Interfaz Humana EOG-sEMG para la Comunicación

Resumen

El objetivo de este estudio es presentar señales de electrooculograma (EOG) y electromiograma de superficie (sEMG) que puedan utilizarse como interfaz hombre-ordenador. Establecer un canal alternativo eficiente para la comunicación sin movimientos manifiestos del habla y de las manos es importante para aumentar la calidad de vida de los pacientes que sufren de esclerosis lateral amiotrófica, distrofia muscular u otras enfermedades. En este trabajo, proponemos un sistema de interfaz hombre-ordenador EOG-sEMG para la comunicación utilizando canales cruzados y canales de líneas paralelas en la cara con los mismos electrodos. Este sistema podía grabar señales EOG y sEMG como «modalidad dual» para el reconocimiento de patrones simultáneamente. Aunque se pudieron reconocer hasta 4 patrones, relacionados con el estado de los pacientes, solo elegimos dos clases (movimiento izquierdo y derecho) de EOG y dos clases (parpadeo izquierdo y parpadeo derecho) de sEMG que se pueden realizar fácilmente para tareas de simulación y monitoreo. A partir de los resultados de la simulación, nuestro sistema logró una clasificación de cuatro patrones con una precisión del 95,1%.

1. Introducción

Durante los movimientos oculares, existe un potencial a través de la córnea y la retina, y es la base para el electrooculograma (EOG). El EOG puede ser modelado por un dipolo y utilizado en sistemas médicos. En la literatura se encuentran varios estudios de interfaz hombre-computadora basados en EOG. Por ejemplo, se está desarrollando una silla de ruedas controlada con movimientos oculares para personas con discapacidad y de edad avanzada. Las señales de movimiento del ojo y las señales del sensor se combinan, y se controlan la dirección y la aceleración . Las señales de electromiograma de superficie (sEMGs) se detectan sobre la superficie de la piel y son generadas por la actividad eléctrica de las fibras musculares durante la contracción . Los músculos en movimiento se pueden detectar mediante el análisis de sEMGs. Una de las aplicaciones importantes de sEMGs es el control de piernas artificiales. Aunque el movimiento de la cabeza, que es un gesto natural, se puede utilizar para indicar una dirección determinada , las personas con discapacidad grave no pueden mover el cuello y la cabeza. Sin embargo, muchas de estas personas pueden emplear el movimiento muscular facial. sEMG es una forma de estudiar las actividades musculares faciales mediante el registro de los potenciales de acción de las fibras que se contraen. El sEMG se puede detectar con electrodos de superficie, que son fáciles de aplicar y no invasivos y no plantean riesgos para la salud y la seguridad de los usuarios. Los sistemas informáticos también se pueden controlar mediante el uso de señales SEMG faciales . Estos sistemas informáticos pueden reconocer el movimiento facial (parpadeo izquierdo, parpadeo derecho y mordida) mediante el uso de sensores sEMG. Además, las señales EOG, electroencefalograma (EEG) y EMG se pueden clasificar en tiempo real y pueden controlar robots móviles mediante el uso de un clasificador de red neuronal artificial .

Investigando la posibilidad de emplear EOG para una interfaz hombre-ordenador, se determina la relación entre el ángulo de visión y un EOG. Estudios en profundidad han encontrado que la deriva de línea de base que cambia lentamente hace que sea difícil estimar las señales continuas de EOG, y esta deriva solo aparece en las señales de corriente continua (CC) en el circuito. Para superar este problema, nuestro sistema propuso previamente el uso de corriente alterna (CA) de EOG para reducir la deriva de línea de base mediante la segmentación de la señal . En estos artículos , presentamos el sistema de control del cursor del ratón utilizando nuestra técnica EOGs. Los umbrales iniciales de la clase de movimiento de ojos (parpadeo derecho, izquierdo y voluntario) se determinan empíricamente de forma individual para cada usuario. Las clases de movimiento de dos ojos (derecha e izquierda) son el comando del mismo movimiento del cursor del ratón. En estos papeles, el movimiento de los ojos de la dirección diagonalmente inferior derecha es un comando de procesamiento de clics. Además, el parpadeo voluntario también es un comando de procesamiento de clics. Sin embargo, estos sistemas tienen un problema en el que las señales SEMG de la cara se vuelven ruidosas para las señales EOG.

En este estudio, estamos desarrollando un sistema de interfaz humana EOG-sEMG para la comunicación. Nuestro dispositivo EOG propuesto no tiene el problema de los artefactos del parpadeo de los ojos. Aplicamos un algoritmo que utiliza la variación dinámica del elemento DC y la clasificación de patrones del elemento AC. Esta segmentación de la señal reduce la deriva de la línea de base. Aunque había un método de 3 electrodos que podía medir componentes verticales y horizontales en EOG que se consideraba el ruido durante la medición de EEG , nuestro sistema de EOG todavía utiliza canales cruzados que utilizan 4 electrodos para mejorar la precisión de la medición de EOG y realizar el proceso de «modalidad dual» de EOG-sEMG simultáneamente. Además, las señales de EOG de canal cruzado tienen un rendimiento similar al método de canal plus que se usa ampliamente en la medición de EOG. Además, la posición del electrodo del método de señales de EOG de canal cruzado tiene una buena característica de que el sEMG también se puede medir de manera efectiva al mismo tiempo. En comparación con otros documentos , este es un mérito útil.

En comparación con otras investigaciones relacionadas sobre interfaces hombre-computadora para ayudar a personas con discapacidades , como los sistemas de seguimiento ocular, que utilizan procesamiento de imágenes, la interfaz HOMBRE-computadora basada en nuestra propuesta tiene una fuerte capacidad antiinterferencia del entorno, como luces y ruidos. Los pacientes podrían usar este tipo de interfaz incluso sin vista. En particular, los pacientes con ELA aún podían controlar sus globos oculares y músculos alrededor de los ojos incluso en la etapa terminal, en la que también podían usar el EOG-sEMG basado en nuestra propuesta de interfaz hombre-computadora. Aunque los dispositivos de procesamiento de imágenes son ampliamente utilizados debido a que son intuitivos y más predecibles, el EOG-sEMG basado en nuestra propuesta de interfaz hombre-ordenador sigue siendo una buena opción para las personas con discapacidades graves.

En este artículo, proponemos una técnica que puede realizar el reconocimiento de patrones faciales mediante el registro de los EOG y SEMG. Para probar el rendimiento de nuestro método propuesto, probamos 3 experimentos relacionados paso a paso. Al principio, aunque se pudieron reconocer hasta 7 clases, que se ocupan del estado real de los pacientes y las pruebas de precisión iniciales, solo elegimos dos clases (movimiento izquierdo y derecho) de EOG y dos clases (parpadeo izquierdo y parpadeo derecho) de sEMG que se pueden realizar fácilmente para tareas de simulación y monitoreo. A continuación, realizamos experimentos de entradas de caracteres utilizando nuestro sistema propuesto con esas 4 clases. Los participantes experimentales eran hombres sanos de veintitantos años que accedieron a participar en nuestros experimentos sin coacción. A partir de estos experimentos, demostramos que el reconocimiento de cuatro patrones de nuestro sistema propuesto es fácil de aprender y usar. Además, aplicamos nuestro método simplificado propuesto (software que puede introducir caracteres con un solo clic (reconocimiento de un patrón)) para las personas con discapacidades graves (pacientes con distrofia muscular).

2. El Sistema de medición

2.1. Canales cruzados

Como se muestra en la Figura 1 (a), el método de canal plus se usa ampliamente como la forma más convencional de registrar señales de EOG en la investigación anterior: las señales horizontales se registraron por el Canal 1 (CH1) y las señales verticales se registraron por el Canal 2 (CH2). En este trabajo, para mejorar la precisión de las señales de EOG, se propone un nuevo método de canales cruzados, como se muestra en la Figura 1(b). Las señales horizontales y verticales podían ser registradas por ambos canales al mismo tiempo. Es mucho más fácil analizar datos usando señales dobles.

Figura 1.

el método Convencional (a) y el cross-channel método de la EOG (b) .

2.2. El Sistema de medición EOG-sEMG

En esta subsección, se propone el diseño del sistema de medición EOG-EMG. La Figura 2 muestra el esquema formal para la adquisición y el análisis de las señales EOG y sEMG para el control y el flujo de información a través del sistema. Nuestro sistema propuesto tiene cuatro componentes: (1) amplificador, (2) filtro, (3) convertidor A/D y (4) sistema de control del cursor del ratón. Específicamente, esto significa que el sistema consta de cinco electrodos, un convertidor A / D, una computadora personal y un monitor (se muestra en la Figura 2). Cuatro electrodos para los dos canales de señales sEMG se pegan en la cara, y un electrodo se pega en la muñeca derecha o izquierda como el suelo.

(a)

(b)

(a)
(b)

Figura 2

Propuesta de EOG-sEMG humanos de la interfaz del sistema: (a) Flujo de EOG y (b) flujo de sEMG. El flujo EOG y el flujo sEMG utilizan los mismos cinco electrodos.

2.3. El dispositivo de detección EOG-sEMG

En esta subsección, mostramos el dispositivo de interfaz utilizado en este estudio. La Figura 3 muestra a una persona que usa el dispositivo de interfaz. Este dispositivo de interfaz se asemeja a gafas o gafas, fijando los electrodos. Las señales medidas por el dispositivo se envían al PC mediante Bluetooth. Los datos enviados se muestran en la Figura 4. Las señales medidas son corrientes de CC para dos canales de EOG (2 canales), que son CH1 y CH2, y corrientes de CA para dos canales de EOG (CH3 y CH4). Al mismo tiempo, también se miden señales de 2 ch de sEMG, que son CH5 y CH6. Mostraremos los detalles de los datos medidos en la siguiente sección.

Figura 3

Interfaz de dispositivo para solucionar los electrodos en la cara.

Figura 4

los Datos enviados desde el dispositivo de interfaz. Las señales son sEMG 2 ch y EOG 2 ch. Los EOG miden las señales de CA y CC.

3. El Sistema de Grabación de EOG

En esta sección, presentaremos el sistema de grabación de EOG. Nuestro sistema EOG propuesto se basa en dos flujos: (1) el amplificador y el filtro de paso bajo (elemento de CC) y (2) el amplificador, el filtro de paso bajo y el filtro de paso alto (elemento de CA). Después de registrar la amplitud de la señal (1000 veces) y las medidas de reducción de ruido para el sistema de adquisición de datos biopotenciales, se reconocen con precisión cuatro tipos de movimientos oculares (derecho, izquierdo, arriba y abajo) y la reducción electrónica de ruido también es exitosa. Cabe señalar que las señales horizontales de EOG son más fuertes que las señales verticales de EOG. Esto se debe a que las sacadas verticales son más lentas que las horizontales, y las sacadas hacia abajo son las más lentas . Las figuras 5-8 muestran que los cuatro movimientos oculares (derecho, izquierdo, arriba y abajo) son claramente diferentes. Además, CH1 y CH2 son señales de CC, que se pueden usar para registrar los movimientos continuos de los ojos. CH3 y CH4 son señales de CA del EOG. Por lo tanto, CH3 y CH4 reaccionan fuertemente solo a los movimientos oculares.

Figura 5

El EOG de las señales de la toma de muestras en CH1, CH2, CH3 y CH4 (a la derecha).

Figura 6

la grabación de la señal EOG muestras en CH1, CH2, CH3 y CH4 (a la izquierda).

Figura 7

la grabación de la señal EOG muestras en CH1, CH2, CH3 y CH4 (arriba).

Figura 8

la grabación de la señal EOG muestras en CH1, CH2, CH3 y CH4 (abajo).

Debido a que las señales de EOG cambian para los cuatro movimientos oculares, importamos CH1 + CH2, que se utiliza para las señales verticales y CH1 − CH2 para las señales horizontales. En los experimentos, pedimos a cada participante que moviera sus ojos para seguir la siguiente secuencia: centro-derecha-centro-izquierda-centro-arriba-centro-abajo-centro. Los resultados de estos dos nuevos procedimientos se muestran en la Figura 9.

Figura 9

la grabación de la señal EOG muestras en CH1 + CH2 (boca) y CH1 − CH2 (desventaja).

4. Registro de Señales sEMG

La Figura 2 muestra el esquema formal para la adquisición y análisis de las señales sEMG para el control y flujo de información a través del sistema. Nuestro sistema consta de estos cuatro componentes: (1) electrodos de superficie, (2) amplificador, (3) filtro de paso alto y (4) computadora personal para la clasificación de señales sEMG. Las señales sEMG detectadas por los electrodos de superficie se amplifican y filtran antes de la adquisición de datos para reducir los artefactos de ruido y mejorar los componentes espectrales que contienen la información para el análisis de datos. Se pueden utilizar dos canales de señales sEMG para reconocer el movimiento facial. Para eliminar el nivel de CC y el ruido de la línea de alimentación de 60 Hz, se utiliza el filtro de paso alto. La frecuencia de corte del filtro de paso alto es de 66,7 Hz.

Las grabaciones de la Figura 10 muestran las medidas de reducción de ruido aplicadas en nuestro sistema. Como resultado, los datos de las tres clases sEMG (parpadeo derecho, parpadeo izquierdo y mordida) son claramente diferentes. Después de filtrar y amplificar (aproximadamente 1000 veces), las señales sEMG se digitalizan y luego se transfieren a la computadora personal. La frecuencia de muestreo de los datos de medición es de 1 kHz en una banda de 0 Hz a 500 Hz.

Figura 10

los niveles de Activación de dos de los canales de sEMG.

Las señales sEMG son procesadas por el procesamiento de media móvil. El procesamiento de la media móvil calcula la media rectificada y no ponderada de los puntos de datos anteriores. Luego, el valor después del procesamiento de la media móvil se determina como «activo» o «inactivo» en función del umbral. Los umbrales (CH5 y CH6) se establecen de acuerdo con los usuarios. Este método es necesario para establecer el valor de umbral de cada usuario. Además, este sistema no reacciona al parpadeo habitual. La Figura 11 muestra un diagrama de este proceso.

Figura 11

Diagrama de proceso. Las señales SEMG se calculan para obtener las medias rectificadas y móviles. Se determina que la señal está activa o inactiva en función del umbral.

5. Algoritmo de Reconocimiento de patrones

En esta sección, presentaremos nuestro algoritmo de reconocimiento de patrones EOG-sEMG propuesto. La Figura 12 muestra el flujo general de nuestro sistema propuesto. Este proceso consiste en repetir pasos. El reconocimiento de patrones consta de cinco clases: dos clases (movimiento izquierdo y derecho) para el EOG y las tres clases (parpadeo izquierdo, parpadeo derecho y mordida) para el sEMG.

Figura 12

Flujo de EOG-sEMG algoritmo de reconocimiento de patrones.

Si los datos sEMG después del procesamiento de la señal exceden un umbral, el patrón de los datos sEMG se determina solo por CH1 (movimiento similar al parpadeo derecho) o CH2 solo (movimiento similar al parpadeo izquierdo) o ambos (el parpadeo fuerte o la mordida). Nuestro algoritmo propuesto inicializa los elementos DC del EOG después de que se complete la actividad sEMG. Además, cuando el elemento AC del EOG no ha cambiado (los ojos no se mueven) y el sEMG no está activo, nuestro algoritmo propuesto inicializa el valor de referencia que los ojos están mirando como el frente («renovación del EOG» en la Figura 12). En otras palabras, nuestro sistema determina que los ojos están mirando al frente, porque el elemento AC no se cambia. En ese momento, nuestro sistema se actualiza como el valor de referencia de los elementos DC. Después de eso, nuestro sistema utiliza la cantidad de cambio en DC a partir de este valor de referencia.

De la regla experimental, se establece el umbral de evaluación entre activo e inactivo. A continuación, cuando los ojos se mueven, nuestro algoritmo compara el rango cambiante de CH1 + CH2 y CH1-CH2. Cuando CH1 − CH2 es más grande, nuestro algoritmo realiza el proceso de determinación del EOG. Cuando CH1 + CH2 es más grande, nuestro algoritmo determina que los ojos se mueven en la dirección vertical, porque los datos de EOG para la dirección vertical de los ojos son similares a los datos de EOG para el patrón de parpadeo. Además, nuestros resultados experimentales indican que muchas personas no pueden controlar fácilmente la dirección ascendente del ojo.

A continuación, presentamos el algoritmo de reconocimiento de patrones de EOG, un ejemplo de procesamiento de reconocimiento de patrones de EOG que se muestra en la Figura 13. Aunque la Figura 9 muestra que todos los movimientos de los ojos podrían comprobarse mediante valores de CH1 + CH2 y CH1 − CH2, el algoritmo de marcha de patrones sigue siendo necesario para resolver el desplazamiento de línea de base causado por el problema de la deriva. Los pasos del algoritmo de la Figura 13 son los siguientes: (1) Los elementos DC y AC del EOG superan el umbral para la dirección correcta. Se determina que esta es la dirección correcta de los ojos.(2) El elemento DC continúa excediendo el umbral para la dirección correcta y el elemento AC vuelve a la línea de base. La dirección de los ojos sigue siendo hacia la derecha.(3) El elemento de CA cambia en gran medida en la dirección negativa cuando la dirección del ojo vuelve a la posición central.(4) El elemento AC y el elemento DC vuelven a la línea de base de cada elemento. A continuación, se actualiza la línea de base.Nuestro sistema realiza la determinación del movimiento derecho e izquierdo de los ojos mediante el uso de este algoritmo. Este algoritmo permite determinar la dirección. Este es un proceso difícil cuando se usa solo el elemento AC.

Figura 13

Ejemplo de EOG de reconocimiento de patrones, procesamiento de. Los números en negrita representan los pasos del algoritmo.

6. Experimentos y resultados

Para probar la efectividad de nuestro sistema propuesto, realizamos dos experimentos: uno es una prueba de reconocimiento de patrones y el otro es una prueba de entrada de caracteres.

6.1. Experimento de Reconocimiento de patrones

Primero, realizamos experimentos de clasificación de patrones para las dos clases de movimiento ocular (derecha e izquierda) y las tres clases SEMG faciales (parpadeo derecho, parpadeo izquierdo y mordida). El intervalo de cada acción es de 3 segundos (se muestra en la Figura 14). Cada participante realizó nueve movimientos oculares. Además, probamos si nuestro sistema propuesto podía rechazar un parpadeo normal. Realizamos la prueba de rechazo de parpadeo normal 30 veces. Los participantes de los experimentos fueron ocho hombres sanos que son todos los números de nuestro laboratorio en sus veinte años que dieron su consentimiento para participar en este experimento.

Figura 14

tareas Básicas en el reconocimiento de patrones experimento.

6.2. Resultados Experimentales de Reconocimiento de Patrones

Los resultados experimentales de reconocimiento de patrones se muestran en la Tabla 1 y la última línea muestra la evaluación del desempeño (PE) de cada patrón bajo la regla de 5 puntos (corregir para 5 puntos, rechazar para 2 puntos y fallar para 0 puntos). Rechazar significa que el patrón de entrada no reaccionó. Error significa que el patrón de entrada fue una respuesta incorrecta. A partir de los experimentos, el reconocimiento de patrones de EOG (derecha e izquierda) de nuestro sistema propuesto es confiable. A partir de estos resultados experimentales, nuestro sistema propuesto muestra un buen rendimiento en el reconocimiento de las cuatro clases (parpadeo derecho, izquierdo, derecho y parpadeo izquierdo). La tasa de reconocimiento promedio fue de 95,1%, la tasa de rechazo promedio fue de 1,4%, y la tasa de error promedio fue de solo 3,5%, y la EP promedio es de 4,79 de 5.

Sin embargo, el reconocimiento del patrón de mordida sEMG no es tan bueno como se esperaba. Una de las razones es que algunas personas tienen problemas de irregularidad oclusal que causan divergencia entre sus mejillas. Este tipo de acciones de mordida generalmente se reconocían como parpadeo derecho o izquierdo. Otra razón es que utilizamos un método de ajuste de umbral para distinguir el parpadeo normal, y la prueba de rechazo de parpadeo normal tuvo una tasa de éxito del 97% (232/240). Bajo este método, las acciones de mordida que no pudieron pasar el umbral se rechazarán de la misma manera que el parpadeo normal.

6.3. Experimento de entrada de caracteres

A continuación, realizamos el experimento de entrada de caracteres utilizando las cuatro clases (derecha (EOG), izquierda (EOG), parpadeo derecho (sEMG) y parpadeo izquierdo (sEMG)). En la Figura 15 se muestra el software de introducción de frases del alfabeto, Escalera de corazón. Utilizamos el método de selección de cuatro divisiones. Asignamos los cuatro patrones de la siguiente manera: Right (EOG) es el comando para seleccionar el área inferior derecha. Left (EOG) es el comando para seleccionar el área inferior izquierda. Parpadeo derecho (sEMG) es el comando para seleccionar el área superior derecha. Parpadeo izquierdo (sEMG) es el comando para seleccionar el área superior izquierda.El usuario repitió el filtrado de cuatro patrones hasta que se seleccionó el carácter del último patrón. El intervalo de control fue de 0,1 s. Realizamos experimentos de la tarea de entrada «miyazaki» (8 caracteres: 4 operaciones para 1 carácter), que es el nombre de nuestra universidad. Los participantes de los experimentos fueron nueve hombres sanos de veintitantos años que dieron su consentimiento para participar en este experimento. Los participantes experimentales incluyeron a seis personas experimentadas con este sistema.

Figura 15

El alfabeto de la frase de entrada de software para el «miyazaki» de la tarea.

6.4. Resultados experimentales de entrada de caracteres

Probamos cinco ensayos de la tarea de entrada «miyazaki». Contamos el número de errores y la duración del tiempo hasta el final de la entrada. Los resultados experimentales se muestran en la Tabla 2. A partir de estos experimentos, el tiempo promedio de un ensayo fue de 50.0 s. El tiempo promedio de entrada de un carácter del alfabeto fue de aproximadamente 6.3 s (50 s/8 caracteres) en nuestro sistema propuesto. El tiempo del participante más rápido, K. M, fue de 4,5 segundos (35,8 segundos/8 caracteres). Además, si consideramos a los participantes M. F, M. S y R. K que habían estado usando nuestro sistema propuesto durante 100 h como los experimentados y a los otros 6 participantes que no usaron nuestro sistema propuesto por casualidad como inexpertos, el tiempo promedio de los participantes experimentados fue de 49.2 s y la de los participantes sin experiencia fue de 51,5 s. La tasa de falta de los participantes sin experiencia también fue baja. A partir de estos resultados, consideramos que una ventaja de nuestro sistema propuesto es que los usuarios no necesitan mucha capacitación.

Comparamos el rendimiento de nuestro método propuesto con el método EOG y el método sEMG. El método EOG utilizó movimientos de los ojos derecho e izquierdo solo como método de selección de 2 divisiones. El método sEMG utiliza parpadeos a la derecha y parpadeos a la izquierda solo como método de selección de 2 divisiones. Probamos los mismos experimentos de cinco ensayos de la tarea de entrada «miyazaki» con los mismos participantes. Estos resultados experimentales se muestran en la Tabla 3. Se puede ver que nuestro método propuesto tiene el mejor rendimiento de los tres métodos. Calculamos el tiempo requerido para una operación. El método EOG fue de 1,93 s, el método sEMG fue de 1,65 s y nuestro método propuesto fue de 1,56 s. Además, la tasa de error del método sEMG fue menor que la del método propuesto. Una de las razones más concluyentes es que el número de operaciones (7 operaciones para 1 carácter) es mayor en el método de selección de 2 divisiones que en el método de selección de 4 divisiones.

Como mencionamos en esta sección, nuestro sistema propuesto podría reconocer 2 o 4 patrones. Todos estos patrones podrían asignarse como funciones separadas y, al tratar con el estado de los usuarios, todos estos patrones podrían ser empleados por cualquier combinación de ellos. En la siguiente sección, discutiremos la aplicación de nuestro sistema propuesto para las personas con discapacidades graves utilizando solo 1 patrón.

7. Resultados experimentales de Personas con Discapacidad Severa

En este artículo, aplicamos nuestro método propuesto para personas con discapacidad severa (pacientes con distrofia muscular). Hemos obtenido la aprobación del comité de ética de la Universidad de Miyazaki. El experimento de la Sección 6 con una operación complicada causará una gran fatiga a las personas con discapacidades, por lo que los experimentos se llevaron a cabo de la manera en que se ingresará un personaje con un solo clic utilizando EOG o sEMG. Solo se seleccionó un patrón de patrones EOG o sEMG que se podían usar fácilmente. En este método de entrada de caracteres, el carácter es seleccionado automáticamente por el software; el usuario puede seleccionarlo haciendo clic cuando el carácter de destino haya sido elegido por el software. En este experimento, el procesamiento de clics se lleva a cabo mediante el reconocimiento de la actividad EOG o sEMG.

Este experimento tuvo a los dos sujetos. Con el fin de minimizar las influencias de la condición física de los sujetos y los entornos, probamos los mismos experimentos 10 veces en diferentes ocasiones en diferentes días. Los 30 minutos continuos en un experimento se utilizaron para probar la entrada de caracteres japoneses. La Tabla 4 muestra los resultados experimentales. De la Tabla 4, la tasa de reconocimiento del método sEMG es del 99,2% y la tasa de reconocimiento del método EOG es del 98,0%. El tiempo de entrada fue lento de aproximadamente 1 a 2 segundos en comparación con los sujetos sanos. Por lo tanto, las personas discapacitadas tienen el mismo resultado que las sanas con un solo clic. A partir de estos resultados, podemos decir que nuestro enfoque es eficaz en personas con discapacidades graves.

8. Conclusiones

En este estudio, se introdujo un dispositivo de interfaz hombre-ordenador EOG-sEMG diseñado para pacientes con esclerosis lateral amiotrófica u otras enfermedades. Utilizamos canales cruzados y canales de líneas paralelas en la cara con los mismos 4 electrodos. Este sistema podía grabar señales EOG y sEMG como doble rosca para el reconocimiento de patrones simultáneamente. Además, nuestro método propuesto que utiliza la combinación de elementos de CA y CC de EOG reduce la deriva correspondiente y permite el funcionamiento continuo en el registro de los movimientos oculares. Los resultados experimentales mostraron que nuestro método propuesto es efectivo para el reconocimiento de cuatro patrones (derecho (EOG), izquierdo (EOG), parpadeo derecho (sEMG) y parpadeo izquierdo (sEMG)). En particular, nuestro método propuesto demostró un buen rendimiento para los experimentos de entrada de caracteres. La tasa de fallas fue de solo 1,4%. Además, los resultados de los participantes inexpertos y experimentados mostraron muy poca diferencia. A partir de estos resultados, creemos que una ventaja de nuestro sistema propuesto es que los usuarios no necesitan mucha capacitación.

Además, comparamos nuestro método propuesto con el método EOG y el método sEMG. Nuestro método propuesto requería el tiempo más corto para la entrada de caracteres. Nuestra interfaz hombre-ordenador propuesta se puede aplicar en el sistema EOG, el sistema sEMG y el sistema EOG-sEMG. Es posible utilizar nuestro sistema para pacientes que solo pueden controlar los movimientos de sus ojos. También es posible utilizar solo las señales sEMG con una alta tasa de éxito hasta que el usuario se sienta cómodo usando el dispositivo. Nuestra interfaz hombre-ordenador propuesta tiene la ventaja de que se puede utilizar dependiendo de la situación.

Esperamos poder comunicarnos con pacientes que sufren de esclerosis lateral amiotrófica u otras enfermedades utilizando nuestro sistema. En nuestro trabajo futuro, planeamos probar muchos temas y personas con discapacidades más graves.

Intereses en conflicto

Esta investigación fue financiada por SYOWA Co. Ltd.

Agradecimientos

Esta investigación fue apoyada por la Fundación de Apoyo Industrial de la Prefectura de Miyazaki (R&D) y una Subvención para Jóvenes Científicos (B) (23700668) KAKEN. Los autores están agradecidos al Sr. Kazuhiko Inami y al Sr. Kazuya Gondou. Reconocen con gratitud el trabajo de los miembros pasados y presentes de su laboratorio.