EOG-sEMG Human Interface for Communication

Abstract

tämän tutkimuksen tavoitteena on esittää sähköokulogrammi (eog) ja pintaelektromyogrammi (sEMG) signaaleja, joita voidaan käyttää ihmisen ja tietokoneen rajapintana. Tehokkaan vaihtoehtoisen viestintäkanavan luominen ilman avointa puhetta ja käsien liikkeitä on tärkeää amyotrofisesta lateraaliskleroosista, lihasdystrofiasta tai muista sairauksista kärsivien potilaiden elämänlaadun parantamiseksi. Tässä asiakirjassa ehdotamme eog-sEMG ihmisen ja tietokoneen käyttöliittymäjärjestelmää kommunikointiin käyttäen sekä ristikanavia että rinnakkaisia linjojen kanavia kasvoilla samoilla elektrodeilla. Tämä järjestelmä voisi tallentaa eog ja sEMG signaalit ”dual-modaliteetti” kuviotunnistusta samanaikaisesti. Vaikka niin paljon kuin 4 kuvioita voitaisiin tunnistaa, käsitellään tilan potilaiden, me vain valita kaksi luokkaa (vasen ja oikea liike) EOG ja kaksi luokkaa (vasen ja oikea vilkkua) sEMG, jotka ovat helposti toteuttaa simulointi ja seuranta tehtävä. Simulaatiotulosten perusteella järjestelmämme saavutti nelikuvioluokituksen 95,1 prosentin tarkkuudella.

1. Johdanto

silmien liikkeiden aikana sarveiskalvossa ja verkkokalvossa on potentiaali, ja se on elektrookulogrammin (eog) perusta. EOG voidaan mallintaa dipoli ja käytetään lääketieteellisissä järjestelmissä. Kirjallisuudesta löytyy useita eog-pohjaisia ihmisen ja tietokoneen rajapintatutkimuksia. Esimerkiksi vammaisille ja vanhuksille on kehitteillä silmänliikkeillä ohjattava pyörätuoli. Silmän liikesignaalit ja anturisignaalit yhdistetään, ja sekä suuntaa että kiihtyvyyttä ohjataan. Pinnan elektromyogrammisignaalit (sEMGs) havaitaan ihon pinnalla ja syntyy lihassyiden sähköisestä toiminnasta supistumisen aikana . Liikkuvat lihakset voidaan havaita analysoimalla sEMGs. Yksi semgsin tärkeistä sovelluksista on keinojalkojen säätely. Vaikka pään liikettä, joka on luonnollinen ele, voidaan käyttää osoittamaan tiettyä suuntaa, vakavasti vammaiset eivät pysty liikuttamaan niskaansa ja päätään. Monet näistä ihmisistä voivat kuitenkin käyttää kasvolihasliikkeitä. sEMG on tapa tutkia kasvolihastoimintaa kirjaamalla toimintakyky kuitujen supistumisesta. sEMG voidaan havaita pintaelektrodeilla, joita on helppo levittää ja jotka eivät aiheuta käyttäjille terveys-ja turvallisuusriskejä. Tietokonejärjestelmiä voidaan ohjata myös face sEMG-signaalien avulla . Nämä tietokonejärjestelmät voivat tunnistaa kasvojen liikkeen (vasen vilkkua, oikea vilkkua, ja purra) käyttämällä sEMG-antureita. Lisäksi eog, elektroenkefalogrammi (EEG) ja EMG-signaalit voidaan luokitella reaaliaikaisesti, ja niillä voidaan ohjata siirrettäviä robotteja keinotekoisen neuroverkkoluokittelijan avulla .

tutkittaessa mahdollisuutta käyttää eog: iä ihmisen ja tietokoneen rajapinnassa, määritetään näkökulman ja EOG: n välinen suhde. Perusteellisissa tutkimuksissa on havaittu, että hitaasti muuttuva perustason drift vaikeuttaa jatkuvien EOG-signaalien arviointia, ja tämä drift näkyy vain tasavirtasignaaleissa (DC) piirissä. Tämän ongelman ratkaisemiseksi järjestelmämme ehdotti aiemmin eogs: n vaihtovirran (AC) käyttöä perusvirtauksen vähentämiseksi segmentoimalla signaalia . Näissä papereissa esittelimme hiiren kursoriohjausjärjestelmän eogs-tekniikalla. Silmien liikeluokan (Oikea, Vasen ja vapaaehtoinen räpytys) alkukynnykset määritetään empiirisesti kullekin käyttäjälle erikseen. Kaksi silmien liikeluokkaa (oikea ja vasen)käsittävät hiiren kohdistimen saman liikkeen. Näissä papereissa silmien liike vinosti oikeaan alakulmaan on klikinkäsittelyn käsky. Lisäksi vapaaehtoinen blink on komento klikkauksen käsittely, liian. Näissä järjestelmissä on kuitenkin ongelma, jossa kasvojen sEMG-signaalit muuttuvat meluisiksi EOG-signaaleiksi.

tässä tutkimuksessa kehitämme eog-sEMG-ihmisrajapintajärjestelmää kommunikaatioon. Meidän ehdotettu EOG laite ei ole ongelma esineitä silmien räpyttely. Sovellamme algoritmia, joka käyttää sekä DC-elementin dynaamista vaihtelua että AC-elementin kuvioluokitusta. Tämä segmentointi signaalin vähentää perustason drift. Vaikka eog: ssä oli 3-elektrodin menetelmä , jolla voitiin mitata pysty-ja vaakasuuntaisia komponentteja, joita pidettiin kohinana EEG-mittauksen aikana, eog-järjestelmämme käyttää edelleen poikittaiskanavia, jotka käyttävät 4 elektrodia sekä parantamaan eog-mittauksen tarkkuutta että toteuttamaan eog-sEMG ”dual-modality” – prosessia samanaikaisesti. Lisäksi kanavan ylittävillä eog-signaaleilla on samanlainen suorituskyky kuin pluskanavamenetelmällä, jota käytetään laajalti eog-mittauksessa. Lisäksi poikkikanavaisen eog-signaalimenetelmän elektrodiasennossa on hyvä ominaisuus, että sEMG voidaan myös mitata tehokkaasti samanaikaisesti. Muihin papereihin verrattuna tämä on hyödyllinen ansio.

verrattuna muihin vastaaviin tutkimuksiin , jotka koskevat ihmisen ja tietokoneen rajapintoja vammaisten auttamiseksi, kuten kuvankäsittelyä käyttäviä silmäseurantajärjestelmiä, ehdotukseemme perustuvalla ihmisen ja tietokoneen rajapinnalla on vahva häiriönvastainen kyky ympäristöstä, kuten valoista ja äänistä. Potilaat voisivat käyttää tällaista rajapintaa myös ilman näköyhteyttä. Erityisesti ALS-potilaat voisivat edelleen hallita silmämuniaan ja silmien ympärillä olevia lihaksia jopa terminaalivaiheessa, jossa he voisivat käyttää EOG-sEMG: tä ehdotuksemme pohjalta myös ihmisen ja tietokoneen rajapinnassa. Vaikka kuvankäsittelylaitteita käytetään laajalti, koska ne ovat intuitiivisia ja ennustettavampia, eog-sEMG perustuu ehdotukseemme ihmisen ja tietokoneen käyttöliittymä tarjoaa edelleen hyvän valinnan vaikeasti vammaisille.

tässä paperissa ehdotamme tekniikkaa, jolla voidaan suorittaa kasvojentunnistus tallentamalla Eogit ja semgit. Jotta voidaan todistaa suorituskykyä ehdotetun menetelmän, yritimme 3 liittyvät kokeet askel askeleelta. Aluksi, vaikka jopa 7 luokkaa voitaisiin tunnistaa, käsitellään potilaiden todellista tilaa ja alustavia tarkkuustestejä, valitsemme vain kaksi luokkaa (vasen ja oikea liike) EOG ja kaksi luokkaa (vasen ja oikea vilkkua) sEMG, jotka on helppo toteuttaa simulointi-ja seurantatehtävää varten. Seuraavaksi teimme kokeita merkin tuloa käyttämällä ehdotettua järjestelmää näiden 4 luokat. Kokeeseen osallistuneet olivat terveitä parikymppisiä miehiä, jotka suostuvat lähtemään mukaan kokeiluihimme ilman pakottamista. Näiden kokeiden avulla osoitimme, että ehdotetun järjestelmämme nelikuviotunnistus on helppo oppia ja käyttää. Lisäksi sovelsimme ehdotettua yksinkertaistettua menetelmää (ohjelmisto, joka voi tehdä merkin syöttöä yhdellä klikkauksella (yksi hahmontunnistus)) vaikeasti vammaisille (lihasdystrofiapotilaat).

2. Mittausjärjestelmä

2.1. Poikkikanavat

kuten kuvassa 1(a) on esitetty, pluskanavamenetelmää käytetään laajalti tavanomaisimpana tapana tallentaa EOG-signaaleja edellisessä tutkimuksessa: horisontaaliset signaalit tallennettiin kanavalla 1 (CH1) ja pystysuorat signaalit kanavalla 2 (CH2) . Tässä asiakirjassa EOG-signaalien tarkkuuden parantamiseksi ehdotetaan uutta kanavien välistä menetelmää, kuten kuvassa 1 b esitetään. Vaaka-ja pystysuuntaiset signaalit voitiin tallentaa molemmilla kanavilla samaan aikaan. On paljon helpompi analysoida tietoja kaksoissignaalien avulla.

2, 2. Eog-sEMG-mittausjärjestelmä

tässä alajaksossa ehdotetaan eog-EMG-mittausjärjestelmän suunnittelua. Kuvassa 2 esitetään virallinen järjestelmä EOG-ja sEMG-signaalien hankkimiseksi ja analysoimiseksi järjestelmän kautta tapahtuvaa tiedonkulkua ja-ohjausta varten. Ehdotetussa järjestelmässämme on neljä komponenttia: (1) vahvistin, (2) suodatin, (3) A/D-muunnin ja (4) hiiren kursorin ohjausjärjestelmä. Tämä tarkoittaa, että järjestelmä koostuu viidestä elektrodista, A/D-muuntimesta, henkilökohtaisesta tietokoneesta ja monitorista (kuvassa 2). Neljä elektrodia sEMG-signaalien kahdelle kanavalle liitetään kasvoille, ja yksi elektrodi liitetään oikealle tai vasemmalle ranteelle maana.

(a)

(b)

(a)
(b)

2, 3. EOG-sEMG-anturilaite

tässä kohdassa esitetään tässä tutkimuksessa käytetty liitäntälaite. Kuvassa 3 on henkilö, joka käyttää liitäntälaitetta. Tämä liitäntä laite muistuttaa suojalasit tai lasit, vahvistamisesta elektrodit. Laitteen mittaamat signaalit lähetetään tietokoneelle Bluetoothin avulla. Lähetetyt tiedot esitetään kuvassa 4. Mitattavat signaalit ovat TASAVIRTOJA kahdelle eog-kanavalle (2 ch), jotka ovat CH1 ja CH2, ja vaihtovirtoja kahdelle eog-kanavalle (CH3 ja CH4). Samalla mitataan myös sEMG: N 2 ch-signaalia, jotka ovat CH5 ja CH6. Näytämme yksityiskohtaisesti mitatut tiedot seuraavassa jaksossa.

3. EOG-tallennusjärjestelmä

tässä osiossa esitellään EOG-tallennusjärjestelmä. Ehdotettu eog-järjestelmä perustuu kahteen virtaukseen: (1) vahvistin ja alipäästösuodatin (DC-elementti) ja (2) vahvistin, alipäästösuodatin ja ylipäästösuodatin (AC-Elementti). Tallennuksen jälkeen signaalin amplitudi (1000 kertaa) ja kohinanvaimennus toimenpiteet biopotentiaalinen tiedonhankinta järjestelmä, neljä erilaista silmien liikkeet (oikea, vasen, ylös ja alas) tunnistetaan tarkasti ja sähköinen kohinanvaimennus on myös onnistunut. On huomattava, että horisontaaliset EOG-signaalit ovat voimakkaampia kuin pystysuorat eog-signaalit. Tämä johtuu siitä, että pystysuorat sakadit ovat hitaampia kuin vaakasuorat sakadit, ja alaspäin menevät sakadit ovat hitaimpia . Luvut 5-8 osoittavat, että neljä silmän liikettä (oikea, vasen, ylös ja alas) ovat selvästi erilaisia. Lisäksi CH1 ja CH2 ovat TASAVIRTASIGNAALEJA, joita voidaan käyttää silmien jatkuvien liikkeiden tallentamiseen. CH3 ja CH4 ovat EOG: n VAIHTOVIRTASIGNAALEJA. Siksi CH3 ja CH4 reagoivat voimakkaasti vain silmien liikkeisiin.

kuva 6

EOG-signaalin tallennusnäytteet CH1: ssä, CH2: ssa, CH3: ssa ja CH4: ssä (vas.).

Kuva 7

EOG-signaalin tallennusnäytteet CH1: ssä, CH2: ssa, CH3: ssa ja CH4: ssä (up).

Kuva 8

EOG-signaalin tallennusnäytteet CH1: ssä, CH2: ssa, CH3: ssa ja CH4: ssä (alas).

koska EOG − signaalit muuttuvat kaikissa neljässä silmänliikkeessä, tuotiin maahan CH1 + CH2, jota käytetään pystysuorissa signaaleissa ja CH1-CH2 horisontaalisissa signaaleissa. Kokeissa pyysimme jokaista osallistujaa liikuttamaan silmiään seuratakseen seuraavaa järjestystä: keskusta-oikea-keskusta-vasen-keskusta-ylös-keskusta-alas-keskusta. Näiden kahden uuden menettelyn tulokset esitetään kuvassa 9.

Kuva 9

EOG − signaalin tallennusnäytteet CH1 + CH2 (upside) ja CH1-CH2 (downside).

4. Semg-signaalien tallennus

kuva 2 esittää sEMG-signaalien hankinnan ja analysoinnin muodollisen järjestelmän järjestelmän kautta tapahtuvaa tiedonkulkua ja hallintaa varten. Järjestelmämme koostuu näistä neljästä osasta: (1) pintaelektrodeista, (2) vahvistimesta, (3) ylipäästösuodattimesta ja (4) henkilökohtaisesta tietokoneesta sEMG-signaalin luokitteluun. Pintaelektrodien havaitsemat sEMG-signaalit monistetaan ja suodatetaan ennen tiedonhankintaa kohinaesineiden vähentämiseksi ja spektrikomponenttien parantamiseksi, jotka sisältävät informaatiota data-analyysiä varten. Kasvojen liikkeen tunnistamiseen voidaan käyttää kahta sEMG-signaalien kanavaa. Tasavirtatason ja 60 Hz: n voimajohdon kohinan poistamiseen käytetään ylipäästösuodatinta. Ylipäästösuodattimen katkaisutaajuus on 66,7 Hz.

Kuvan 10 tallenteet osoittavat järjestelmässämme sovelletut melun vähentämistoimenpiteet. Tämän seurauksena kolmen sEMG-luokan (oikea välähdys, vasen välähdys ja purema) tiedot ovat selvästi erilaiset. Suodattamisen ja vahvistamisen jälkeen (noin 1000 kertaa) sEMG-signaalit digitoidaan ja siirretään sitten henkilökohtaiseen tietokoneeseen. Mittausaineiston näytteenottotaajuus on 1 KHz taajuusalueella 0 Hz-500 Hz.

sEMG-signaalit käsitellään liukuvan keskiarvon prosessoinnilla. Liukuvan keskiarvon käsittely laskee edellisten datapisteiden korjatun ja painottamattoman keskiarvon. Sitten arvo liukuvan keskiarvon käsittelyn jälkeen määritetään” aktiiviseksi ”tai” passiiviseksi ” kynnyksen perusteella. Kynnysarvot (CH5 ja CH6) asetetaan käyttäjien mukaan. Tämä menetelmä on tarpeen asettaa raja-arvo kunkin käyttäjän. Lisäksi tämä järjestelmä ei reagoi tavalliseen vilkkumiseen. Kuvassa 11 on kaavio tästä prosessista.

5. Pattern Recognition Algorithm

tässä osiossa esittelemme ehdotetun eog-sEMG pattern recognition algoritmin. Kuvassa 12 esitetään ehdotetun järjestelmän kokonaisvirta. Tämä prosessi koostuu toistuvista vaiheista. Hahmontunnistus koostuu viidestä luokasta: kahdesta luokasta (vasen ja oikea liike) EOG: lle ja kolmesta luokasta (vasen välähdys, oikea välähdys ja purenta) sEMG: lle.

Jos sEMG-data signaalinkäsittelyn jälkeen ylittää raja-arvon, sEMG-datan kuvion määrittää vain CH1 (oikea vilkkumainen liike) tai CH2 (vasen vilkkumainen liike) tai molemmat (purema tai voimakas vilkkuminen). Ehdottamamme algoritmi alustaa EOG: n DC-elementit, kun sEMG-aktiivisuus on valmis. Lisäksi, kun EOG: n AC-elementti ei ole muuttunut (silmät eivät liiku) ja sEMG ei ole aktiivinen, ehdotettu algoritmimme alustaa viitearvon, jonka silmät katsovat edestä (”eog: n uusiutuminen” kuvassa 12). Toisin sanoen järjestelmämme määrää, että silmät katsovat eteen, koska AC-elementtiä ei muuteta. Tuolloin järjestelmämme päivittyy DC-elementtien viitearvoksi. Tämän jälkeen järjestelmämme käyttää DC: n muutoksen määrää tästä viitearvosta.

kokeellisesta säännöstä on asetettu arviointikynnys aktiivisen ja inaktiivisen välillä. Seuraavaksi, kun silmät liikkuvat, algoritmimme vertaa muuttuvaa aluetta CH1 + CH2 ja CH1-CH2. Kun CH1-CH2 on suurempi, algoritmimme suorittaa eog: n määritysprosessin. Kun CH1 + CH2 on suurempi, algoritmimme määrittää, että silmät liikkuivat pystysuunnassa, koska silmien pystysuuntaisen suunnan eog-data on samanlainen kuin silmänräpäyskuvion eog-data. Lisäksi kokeelliset tuloksemme osoittavat, että monet ihmiset eivät pysty helposti hallitsemaan silmän yläsuuntaa.

seuraavaksi esittelemme eog-kuviotunnistusalgoritmin, joka on esimerkki kuvassa 13 esitetystä eog-kuviotunnistuksen käsittelystä. Vaikka kuva 9 osoittaa, että kaikki silmien liikkeet voisi tarkistamalla arvot CH1 + CH2 ja CH1 − CH2, kuvio marssi algoritmi on edelleen tarpeen ratkaista perustason muutos aiheuttama drift ongelma. Kuvan 13 algoritmivaiheet ovat seuraavat:(1)EOG: n DC-ja AC-elementit ylittävät oikean suunnan kynnyksen. On päätelty, että tämä on silmien oikea suunta.(2) TASAVIRTAELEMENTTI ylittää edelleen oikean suunnan kynnyksen ja VAIHTOVIRTAELEMENTTI palaa perustasoon. Katseen suunta on edelleen oikealle.(3) AC-elementti muuttuu suuresti negatiiviseen suuntaan, kun silmän suunta palaa keskiasentoon.(4) AC-elementti ja DC-Elementti palaavat kunkin elementin perustilaan. Sitten, perustaso päivitetään.Järjestelmämme suorittaa silmien oikean ja vasemman liikkeen määrittämisen tämän algoritmin avulla. Tämä algoritmi mahdollistaa suunnan määrittämisen. Tämä on vaikea prosessi, kun käytetään vain AC-elementtiä.

6. Kokeet ja tulokset

testataksemme ehdotetun järjestelmämme tehokkuutta teimme kaksi koetta: toinen on hahmontunnistustesti ja toinen on merkkisyöttötesti.

6, 1. Kuviotunnistuskoe

ensin teimme kuvioluokituskokeita kahdelle silmänliikeluokalle (oikea ja vasen) ja kolmelle kasvojen sEMG-luokalle (Oikea, Vasen ja purema). Kunkin toimenpiteen aikaväli on 3 sekuntia (Kuvassa 14). Jokainen osallistuja teki jokaisen silmänliikkeen yhdeksän kertaa. Lisäksi testasimme, pystyisikö ehdotettu järjestelmämme hylkäämään normaalin silmänräpäyksen. Teimme normaalin räpäytystestin 30 kertaa. Kokeiden osallistujat olivat kahdeksan tervettä miestä, jotka ovat kaikki parikymppisiä laboratoriomme numeroita, jotka antoivat suostumuksensa osallistua tähän kokeeseen.

6, 2. Kuviotunnistuksen kokeelliset tulokset

kuviotunnistuksen kokeelliset tulokset on esitetty taulukossa 1, ja viimeisellä rivillä esitetään kunkin kuvion suorituskyvyn arviointi (Pe) 5 pisteen säännön mukaisesti (oikein 5 pistettä, hylkää 2 pistettä ja missaa 0 pistettä). Torjuminen tarkoittaa, että syöttökuvio ei reagoinut. Miss tarkoittaa, että syöttökuvio oli väärä vastaus. Kokeiden perusteella ehdotetun järjestelmämme eog-hahmontunnistus (oikealla ja vasemmalla) on luotettava. Näiden kokeellisten tulosten perusteella ehdotettu järjestelmä osoittaa hyvää suorituskykyä neljän luokan (Oikea, Vasen, Oikea ja vasen) tunnistamisessa. Keskimääräinen tunnustamisaste oli 95,1%, keskimääräinen hylkäysaste oli 1,4%, ja keskimääräinen hylkäysaste oli vain 3,5%, ja keskimääräinen PE on 4,79 / 5.

sEMG-puremakuvion tunnistaminen ei kuitenkaan ole niin hyvä kuin odotettiin. Yksi syy on se, että joillakin ihmisillä on ongelmia okklusaalinen epäsäännöllisyys, joka aiheuttaa eroja heidän poskiensa välillä. Tällainen purentatoiminta tunnistettiin yleensä oikean tai vasemman silmänräpäykseksi. Toinen syy on se, että käytimme kynnysviritysmenetelmää normaalin räpäytyksen erottamiseen, ja normaalin räpäytyksen hylkäystestin onnistumisprosentti oli 97 (232/240). Tässä menetelmässä purentatoimet, jotka eivät voineet ylittää kynnystä, hylätään samalla tavalla kuin normaali silmänräpäys.

6, 3. Character Input Experiment

seuraavaksi suoritimme character input Experimentin käyttäen neljää luokkaa (oikea (eog), vasen (eog), oikea (sEMG) ja vasen (sEMG)). Aakkoston lauseensyöttöohjelma, sydämellinen Ladder, on esitetty kuvassa 15. Käytimme neljän jaon valintamenetelmää. Annoimme neljä kuviota seuraavasti: oikea (eog)on komento valita oikea ala. Vasen (eog) on komento valita Vasen ala-alue. Right blink (sEMG) on komento, jolla valitaan korkeampi oikea alue. Vasen välähdys (sEMG)on komento, joka valitsee vasemman yläpuolisen alueen.Käyttäjä toisti neljän kuvion suodatuksen, kunnes viimeisen kuvion merkki oli valittu. Ohjausväli oli 0.1 s. teimme kokeita ”miyazaki” input tehtävä (8 merkkiä: 4 toimintaa 1 merkki), joka on nimi yliopistomme. Kokeisiin osallistui yhdeksän tervettä parikymppistä miestä, jotka antoivat suostumuksensa osallistua kokeeseen. Kokeeseen osallistui kuusi henkilöä, joilla oli kokemusta tästä järjestelmästä.

6, 4. Character Input Experimental Results

kokeilimme ”miyazaki” input-tehtävän viittä koetta. Laskimme hutien määrän ja keston syötteen loppuun asti. Kokeelliset tulokset on esitetty taulukossa 2. Näistä kokeista yhden kokeen keskimääräinen aika oli 50,0 s. aakkosten yhden merkin keskimääräinen syöttöaika oli ehdotetussa järjestelmässämme noin 6,3 s (50 S/8 merkkiä). Nopeimman osallistujan K. M: n aika oli 4,5 s (35,8 S/8 merkkiä). Lisäksi, jos pidimme osallistujia M. F, M. S, ja R. K, jotka olivat käyttäneet ehdotettua järjestelmää yli 100 h kokeneina ja muita 6 osallistujaa, jotka eivät käyttäneet ehdotettua järjestelmää sattumalta kokemattomina, kokeneiden osallistujien keskimääräinen aika oli 49.2 s ja kokemattomien osuus oli 51,5 s. myös kokemattomien epäonnistumisprosentti oli alhainen. Näiden tulosten perusteella katsomme, että yksi ehdotetun järjestelmämme eduista on se, että käyttäjät eivät tarvitse paljon koulutusta.

vertasimme ehdotetun menetelmämme suorituskykyä EOG-menetelmään ja sEMG-menetelmään. EOG-menetelmässä käytettiin oikean ja vasemman silmän liikkeitä vain 2-jakoisena valintamenetelmänä. SEMG-menetelmässä käytettiin oikeanpuoleisia ja vasemmanpuoleisia vilkkuja vain 2-divisioonan valintamenetelmänä. Kokeilimme samoja ”miyazaki” – syöttötehtävän viiden kokeen kokeita samojen osallistujien kanssa. Nämä kokeelliset tulokset on esitetty taulukossa 3. Voidaan nähdä, että ehdotetulla menetelmällämme on paras suorituskyky kaikista kolmesta menetelmästä. Laskimme yhteen leikkaukseen tarvittavan ajan. EOG-menetelmä oli 1,93 s, sEMG-menetelmä oli 1,65 s ja ehdotettu menetelmä oli 1,56 s. lisäksi sEMG-menetelmän miss-nopeus oli pienempi kuin ehdotetun menetelmän. Yksi ratkaisevimmista syistä on se, että operaatioiden määrä (7 operaatiota 1 merkille) on suurempi 2-divisioonan valintamenetelmässä kuin 4-divisioonan valintamenetelmässä.

kuten tässä jaksossa mainittiin, 2 tai 4 mallia voitiin tunnistaa ehdotetusta järjestelmästämme. Kaikki nämä kuviot voidaan määrittää erillisinä funktioina, ja käyttäjien tilan suhteen kaikki nämä kuviot voidaan käyttää millä tahansa niiden yhdistelmällä. Seuraavassa jaksossa keskustelemme ehdotetun järjestelmämme soveltamisesta vaikeasti vammaisiin, jotka käyttävät vain 1-mallia.

7. Kokeelliset tulokset Vaikeavammaisista

tässä asiakirjassa sovelsimme ehdotettua menetelmää vaikeavammaisille (lihasdystrofiapotilaille). Olemme saaneet Miyazakin yliopiston eettisen komitean hyväksynnän. Koe osa 6 monimutkainen toiminta aiheuttaa suurta väsymystä vammaisille, joten kokeet suoritettiin siten, että yksi merkki syötetään yhdellä napsautuksella käyttäen EOG tai sEMG. EOG-tai sEMG-kuvioista valittiin vain yksi kuvio, jota voitiin helposti käyttää. Tässä merkinsyöttömenetelmässä ohjelmisto valitsee automaattisesti merkin; käyttäjä voidaan valita napsauttamalla, kun ohjelmisto on valinnut kohdehahmon. Tässä kokeessa napsautuskäsittely suoritetaan eog: n tai sEMG: n aktiivisuuden tunnustamisella.

tässä kokeessa oli kaksi koehenkilöä. Minimoidaksemme kohteiden ja ympäristöjen fyysisen kunnon vaikutukset, kokeilimme samoja kokeita 10 kertaa eri tilanteissa eri päivinä. Yhtäjaksoista 30 minuuttia yhdessä kokeessa käytettiin japanilaisen merkin syötteen testaamiseen. Taulukossa 4 esitetään kokeelliset tulokset. Taulukosta 4 sEMG-menetelmän tunnustamisaste on 99,2% ja eog-menetelmän tunnustamisaste 98,0%. Syöttöaika oli hidas noin 1-2 sekuntia verrattuna terveisiin koehenkilöihin. Vammaisilla on siis sama tulos kuin terveillä yhdellä klikkauksella. Näiden tulosten perusteella voimme sanoa, että lähestymistapamme on tehokas vaikeasti vammaisissa.

8. Johtopäätökset

tässä tutkimuksessa otimme käyttöön eog-sEMG ihmisen ja tietokoneen rajapintalaitteen, joka on suunniteltu amyotrofista lateraaliskleroosia tai muita sairauksia sairastaville potilaille. Käytämme sekä ristikanavia että yhdensuuntaisia kanavia Kasvot samoilla 4 elektrodeilla. Tämä järjestelmä voisi tallentaa EOG-ja sEMG-signaalit dual-ketjutuksena hahmontunnistusta varten samanaikaisesti. Lisäksi ehdotettu menetelmä, jossa käytetään EOG: n AC-ja DC-elementtien yhdistelmää, vähentää vastaavaa ajautumista ja mahdollistaa jatkuvan toiminnan silmien liikkeiden tallentamisessa. Kokeelliset tulokset osoittivat, että ehdotettu menetelmä on tehokas neljän kuvion tunnistamiseen (oikea (EOG), vasen (eog), oikea (sEMG) ja vasen (sEMG)). Erityisesti ehdotettu menetelmä osoitti hyvää suorituskykyä merkin syöttökokeita. Missiprosentti oli vain 1,4. Lisäksi kokemattomien ja kokeneiden osallistujien tuloksissa oli hyvin vähän eroa. Näiden tulosten perusteella olemme sitä mieltä, että yksi ehdotetun järjestelmämme eduista on se, että käyttäjät eivät tarvitse paljon koulutusta.

lisäksi vertasimme ehdotettua menetelmäämme EOG-menetelmään ja sEMG-menetelmään. Ehdottamamme menetelmä vaati lyhimmän ajan hahmon syöttämiseen. Ehdotettua ihmisen ja tietokoneen rajapintaa voidaan soveltaa EOG-järjestelmässä, sEMG-järjestelmässä ja eog-sEMG-järjestelmässä. Järjestelmäämme on mahdollista käyttää potilaille, jotka voivat hallita vain silmänliikkeitään. On myös mahdollista käyttää vain sEMG signaaleja korkea onnistumisprosentti kunnes käyttäjä on mukava käyttää laitetta. Ehdotetun ihmisen ja tietokoneen rajapinnan etuna on, että sitä voidaan käyttää tilanteesta riippuen.

toivomme pystyvämme kommunikoimaan amyotrofisesta lateraaliskleroosista tai muista sairauksista kärsivien potilaiden kanssa järjestelmämme avulla. Tulevassa työssämme aiomme testata monia oppiaineita ja vaikeavammaisia.

kilpailevat intressit

tätä tutkimusta rahoitti SYOWA Co. Ltd.

kiitokset

tätä tutkimusta tuki Miyazakin Prefectural Industrial Support Foundation (r&D) ja nuorten tutkijoiden apuraha (B) (23700668) KAKEN. Kirjoittajat ovat kiitollisia Kazuhiko Inamille ja Kazuya Gondoulle. He antavat kiitollisina tunnustusta laboratorionsa entisten ja nykyisten jäsenten työlle.