- absztrakt
- 1. Bevezetés
- 2. A mérőrendszer
- 2.1. Keresztcsatornák
- 2.2. Az EOG-sEMG mérőrendszer
- 2.3. Az EOG-sEMG érzékelő eszköz
- 3. Az EOG felvételi rendszer
- 4. sEMG Jelrögzítés
- 5. Mintafelismerő algoritmus
- 6. Kísérletek és eredmények
- 6.1. Mintafelismerési kísérlet
- 6.2. Mintafelismerési kísérleti eredmények
- 6.3. Karakterbeviteli kísérlet
- 6.4. Karakterbeviteli kísérleti eredmények
- 7. A súlyosan fogyatékos személyek kísérleti eredményei
- 8. Következtetések
- versengő érdekek
- Köszönetnyilvánítás
absztrakt
a tanulmány célja az elektrookulogram (EOG) és a felszíni elektromiogram (sEMG) jelek bemutatása, amelyek ember-számítógép interfészként használhatók. A nyílt beszéd és kézmozdulatok nélküli kommunikáció hatékony alternatív csatornájának kialakítása fontos az amiotrófiás laterális szklerózisban, izomdisztrófiában vagy más betegségben szenvedő betegek életminőségének javításához. Ezen a papíron, javasolunk egy EOG-sEMG ember-számítógép interfész rendszert a kommunikációhoz, mind a keresztcsatornák, mind a párhuzamos vonalak csatornáinak felhasználásával az arcon ugyanazokkal az elektródákkal. Ez a rendszer képes rögzíteni az EOG és sEMG jeleket” kettős modalitásként ” a mintafelismeréshez egyidejűleg. Bár akár 4 mintát is fel lehetett ismerni, a betegek állapotával foglalkozva, csak két osztályt választunk (bal és jobb mozgás) az EOG-ból és két osztályt (bal és jobb pislogás) a sEMG-ből, amelyek könnyen megvalósíthatók a szimulációhoz és a monitoring feladathoz. A szimulációs eredmények alapján rendszerünk 95,1%-os pontossággal négymintás osztályozást ért el.
1. Bevezetés
a szemmozgások során a szaruhártyán és a retinán egy potenciál létezik, és ez az elektrookulogram (EOG) alapja. Az EOG modellezhető egy dipólus segítségével, és felhasználható az orvosi rendszerekben. Számos EOG-alapú ember-számítógép interfész tanulmány található az irodalomban. Például egy szemmozgással vezérelt kerekesszéket fejlesztenek ki a fogyatékkal élők és az idősek számára. A szemmozgási jelek és az érzékelő jelek kombinálódnak, és mind az irányt, mind a gyorsulást szabályozzák . A felszíni elektromiogram jeleket (semg) a bőr felszínén észlelik, és az izomrostok elektromos aktivitása generálja a kontrakció során . A mozgó izmokat a sEMGs elemzésével lehet kimutatni. A sEMGs egyik fontos alkalmazása a mesterséges lábak ellenőrzése. Bár a fejmozgás, amely természetes gesztus , felhasználható egy bizonyos irány jelzésére, a súlyosan fogyatékos emberek nem tudják mozgatni a nyakukat és a fejüket. Ezek közül az emberek közül sokan alkalmazhatják az arcizom mozgását. a sEMG az arcizomtevékenységek tanulmányozásának egyik módja az akciós potenciálok rögzítésével a szálakból. a sEMG felületi elektródákkal detektálható, amelyek könnyen alkalmazhatók és nem invazív jellegűek, és nem jelentenek egészségügyi és biztonsági kockázatot a felhasználók számára. A számítógépes rendszerek face sEMG jelek segítségével is vezérelhetők . Ezek a számítógépes rendszerek sEMG érzékelők segítségével felismerik az arc mozgását (bal pislogás, jobb pislogás és harapás). Továbbá az EOG, az elektroencefalogram (EEG) és az EMG jelek valós időben osztályozhatók, és egy mesterséges neurális hálózati osztályozó segítségével irányíthatják a mozgatható robotokat .
az EOG-k ember-számítógép interfészre történő alkalmazásának lehetőségét vizsgálva meghatározzuk a látószög és az EOG közötti kapcsolatot. A mélyreható vizsgálatok azt találták, hogy a lassan változó kiindulási sodródás megnehezíti a folyamatos EOG jelek becslését, és ez a sodródás csak az egyenáramú (DC) jelekben jelenik meg az áramkörben. Ennek a kérdésnek a leküzdése érdekében rendszerünk korábban javasolta az eogs váltakozó áramának (AC) használatát az alapvonal eltolódásának csökkentése érdekében a jel szegmentálásával . Ezekben a dolgozatokban bemutattuk az egér kurzorvezérlő rendszert az EOGs technikánkkal. A szemmozgási osztály kezdeti küszöbértékei (jobb, bal és önkéntes pislogás) empirikusan minden egyes felhasználó számára külön-külön kerülnek meghatározásra. Két szem mozgás osztályok (jobb és bal) parancs az azonos mozgás az egér kurzor. Ezekben a papírokban az átlósan jobb alsó irányú szemmozgás a kattintások feldolgozásának parancsa. Ezenkívül az önkéntes pislogás a kattintások feldolgozásának parancsa is. Ezeknek a rendszereknek azonban olyan problémája van, amelyben az arc sEMG jelek zajossá válnak az EOG jelek számára.
ebben a tanulmányban EOG-sEMG emberi interfész rendszert fejlesztünk a kommunikációhoz. Javasolt EOG-eszközünknek nincs problémája a szem villogásából származó tárgyakkal. Olyan algoritmust alkalmazunk, amely mind a DC elem dinamikus variációját, mind az AC elem mintaosztályozását használja. A jel ezen szegmentálása csökkenti az alapvonal eltolódását. Bár volt egy 3-elektródos módszer, amely képes mérni a függőleges és vízszintes komponenseket az EOG-ban , amelyet az EEG mérés során zajnak tekintettek, EOG rendszerünk továbbra is keresztcsatornákat használ, amelyek 4 elektródát használnak mind az EOG mérési pontosságának javítására, mind az EOG-sEMG “kettős modalitás” folyamatának egyidejű megvalósítására. Ezenkívül a többcsatornás EOG jelek teljesítménye hasonló a pluszcsatornás módszerhez, amelyet széles körben használnak az EOG mérésében. Ezenkívül a keresztcsatornás EOG jelek módszerének elektródpozíciója jó tulajdonsága, hogy a sEMG egyidejűleg is hatékonyan mérhető. Más papírokkal összehasonlítva ez hasznos érdem.
összehasonlítva más kapcsolódó kutatásokkal ember-számítógép interfészek a fogyatékkal élők segítésére, mint például a szemkövető rendszerek, amelyek képfeldolgozást használnak, az EOG-sEMG javaslatunk alapján az ember-számítógép interfész erős interferencia-képességgel rendelkezik a környezetből, például a fényekből és a zajokból. A betegek látás nélkül is használhatják ezt a típusú felületet. Különösen az ALS-betegek még a terminális stádiumban is képesek voltak kontrollálni a szemgolyóikat és a szem körüli izmokat, amelyben a javaslatunk alapján az EOG-sEMG-t is használhatták ember-számítógép interfész is. Bár a képfeldolgozó eszközöket széles körben használják, mivel intuitívabbak és kiszámíthatóbbak, a javaslatunkra épülő EOG-semg ember-számítógép interfész továbbra is jó választást nyújt a súlyosan fogyatékos személyek számára.
ebben a cikkben egy olyan technikát javasolunk, amely képes az arcmintázat felismerésére az eogs és a sEMGs rögzítésével. A javasolt módszer teljesítményének bizonyítása érdekében 3 kapcsolódó kísérletet próbáltunk lépésről lépésre. Eleinte, bár 7 osztályt lehetett felismerni, amelyek a betegek valós állapotával és a kezdeti pontossági tesztekkel foglalkoznak, csak az EOG két osztályát (bal és jobb mozgás) és a sEMG két osztályát (bal és jobb pislogás) választjuk, amelyek könnyen megvalósíthatók szimulációs és monitorozási feladatokhoz. Ezután kísérleteket végeztünk a karakter bemenetekkel a javasolt rendszer használatával a 4 osztályokkal. A kísérleti résztvevők huszonéves egészséges férfiak voltak, akik beleegyeznek abba, hogy kényszer nélkül csatlakozzanak kísérleteinkhez. Ezekből a kísérletekből megmutattuk, hogy a javasolt rendszerünk négymintás felismerését könnyű megtanulni és használni. Továbbá alkalmaztuk a javasolt egyszerűsített módszert (szoftver, amely képes karakterbevitel egyetlen kattintással (egy mintafelismerés)) a súlyosan fogyatékos személyek számára (izomdisztrófiás betegek).
2. A mérőrendszer
2.1. Keresztcsatornák
amint az 1(a) ábrán látható, a pluszcsatornás módszert széles körben használják az EOG jelek rögzítésének legáltalánosabb módjaként az előző kutatásban: a vízszintes jeleket az 1 .csatorna (CH1), a függőleges jeleket pedig a 2. csatorna (CH2) rögzítette. Ebben a tanulmányban az EOG jelek pontosságának javítása érdekében egy új, keresztcsatornás módszert javasolunk, amint azt az 1(b) ábra mutatja. A vízszintes és a függőleges jeleket mindkét csatorna egyszerre rögzítheti. Sokkal könnyebb elemezni az adatokat kettős jelek segítségével.
2.2. Az EOG-sEMG mérőrendszer
ebben az alszakaszban az EOG-EMG mérőrendszer kialakítását javasoljuk. A 2. ábra az EOG és sEMG jelek gyűjtésének és elemzésének formális rendszerét mutatja be a rendszeren keresztüli információáramlás és ellenőrzés céljából. Javasolt rendszerünk négy részből áll: (1) erősítő, (2) szűrő, (3) A/D átalakító és (4) egér kurzor vezérlő rendszer. Pontosabban ez azt jelenti, hogy a rendszer öt elektródából, egy A / D átalakítóból, egy személyi számítógépből és egy monitorból áll (a 2.ábrán látható). A sEMG jelek két csatornájához négy elektródát ragasztanak az arcra, az egyik elektródát pedig a jobb vagy a bal csuklóra ragasztják földként.
(a)
(b)
(a) (b)
2.3. Az EOG-sEMG érzékelő eszköz
ebben az alszakaszban bemutatjuk az ebben a tanulmányban használt interfész eszközt. A 3. ábra az interfész eszközt viselő személyt mutatja. Ez az interfész eszköz hasonlít a szemüvegre vagy a szemüvegre, rögzítve az elektródákat. A készülék által mért jeleket Bluetooth-on keresztül továbbítják a számítógépre. Az elküldött adatokat a 4.ábra mutatja. A mért jelek két EOG-csatorna (2 ch) EGYENÁRAMAI, amelyek CH1 és CH2, valamint két EOG-csatorna (CH3 és CH4) váltakozó áramai. Ugyanakkor a sEMG 2 ch jelét is megmérjük, amelyek CH5 és CH6. A mért adatok részleteit a következő szakaszban mutatjuk be.
3. Az EOG felvételi rendszer
ebben a szakaszban bemutatjuk az EOG felvételi rendszert. Javasolt EOG rendszerünk két áramláson alapul: (1) Az erősítő és az aluláteresztő szűrő (DC elem) és (2) az erősítő, aluláteresztő szűrő és a felüláteresztő szűrő (AC elem). A jel amplitúdójának (1000-szeres) és a biopotenciális adatgyűjtő rendszer Zajcsökkentő intézkedéseinek rögzítése után négyféle szemmozgás (jobb, bal, fel és le) pontosan felismerhető, és az elektronikus zajcsökkentés is sikeres. Meg kell jegyezni, hogy a vízszintes EOG jelek erősebbek, mint a függőleges EOG jelek. Ennek oka, hogy a függőleges szakkádok lassabbak, mint a vízszintes szakkádok, a lefelé irányuló szakkádok pedig a leglassabbak . Az 5-8. ábra azt mutatja, hogy a négy szemmozgás (jobbra, balra, felfelé és lefelé) egyértelműen különbözik egymástól. Ezenkívül a CH1 és a CH2 DC jelek, amelyek felhasználhatók a szem folyamatos mozgásának rögzítésére. A CH3 és a CH4 az EOG AC jelei. Ezért a CH3 és a CH4 csak a szemmozgásokra reagál erősen.
mivel az EOG jelek mind a négy szemmozgásnál megváltoznak, importáltuk a Ch1 + CH2 − t, amelyet a függőleges jelekhez, a Ch1-CH2-t pedig a vízszintes jelekhez használunk. A kísérletek során minden résztvevőt arra kértünk, hogy mozgassa a szemgolyóját, hogy kövesse a következő sorrendet: közép-jobb-közép-bal-közép-fel-Közép-le-központ. E két új eljárás eredményeit a 9. ábra mutatja.
4. sEMG Jelrögzítés
a 2. ábra a semg jelek gyűjtésének és elemzésének formális sémáját mutatja a rendszeren keresztüli információáramlás és ellenőrzés céljából. Rendszerünk a következő négy komponensből áll: (1) felületi elektródák, (2) erősítő, (3) felüláteresztő szűrő és (4) személyi számítógép sEMG jel osztályozáshoz. A felületi elektródák által detektált sEMG jeleket az adatgyűjtés előtt felerősítik és szűrik, hogy csökkentsék a zajtermékeket és javítsák az adatelemzéshez szükséges információkat tartalmazó spektrális komponenseket. A sEMG jelek két csatornája használható az arc mozgásának felismerésére. A DC szint és a 60 Hz-es tápvezeték zajának eltávolításához a felüláteresztő szűrőt használják. A felüláteresztő szűrő vágási frekvenciája 66,7 Hz.
a 10.ábrán látható felvételek a rendszerünkben alkalmazott Zajcsökkentő intézkedéseket mutatják be. Ennek eredményeként a három sEMG osztály (jobb blink, bal blink, bite) adatai egyértelműen eltérnek egymástól. Szűrés és erősítés után (körülbelül 1000-szer) a sEMG jeleket digitalizálják, majd átviszik a személyi számítógépre. A mérési adatok mintavételi frekvenciája 1 KHz egy 0 Hz-től 500 Hz-ig terjedő sávban.
a semg jeleket a mozgó átlag feldolgozása dolgozza fel. A mozgóátlag feldolgozás kiszámítja az előző adatpontok korrigált és súlyozatlan átlagát. Ezután a mozgó átlag feldolgozás utáni értéket a küszöb alapján “aktív” vagy “inaktív” értékként határozzák meg. A küszöbértékeket (CH5 és CH6) a felhasználók határozzák meg. Ez a módszer szükséges az egyes felhasználók küszöbértékének beállításához. Sőt, ez a rendszer nem reagál a szokásos villogásra. A 11. ábra ennek a folyamatnak a diagramját mutatja.
5. Mintafelismerő algoritmus
ebben a szakaszban bemutatjuk a javasolt EOG-sEMG mintafelismerő algoritmust. A 12. ábra a javasolt rendszer teljes áramlását mutatja. Ez a folyamat ismétlődő lépésekből áll. A mintafelismerés öt osztályból áll: két osztály (bal és jobb mozgás) az EOG számára és a három osztály (bal pislogás, jobb pislogás és harapás) a sEMG számára.
Ha a semg adatok a jelfeldolgozás után túllépnek egy küszöbértéket, a sEMG adatok mintázatát csak CH1 (jobb pislogásszerű mozgás) vagy csak CH2 (bal pislogásszerű mozgás) vagy mindkettő (harapás vagy erős pislogás) határozza meg. Javasolt algoritmusunk inicializálja az EOG DC elemeit a sEMG tevékenység befejezése után. Továbbá, amikor az EOG AC eleme nem változott (a szemek nem mozognak) és a sEMG nem aktív, javasolt algoritmusunk inicializálja azt a referenciaértéket, amelyet a szemek elöl néznek (“EOG megújítás” a 12.ábrán). Más szavakkal, rendszerünk meghatározza, hogy a szemek elöl néznek, mert az AC elem nem változik. Abban az időben a rendszerünk frissíti a DC elemek referenciaértékét. Ezt követően rendszerünk a DC-ben bekövetkezett változás összegét használja fel ebből a referenciaértékből.
a kísérleti szabályból az aktív és az inaktív közötti küszöbérték kerül beállításra. Ezután, amikor a szemek mozognak, algoritmusunk összehasonlítja a Ch1 + CH2 és a CH1 − CH2 változó tartományát. Ha a CH1-CH2 nagyobb, algoritmusunk elvégzi az EOG meghatározási folyamatát. Ha a CH1 + CH2 nagyobb, algoritmusunk meghatározza, hogy a szemek függőleges irányban mozogtak, mert a szem függőleges irányára vonatkozó EOG-adatok hasonlóak a pislogási minta EOG-adataihoz. Ezenkívül kísérleti eredményeink azt mutatják, hogy sok ember nem tudja könnyen ellenőrizni a szem felfelé irányuló irányát.
ezután bemutatjuk az EOG mintafelismerő algoritmust, amely a 13.ábrán látható példa az EOG mintafelismerő feldolgozásra. Bár a 9. ábra azt mutatja, hogy az összes szemmozgás a CH1 + CH2 és a CH1 − CH2 értékek ellenőrzésével lehetséges, a minta menetelő algoritmusa továbbra is szükséges a drift probléma által okozott alapeltolódás megoldásához. A 13. ábra algoritmuslépései a következők: (1) az EOG egyenáramú és váltóáramú elemei meghaladják a helyes irány küszöbértékét. Megállapítást nyert, hogy ez a szem helyes iránya.(2) az egyenáramú elem továbbra is meghaladja a helyes irány küszöbértékét, és az AC elem visszatér az alapvonalhoz. A szem iránya továbbra is jobbra van.(3) az AC elem nagymértékben megváltozik negatív irányban, amikor a szem iránya visszatér a középső helyzetbe.(4) az AC elem és a DC elem visszatér az egyes elemek alapvonalához. Ezután az alapvonal frissül.Rendszerünk ennek az algoritmusnak a segítségével végzi el a szem jobb és bal mozgásának meghatározását. Ez az algoritmus lehetővé teszi az irány meghatározását. Ez nehéz folyamat, ha csak az AC elemet használja.
6. Kísérletek és eredmények
a javasolt rendszer hatékonyságának teszteléséhez két kísérletet végeztünk: az egyik egy mintafelismerő teszt, a másik egy karakterbeviteli teszt.
6.1. Mintafelismerési kísérlet
először a két szemmozgási osztály (jobb és bal) és a három arc sEMG osztály (jobb pislogás, bal pislogás és harapás) mintaosztályozási kísérleteket végeztünk. Az egyes műveletek intervalluma 3 másodperc (a 14.ábrán látható). Minden résztvevő kilenc alkalommal végzett minden szemmozgást. Ezenkívül teszteltük, hogy javasolt rendszerünk elutasíthatja-e a normál pislogást. A normál blink elutasítási tesztet 30 alkalommal hajtottuk végre. A kísérletek résztvevői nyolc egészséges férfi voltak, akik húszas éveikben a laboratóriumunk összes száma, akik beleegyezésüket adták a kísérletben való részvételhez.
6.2. Mintafelismerési kísérleti eredmények
a mintafelismerési kísérleti eredményeket az 1.táblázat mutatja, az utolsó sor pedig az egyes minták teljesítményértékelését (PE) mutatja az 5 pont szabály szerint (5 pontnál helyes, 2 pontnál elutasító, 0 pontnál hiányzik). Az elutasítás azt jelenti, hogy a bemeneti minta nem reagált. Miss azt jelenti, hogy a bemeneti minta rossz válasz volt. A kísérletek alapján a javasolt rendszerünk EOG mintafelismerése (jobbra és balra) megbízható. Ezekből a kísérleti eredményekből a javasolt rendszerünk jó teljesítményt mutat a négy osztály felismerésében (jobb, bal, jobb és bal pislogás). Az átlagos felismerési arány 95,1% volt, az átlagos elutasítási arány 1,4% volt, az átlagos kihagyási arány pedig csak 3,5% volt, az átlagos PE pedig 4,79 az 5-ből.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
a sEMG harapásmintázat felismerése azonban nem olyan jó, mint várták. Ennek egyik oka az, hogy néhány embernek okkluzális rendellenességei vannak, amelyek eltérést okoznak az arcuk között. Ezt a fajta harapási műveletet általában jobb vagy bal pislogásnak ismerték el. A másik ok az, hogy a normál pislogás megkülönböztetésére egy küszöbhangolási módszert használtunk, a normál pislogás elutasítási tesztje pedig 97% – os sikerességi arányt mutatott (232/240). E módszer szerint a harapási műveletek, amelyek nem tudták átlépni a küszöböt, ugyanúgy elutasításra kerülnek, mint a normál pislogás.
6.3. Karakterbeviteli kísérlet
ezután elvégeztük a karakterbeviteli kísérletet a négy osztály (jobb (EOG), bal (EOG), jobb pislogás (sEMG) és bal pislogás (sEMG)) használatával. Az ábécé mondat beviteli szoftver, kiadós létra, ábrán látható 15. A négyosztályos kiválasztási módszert alkalmaztuk. A négy mintát a következőképpen rendeltük hozzá: jobb (EOG) a jobb alsó terület kiválasztásának parancsa. Bal (EOG) a bal alsó terület kiválasztásának parancsa. A jobb pislogás (sEMG) a jobb felső terület kiválasztásának parancsa. A bal villogás (sEMG) a bal felső terület kiválasztásának parancsa.A felhasználó megismételte a négy minta szűrését, amíg az utolsó minta karakterét nem választotta ki. A kontroll intervallum 0,1 s. kísérleteket végeztünk a” miyazaki ” beviteli feladattal (8 karakter: 4 művelet 1 karakterhez), amely egyetemünk neve. A kísérletek résztvevői kilenc egészséges, húszas éveiben járó férfi voltak, akik beleegyeztek a kísérletben való részvételbe. A kísérleti résztvevők között hat ember volt, akik tapasztalták ezt a rendszert.
6.4. Karakterbeviteli kísérleti eredmények
a “miyazaki” beviteli feladat öt kísérletét kipróbáltuk. Megszámoltuk a hiányzások számát és az időtartamot a bemenet végéig. A kísérleti eredményeket a 2.táblázat mutatja. Ezekből a kísérletekből egy próba átlagos ideje 50,0 s volt.az ábécé egy karakterének átlagos bemeneti ideje körülbelül 6,3 s (50 S/8 karakter) volt a javasolt rendszerünkben. A leggyorsabb résztvevő, K. M ideje 4,5 s volt (35,8 s/8 karakter). Továbbá, ha a résztvevők M. F, M. S, R. K akik már használják a javasolt rendszer több mint 100 óra, mint a tapasztalt, és a másik 6 résztvevő, akik nem használják a javasolt rendszer véletlenül tapasztalatlannak, az átlagos idő a tapasztalt résztvevők 49.2 s, a tapasztalatlan résztvevőké pedig 51,5 s. a tapasztalatlan résztvevők kihagyási aránya szintén alacsony volt. Ezen eredmények alapján úgy véljük, hogy javasolt rendszerünk egyik előnye, hogy a felhasználóknak nincs szükségük sok képzésre.
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
a javasolt módszer teljesítményét összehasonlítottuk az EOG módszerrel és a sEMG módszerrel. Az EOG módszer a jobb és bal szemmozgásokat csak 2 osztásos szelekciós módszerként alkalmazta. Az alkalmazott semg módszer jobbra villog, balra pedig csak 2 osztásos kiválasztási módszerként villog. A “miyazaki” beviteli feladat öt kísérletének ugyanazokat a kísérleteit próbáltuk ki ugyanazokkal a résztvevőkkel. Ezeket a kísérleti eredményeket a 3.táblázat mutatja. Látható, hogy javasolt módszerünk mindhárom módszer közül a legjobb teljesítményt nyújtja. Kiszámítottuk az egy művelethez szükséges időt. Az EOG módszer 1,93 s, a sEMG módszer 1,65 s, a javasolt módszerünk pedig 1,56 s. ezenkívül a sEMG módszer miss aránya kisebb volt, mint a javasolt módszeré. Az egyik legmeggyőzőbb ok az, hogy a műveletek száma (7 művelet 1 karakterhez) nagyobb a 2 osztású kiválasztási módszernél, mint a 4 osztású kiválasztási módszernél.
|
||||||||||||||||||||||||||||
amint ebben a szakaszban említettük, 2 vagy 4 mintát lehet felismerni a javasolt rendszerünkkel. Mindezeket a mintákat külön funkciókként lehet hozzárendelni, és a felhasználók állapotával foglalkozva ezeket a mintákat bármilyen kombinációjuk alkalmazhatja. A következő részben, megvitatjuk a javasolt rendszer alkalmazását a súlyosan fogyatékos személyek számára, csak 1 mintát használva.
7. A súlyosan fogyatékos személyek kísérleti eredményei
ebben a tanulmányban a javasolt módszert alkalmaztuk a súlyosan fogyatékos személyek (izomdisztrófiás betegek). Megkaptuk a Miyazaki egyetem etikai bizottságának jóváhagyását. A 6. szakasz bonyolult művelettel végzett kísérlete nagy fáradtságot okoz a fogyatékkal élők számára, ezért a kísérleteket úgy hajtották végre, hogy egy karaktert egyetlen kattintással beírnak az EOG vagy sEMG segítségével. Csak egy mintát választottak ki az EOG vagy sEMG minták közül, amelyek könnyen felhasználhatók. Ebben a karakterbeviteli módszerben a karaktert a szoftver automatikusan kiválasztja; a felhasználó kiválasztható, ha rákattint, amikor a cél karaktert a szoftver választotta. Ebben a kísérletben a kattintási feldolgozást az EOG vagy sEMG aktivitás felismerésével hajtják végre.
Ez a kísérlet volt a két alany. Annak érdekében, hogy minimalizáljuk az alanyok és a környezet fizikai állapotának hatásait, ugyanazokat a kísérleteket 10 alkalommal, különböző napokon, különböző alkalmakkor próbáltuk ki. A folyamatos 30 perc egy kísérletben a japán karakterbevitel tesztelésére használták. A 4. táblázat a kísérleti eredményeket mutatja. A 4. táblázatból a sEMG módszer felismerési aránya 99,2%, az EOG módszer felismerési aránya pedig 98,0%. A beviteli idő körülbelül 1-2 másodperc volt az egészséges alanyokhoz képest. Ezért a fogyatékkal élők ugyanazt az eredményt kapják, mint az egészségesek egyetlen kattintással. Ezekből az eredményekből azt mondhatjuk, hogy megközelítésünk hatékony a súlyosan fogyatékos személyek esetében.
|
||||||||||||||||||
8. Következtetések
ebben a tanulmányban bemutattunk egy EOG-sEMG ember-számítógép interfész eszközt, amelyet amyotrophiás laterális szklerózisban vagy más betegségben szenvedő betegek számára terveztek. Mind a keresztcsatornákat, mind a párhuzamos vonalakat az arcon ugyanazzal a 4 elektródával használjuk. Ez a rendszer képes rögzíteni az EOG és sEMG jeleket kettős menetvágásként a mintafelismeréshez egyidejűleg. Továbbá az EOG AC és DC elemeinek kombinációját alkalmazó javasolt módszerünk csökkenti a megfelelő sodródást, és lehetővé teszi a folyamatos működést a szemmozgások rögzítésében. A kísérleti eredmények azt mutatták, hogy a javasolt módszer hatékony a négy minta felismerésére (jobb (EOG), bal (EOG), jobb pislogás (sEMG) és bal pislogás (sEMG)). Különösen, javasolt módszerünk jó teljesítményt mutatott a karakterbeviteli kísérletek során. A hiányzó arány csak 1,4% volt. Ráadásul a tapasztalatlan és tapasztalt résztvevők eredményei nagyon kevés különbséget mutattak. Ezen eredmények alapján úgy gondoljuk, hogy javasolt rendszerünk egyik előnye, hogy a felhasználóknak nincs szükségük sok képzésre.
ezenkívül összehasonlítottuk a javasolt módszert az EOG módszerrel és a sEMG módszerrel. Javasolt módszerünk a legrövidebb időt igényelte a karakterbevitelhez. Javasolt ember-számítógép interfészünk alkalmazható az EOG rendszerben, a sEMG rendszerben és az EOG-sEMG rendszerben. Rendszerünket olyan betegek számára lehet használni, akik csak a szemmozgásukat tudják ellenőrizni. Lehetőség van arra is, hogy csak a sEMG jeleket használjuk nagy sikerességgel, amíg a felhasználó kényelmesen használja az eszközt. Javasolt ember-számítógép interfészünknek az az előnye, hogy a helyzettől függően használható.
reméljük, hogy rendszerünk segítségével képesek leszünk kommunikálni az amiotróf laterális szklerózisban vagy más betegségben szenvedő betegekkel. A jövőbeni munkánk során számos tantárgyat és több súlyosan fogyatékos embert tesztelünk.
versengő érdekek
ezt a kutatást a SYOWA Co. Kft.
Köszönetnyilvánítás
ezt a kutatást a Miyazaki Prefectural Industrial Support Foundation (r& D) és a fiatal tudósok számára nyújtott támogatás (B) (23700668) KAKEN támogatta. A szerzők hálásak Kazuhiko Inami Úrnak és Kazuya Gondou Úrnak. Hálásan elismerik laboratóriumuk korábbi és jelenlegi tagjainak munkáját.