znak automaticky vybrán softwarem; uživatel může být vybrán kliknutím, když byl cílový znak vybrán softwarem. V tomto experimentu se zpracování kliknutí provádí rozpoznáním aktivity EOG nebo sEMG.

tento experiment měl dva subjekty. Abychom minimalizovali vlivy fyzického stavu subjektů a prostředí, vyzkoušeli jsme stejné experimenty 10krát při různých příležitostech v různých dnech. Pro testování japonského znakového vstupu bylo použito nepřetržitých 30 minut v jednom experimentu. Tabulka 4 ukazuje experimentální výsledky. Z tabulky 4 je míra rozpoznávání metody sEMG 99,2% a míra rozpoznávání metody EOG 98,0%. Vstupní doba byla pomalá přibližně 1 až 2 sekundy ve srovnání se zdravými subjekty. Proto mají handicapované osoby stejný výsledek jako zdravé pomocí jediného kliknutí. Z těchto výsledků můžeme říci, že náš přístup je účinný u těžce postižených osob.

8. Závěry

v této studii jsme představili zařízení rozhraní EOG-sEMG člověk-počítač určené pro pacienty trpící amyotrofickou laterální sklerózou nebo jinými nemocemi. Používáme jak křížové kanály, tak rovnoběžné kanály na obličeji se stejnými 4 elektrodami. Tento systém by mohl zaznamenávat EOG a sEMG signály jako dual-threading pro rozpoznávání vzorů současně. Dále naše navržená metoda využívající kombinaci střídavých a stejnosměrných prvků EOG snižuje odpovídající drift a umožňuje nepřetržitý provoz při zaznamenávání pohybů očí. Experimentální výsledky ukázaly, že navrhovaná metoda je účinná pro rozpoznávání čtyř vzorů (vpravo (EOG), vlevo (EOG), vpravo blink (sEMG) a vlevo blink (sEMG)). Zejména naše navrhovaná metoda prokázala dobrý výkon pro experimenty se vstupem znaků. Míra miss byla pouze 1,4%. Kromě toho výsledky nezkušených a zkušených účastníků vykazovaly velmi malý rozdíl. Z těchto výsledků si myslíme, že jednou z výhod našeho navrhovaného systému je, že uživatelé nepotřebují mnoho školení.

dále jsme porovnali naši navrhovanou metodu s metodou EOG a metodou sEMG. Naše navrhovaná metoda vyžadovala co nejkratší dobu pro zadávání znaků. Naše navrhované rozhraní člověk-počítač lze použít v systému EOG, systému sEMG a systému EOG-sEMG. Náš systém je možné použít pro pacienty, kteří mohou ovládat pouze pohyby očí. Je také možné používat pouze semg signály s vysokou úspěšností, dokud uživatel nebude pohodlně používat zařízení. Naše navrhované rozhraní člověk-počítač má tu výhodu, že může být použito v závislosti na situaci.

doufáme, že budeme schopni komunikovat s pacienty trpícími amyotrofickou laterální sklerózou nebo jinými nemocemi pomocí našeho systému. V naší budoucí práci plánujeme testovat mnoho předmětů a těžce postižené osoby.

konkurenční zájmy

tento výzkum byl financován společností SYOWA Co. Ltd.

Poděkování

Tento výzkum byl podporován Miyazaki Prefectural Industrial Podpory Nadace (R&D) a Grant-Podpora pro Mladé Vědce (B) (23700668) KAKEN. Autoři jsou vděční panu Kazuhiko Inami a panu Kazuya Gondou. Vděčně uznávají práci minulých i současných členů své laboratoře.