- Abstract
- 1. Inleiding
- 2. Het meetsysteem
- 2.1. Cross-channel
- 2.2. Het EOG-sEMG-meetsysteem
- 2.3. De EOG-sEMG sensor
- 3. Het EOG-opnamesysteem
- 4. sEMG-signaalopname
- 5. Patroonherkenningsalgoritme
- 6. Experimenten en resultaten
- 6.1. Patroonherkenningsexperiment
- 6.2. Patroonherkenning experimentele resultaten
- 6.3. Character Input Experiment
- 6.4. Experimentele resultaten
- 7. Experimentele resultaten van de ernstig Gehandicapten
- 8. Conclusies
- concurrerende belangen
- Dankbetuigingen
Abstract
het doel van deze studie is het presenteren van elektrooculogram (EOG) en oppervlakte-elektromyogram (sEMG) signalen die kunnen worden gebruikt als een mens-computer interface. Het opzetten van een efficiënt alternatief kanaal voor communicatie zonder openlijke spraak en handbewegingen is belangrijk voor het verhogen van de kwaliteit van leven voor patiënten die lijden aan amyotrofe laterale sclerose, spierdystrofie, of andere ziekten. In dit artikel stellen we een EOG-sEMG mens-computer interface systeem voor communicatie met behulp van zowel cross-kanalen en parallelle lijnen kanalen op het gezicht met dezelfde elektroden. Dit systeem kan EOG-en sEMG-signalen als “dual-modaliteit” registreren voor patroonherkenning tegelijk. Hoewel zo veel als 4 patronen kunnen worden herkend, omgaan met de toestand van de patiënten, kiezen we slechts twee klassen (links en rechts beweging) van EOG en twee klassen (links knipperen en rechts knipperen) van sEMG die gemakkelijk te realiseren zijn voor simulatie en monitoring taak. Op basis van de simulatieresultaten behaalde ons systeem een classificatie met vier patronen met een nauwkeurigheid van 95,1%.
1. Inleiding
tijdens oogbewegingen bestaat er een potentieel over het hoornvlies en het netvlies, en het is de basis voor het elektrooculogram (EOG). De EOG kan worden gemodelleerd door een dipool en gebruikt in medische systemen. Verschillende EOG – gebaseerde mens-computer interfacestudies zijn te vinden in de literatuur. Zo wordt voor gehandicapten en ouderen een rolstoel met oogbewegingen ontwikkeld. De bewegingssignalen van het oog en de sensorsignalen worden gecombineerd en zowel richting als versnelling worden geregeld . De signalen van het oppervlaktememyogram (sEMGs) worden gedetecteerd over het huidoppervlak en worden gegenereerd door de elektrische activiteit van spiervezels tijdens contractie . Bewegende spieren kunnen worden gedetecteerd door sEMGs te analyseren. Een van de belangrijke toepassingen van sEMGs is het beheersen van kunstbenen. Hoewel hoofdbeweging, een natuurlijk gebaar, kan worden gebruikt om een bepaalde richting aan te geven , kunnen ernstig gehandicapte mensen hun nek en hoofd niet bewegen. Echter, veel van deze mensen kunnen gebruik maken van gezichtsspier beweging. sEMG is een manier om de activiteiten van de gezichtsspier te bestuderen door het actiepotentieel van het samentrekken van vezels te registreren. sEMG kan worden gedetecteerd met oppervlaktelektroden, die gemakkelijk aan te brengen en niet-invasief zijn en geen gezondheids-en veiligheidsrisico ‘ s voor de gebruikers vormen. Computersystemen kunnen ook worden bestuurd met behulp van face sEMG-signalen . Deze computersystemen kunnen gezichtsbewegingen herkennen (links knipperen, rechts knipperen en bijten) door sEMG-sensoren te gebruiken. Bovendien kunnen EOG, electroencephalogram (EEG), en EMG signalen worden geclassificeerd in real time en kunnen mobiele robots besturen met behulp van een kunstmatige neurale netwerk classifier .
onderzoek naar de mogelijkheid om EOG ‘ s te gebruiken voor een mens-computer interface, wordt de relatie tussen de kijkhoek en een EOG bepaald. Diepgaande studies hebben aangetoond dat de langzaam veranderende basislijn drift het moeilijk maakt om continue EOG signalen te schatten, en deze drift verschijnt alleen in gelijkstroom (DC) signalen in het circuit. Om dit probleem op te lossen, stelde ons systeem eerder het gebruik van wisselstroom (AC) van EOGs voor om de basislijndrift door segmentatie van het signaal te verminderen . In deze papers introduceerden we het muiscursor-besturingssysteem met behulp van onze eogs-techniek. De begindrempels van de eyes movement class (rechts, links en vrijwillig knipperen) worden empirisch individueel bepaald voor elke gebruiker. Twee ogen beweging klassen (rechts en links) zijn commando van dezelfde beweging van de muis cursor. In deze papers , de ogen beweging van diagonaal rechtsonder richting is een commando van klikverwerking. Daarnaast is de vrijwillige blink ook een opdracht van klikverwerking. Deze systemen hebben echter een probleem waarbij de semg-signalen van het gezicht luidruchtig worden voor EOG-signalen.
in deze studie ontwikkelen we een EOG-sEMG human interface systeem voor communicatie. Ons voorgestelde EOG-apparaat heeft niet het probleem van artefacten van oog knipperen. We passen een algoritme toe dat zowel de dynamische variatie van het DC-element als de patroonclassificatie van het AC-element gebruikt. Deze segmentatie van het signaal vermindert de basislijn drift. Hoewel er een 3-elektrode methode was die verticale en horizontale componenten in EOG kon meten, wat werd beschouwd als het geluid tijdens het EEG-meten, gebruikt ons EOG-systeem nog steeds cross-channels die 4 elektroden gebruiken om zowel de nauwkeurigheid van EOG-meten te verbeteren als het EOG-sEMG “dual-modality” – proces tegelijkertijd te realiseren. Bovendien, de cross-channel EOG signalen hebben een soortgelijke prestaties als de plus-channel methode die veel wordt gebruikt in EOG meten. Bovendien heeft de elektrodepositie van cross-channel EOG-signaalmethode een goede eigenschap dat sEMG ook effectief tegelijkertijd kan worden gemeten. In vergelijking met andere documenten is dit een nuttige verdienste.
vergeleken met andere verwante onderzoeken naar mens-computer interfaces voor het helpen van mensen met een handicap , zoals eye tracking systemen, die gebruik maken van beeldverwerking, de EOG-sEMG op basis van ons voorstel mens-computer interface heeft een sterke anti-interferentie vermogen van de omgeving, zoals lichten en geluiden. De patiënten konden dit soort interface zelfs zonder zicht gebruiken. In het bijzonder konden de ALS-patiënten nog steeds hun oogbollen en spieren rond de ogen controleren, zelfs in het terminale stadium, waarin ze ook de EOG-sEMG konden gebruiken op basis van ons voorstel mens-computer interface. Hoewel beeldverwerkingsapparaten op grote schaal worden gebruikt omdat ze intuïtief en voorspelbaarder zijn, biedt de EOG-sEMG op basis van ons voorstel mens-computer interface nog steeds een goede keuze voor ernstig gehandicapten.
in dit artikel stellen we een techniek voor die gezichtspatroon herkenning kan uitvoeren door de EOGs en semg ‘ s op te nemen. Om de prestaties van onze voorgestelde methode te bewijzen, hebben we stap voor stap 3 verwante experimenten geprobeerd. In eerste instantie, hoewel zo veel als 7 klassen konden worden herkend, omgaan met de echte toestand van de patiënten en de initiële nauwkeurigheid tests, kiezen we slechts twee klassen (links en rechts beweging) van EOG en twee klassen (links knipperen en rechts knipperen) van sEMG die gemakkelijk te realiseren zijn voor simulatie en monitoring taak. Vervolgens voerden we experimenten uit met karakteringangen door ons voorgestelde systeem te gebruiken met die 4 klassen. De experimentele deelnemers waren gezonde mannen van in de twintig die ermee instemmen om mee te doen aan onze experimenten zonder dwang. Uit deze experimenten toonden we aan dat de vier-patroonherkenning van ons voorgestelde systeem gemakkelijk te leren en te gebruiken is. Verder hebben we onze voorgestelde vereenvoudigde methode (software die karakterinvoer met één klik kan doen (één patroonherkenning)) toegepast voor de ernstig gehandicapten (patiënten met spierdystrofie).
2. Het meetsysteem
2.1. Cross-channel
zoals te zien is in Figuur 1 (a) wordt de plus-channel methode op grote schaal gebruikt als de meest conventionele manier voor het opnemen van EOG-signalen in het vorige onderzoek: de horizontale signalen werden geregistreerd door Kanaal 1 (CH1) en de verticale signalen werden geregistreerd door Kanaal 2 (CH2). In dit document wordt, om de nauwkeurigheid van de EOG-signalen te verbeteren, een nieuwe cross-channel methode voorgesteld zoals weergegeven in Figuur 1(b). De horizontale en verticale signalen kunnen door beide kanalen tegelijkertijd worden geregistreerd. Het is veel gemakkelijker om gegevens te analyseren met behulp van dubbele signalen.
2.2. Het EOG-sEMG-meetsysteem
in deze subsectie wordt het ontwerp van het EOG-EMG-meetsysteem voorgesteld. Figuur 2 toont het formele schema voor de verwerving en analyse van de EOG-en sEMG-signalen voor controle en informatiestroom door het systeem. Ons voorgestelde systeem bestaat uit vier componenten: (1) versterker, (2) filter, (3) A/D converter, en (4) muis cursor besturingssysteem. Concreet betekent dit dat het systeem bestaat uit vijf elektroden, een A/D-converter, een personal computer en een monitor (weergegeven in Figuur 2). Vier elektroden voor de twee kanalen van sEMG signalen worden geplakt op het gezicht, en een elektrode wordt geplakt op de rechter of linker pols als de grond.
(a)
b)
(a)
b)
2.3. De EOG-sEMG sensor
In deze subsectie laten we het interface apparaat zien dat in deze studie wordt gebruikt. Figuur 3 toont een persoon die het interfaceapparaat draagt. Dit interfaceapparaat lijkt op een bril of bril, waardoor de elektroden worden bevestigd. De door het apparaat gemeten signalen worden via Bluetooth naar de PC verzonden. De verzonden gegevens zijn weergegeven in Figuur 4. De gemeten signalen zijn GELIJKSTROOMSTROMEN voor twee EOG-kanalen (2 ch), die CH1 en CH2 zijn, en WISSELSTROOMSTROMEN voor twee EOG-kanalen (CH3 en CH4). In dezelfde tijd worden ook 2 CH signalen van sEMG gemeten, die CH5 en CH6 zijn. We zullen de details van de gemeten gegevens in de volgende paragraaf.
3. Het EOG-opnamesysteem
In deze sectie zullen we het EOG-opnamesysteem introduceren. Ons voorgestelde EOG-systeem is gebaseerd op twee stromen: (1) de versterker en het laagdoorlaatfilter (DC-element) en (2) De versterker, laagdoorlaatfilter en het hoogdoorlaatfilter (AC-element). Na het registreren van de signaalamplitude (1000 keer) en ruisonderdrukkingsmaatregelen voor het biopotentiële data-acquisitiesysteem, worden vier soorten oogbewegingen (rechts, links, omhoog en omlaag) nauwkeurig herkend en is de Elektronische Ruisonderdrukking ook succesvol. Opgemerkt moet worden dat de horizontale EOG-signalen sterker zijn dan de verticale EOG-signalen. Dat komt omdat verticale saccades langzamer zijn dan horizontale saccades, en neergaande saccades zijn de traagste . Figuur 5-8 laat zien dat de vier oogbewegingen (rechts, links, omhoog en omlaag) duidelijk verschillend zijn. Bovendien zijn CH1 en CH2 GELIJKSTROOMSIGNALEN, die kunnen worden gebruikt voor het registreren van de continue bewegingen van de ogen. CH3 en CH4 zijn WISSELSTROOMSIGNALEN van de EOG. Daarom reageren CH3 en CH4 alleen sterk op oogbewegingen.
omdat de EOG-signalen veranderen voor alle vier de oogbewegingen, importeerden we CH1 + CH2, dat wordt gebruikt voor de verticale signalen en CH1 − CH2 voor de horizontale signalen. In de experimenten vroegen we elke deelnemer om zijn ogen te bewegen om de volgende volgorde te volgen: centrum-rechts-centrum-links-centrum-omhoog-centrum-omlaag-centrum. De resultaten van deze twee nieuwe procedures zijn weergegeven in Figuur 9.
4. sEMG-signaalopname
Figuur 2 toont het formele schema voor de verwerving en analyse van de sEMG-signalen voor controle en informatiestroom door het systeem. Ons systeem bestaat uit deze vier componenten: (1) oppervlakte-elektroden, (2) versterker, (3) hoogdoorlaatfilter, en (4) personal computer voor sEMG signaal classificatie. De semg-signalen die door de oppervlaktelektroden worden gedetecteerd worden versterkt en gefilterd voorafgaand aan gegevensacquisitie om lawaaiartefacten te verminderen en spectrale componenten te verbeteren die de informatie voor gegevensanalyse bevatten. Twee kanalen van sEMG signalen kunnen worden gebruikt om gezichtsbeweging te herkennen. Om het GELIJKSTROOMNIVEAU en het geluid van de 60 Hz-stroomleiding te verwijderen, wordt het hoogdoorlaatfilter gebruikt. De uitschakelfrequentie van het hoogdoorlaatfilter is 66,7 Hz.
De opnamen in Figuur 10 tonen de toegepaste geluiddempende maatregelen in ons systeem. Hierdoor zijn de gegevens van de drie sEMG-klassen (rechts knipperen, links knipperen en bijten) duidelijk verschillend. Na het filteren en versterken (ongeveer 1000 keer), worden de sEMG-signalen gedigitaliseerd en vervolgens overgebracht naar de personal computer. De bemonsteringsfrequentie van de meetgegevens is 1 KHz op een band van 0 Hz tot 500 Hz.
de sEMG-signalen worden verwerkt door de voortschrijdende gemiddelde verwerking. De moving average processing berekent het gecorrigeerde en ongewogen gemiddelde van de vorige gegevenspunten. Vervolgens wordt de waarde na de voortschrijdende gemiddelde verwerking bepaald als ” actief “of” inactief ” op basis van de drempel. De drempels (CH5 en CH6) worden ingesteld op basis van de gebruikers. Deze methode is nodig om de drempelwaarde van elke gebruiker in te stellen. Bovendien reageert dit systeem niet op het gebruikelijke knipperen. Figuur 11 toont een diagram van dit proces.
5. Patroonherkenningsalgoritme
In deze sectie zullen we ons voorgestelde EOG-sEMG patroonherkenningsalgoritme introduceren. Figuur 12 geeft de totale stroom van ons voorgestelde systeem weer. Dit proces bestaat uit het herhalen van stappen. De patroonherkenning bestaat uit vijf klassen: twee klassen (links en rechts bewegen) voor de eog en de drie klassen (links knipperen, rechts knipperen en bijten) voor de sEMG.
als de sEMG-gegevens na signaalverwerking een drempel overschrijden, wordt het patroon van de sEMG-gegevens bepaald door alleen CH1 (rechts knipperende beweging) of alleen CH2 (links knipperende beweging) of beide (de beet of sterk knipperende beweging). Ons voorgestelde algoritme initialiseert de DC-elementen van de EOG nadat de sEMG-activiteit is voltooid. Bovendien, wanneer het AC-element van de EOG niet is veranderd (de ogen bewegen niet) en de sEMG niet actief is, initialiseert ons voorgestelde algoritme de referentiewaarde die de ogen als de voorkant zien (“EOG-vernieuwing” in Figuur 12). Met andere woorden, ons systeem bepaalt dat de ogen kijken naar de voorkant, omdat AC element is niet veranderd. Op dat moment wordt ons systeem bijgewerkt als de referentiewaarde van de DC-elementen. Daarna gebruikt ons systeem de hoeveelheid verandering in DC ten opzichte van deze referentiewaarde.
van de experimentele regel wordt de beoordelingsdrempel tussen actief en inactief ingesteld. Vervolgens, wanneer de ogen bewegen, vergelijkt ons algoritme het veranderende bereik van CH1 + CH2 en CH1 − CH2. Wanneer CH1-CH2 groter is, voert ons algoritme het determinatieproces van de EOG uit. Wanneer CH1 + CH2 groter is, bepaalt ons algoritme dat de ogen in de verticale richting bewogen, omdat de EOG-gegevens voor de verticale richting van de ogen gelijkaardig zijn aan de EOG-gegevens voor het knipperpatroon. Bovendien geven onze experimentele resultaten aan dat veel mensen de richting van het oog niet gemakkelijk kunnen controleren.
vervolgens introduceren we het EOG pattern recognition algoritme, een voorbeeld van EOG pattern recognition processing getoond in Figuur 13. Hoewel figuur 9 laat zien dat alle ogen bewegingen kunnen door het controleren van waarden voor CH1 + CH2 en CH1-CH2, patroon marcheren algoritme is nog steeds nodig om de basislijn verschuiving veroorzaakt door drift probleem op te lossen. De algoritmestappen van Figuur 13 zijn als volgt: (1) de DC-en AC-elementen van de EOG overschrijden de drempelwaarde voor de juiste richting. Er wordt bepaald dat dit de juiste richting van de ogen is.(2) het GELIJKSTROOMELEMENT blijft de drempelwaarde voor de juiste richting overschrijden en het WISSELSTROOMELEMENT keert terug naar de basislijn. De richting van de ogen blijft naar rechts.(3) het AC-element verandert sterk in de negatieve richting wanneer de oogrichting terugkeert naar de middenpositie.(4) het AC-element en het DC-element keren terug naar de basislijn van elk element. Vervolgens wordt de basislijn bijgewerkt.Ons systeem voert de bepaling van de rechter en linker beweging van de ogen met behulp van dit algoritme. Dit algoritme maakt het mogelijk om richting te bepalen. Dit is een moeilijk proces wanneer alleen het AC-element wordt gebruikt.
6. Experimenten en resultaten
om de effectiviteit van ons voorgestelde systeem te testen, hebben we twee experimenten uitgevoerd: een is een patroonherkenningstest en de andere is een karakterinvoertest.
6.1. Patroonherkenningsexperiment
eerst voerden we patroonclassificatieexperimenten uit voor de twee klassen van oogbewegingen (rechts en links) en de drie klassen van gezichtssemg (rechts knipperen, links knipperen en bijten). Het interval van elke actie is 3 seconden (zie Figuur 14). Elke deelnemer voerde elke oogbeweging negen keer uit. Daarnaast hebben we getest of ons voorgestelde systeem een normaal knipperen kon weigeren. We hebben de normale blink rejection test 30 keer uitgevoerd. De deelnemers aan de experimenten waren acht gezonde mannen die allemaal in ons lab in hun twintiger jaren hun toestemming gaven om deel te nemen aan dit experiment.
6.2. Patroonherkenning experimentele resultaten
De patroonherkenning experimentele resultaten worden weergegeven in Tabel 1 en de laatste regel toont de prestatie-evaluatie (PE) van elk patroon onder 5 punten regel (correct voor 5 punten, reject voor 2 punten, en miss voor 0 punten). Reject betekent dat het invoerpatroon niet reageerde. Miss betekent dat het invoerpatroon een verkeerde reactie was. Uit de experimenten is de EOG patroonherkenning (rechts en links) van ons voorgestelde systeem betrouwbaar. Uit deze experimentele resultaten blijkt ons voorgestelde systeem goede prestaties in de erkenning van de vier klassen (rechts, links, rechts knipperen, en links knipperen). Het gemiddelde erkenningspercentage was 95,1%, het gemiddelde afkeuringspercentage was 1,4%, en het gemiddelde miss-percentage was slechts 3,5%, en het gemiddelde PE is 4,79 van 5.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
echter, de semg beet patroonherkenning is niet zo goed als verwacht. Een reden is dat sommige mensen problemen hebben met occlusale onregelmatigheden die divergentie tussen hun wangen veroorzaken. Dit soort beet acties werd meestal herkend als rechts of links knipperen. Een andere reden is dat we een threshold tuning methode gebruikten om normaal knipperen te onderscheiden, en de normale blink rejection test had een slagingspercentage van 97% (232/240). Onder deze methode, de beet acties die de drempel niet kon passeren zal worden afgewezen hetzelfde als de normale knipperen.
6.3. Character Input Experiment
vervolgens voerden we het character input experiment uit met behulp van de vier klassen (rechts (EOG), links (EOG), rechts knipperen (sEMG) en links knipperen (sEMG)). De alphabet zinsinvoersoftware, Hearty Ladder , is weergegeven in figuur 15. We gebruikten de vierdelige selectiemethode. We hebben de vier patronen als volgt toegewezen: rechts (EOG)is het commando om rechtsonder te selecteren. Links (EOG)is het commando om linksonder te selecteren. Rechts knipperen (sEMG) is het commando om hoger rechts gebied te selecteren. Links knipperen (sEMG) is het commando om hoger links gebied te selecteren.De gebruiker herhaalde het filteren van vier patronen totdat het karakter van het laatste patroon werd geselecteerd. De controle-interval was 0.1 s. we voerden experimenten van de” miyazaki ” input taak (8 karakters: 4 operaties voor 1 karakter) dat is de naam van onze universiteit. De deelnemers aan de experimenten waren negen gezonde twintigers die hun toestemming gaven om deel te nemen aan dit experiment. De experimentele deelnemers omvatten zes mensen ervaren met dit systeem.
6.4. Experimentele resultaten
we hebben vijf proeven van de “miyazaki” invoertaak geprobeerd. We telden het aantal missers en de tijdsduur tot het einde van de invoer. De experimentele resultaten zijn weergegeven in Tabel 2. Uit deze experimenten, de gemiddelde tijd van een proef was 50,0 s. De gemiddelde input tijd van een teken van het alfabet was ongeveer 6,3 s (50 s/8 tekens) in ons voorgestelde systeem. De tijd van de snelste deelnemer, K. M, was 4,5 s (35,8 s / 8 karakters). Bovendien, als we de deelnemers M. F, M. S, en R. K die ons voorgestelde systeem meer dan 100 uur als de ervaren en de andere 6 deelnemers die ons voorgestelde systeem niet bij toeval als onervaren, De gemiddelde tijd van de ervaren deelnemers was 49.2 s en die van de onervaren deelnemers was 51,5 s. het miss percentage van de onervaren deelnemers was ook laag. Uit deze resultaten zien we dat een voordeel van ons voorgestelde systeem is dat gebruikers niet veel training nodig hebben.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
we hebben de prestaties van onze voorgestelde methode vergeleken met de EOG-methode en de sEMG-methode. De EOG-methode gebruikt rechts en links oogbewegingen alleen als de 2-delige selectiemethode. De sEMG methode gebruikt rechts knippert en links knippert alleen als de 2-delige selectie methode. We probeerden dezelfde experimenten van vijf proeven van de” miyazaki ” input taak met dezelfde deelnemers. Deze experimentele resultaten zijn weergegeven in Tabel 3. Het is duidelijk dat onze voorgestelde methode de beste prestaties van alle drie methoden heeft. We hebben de tijd berekend die nodig is voor één operatie. De EOG-methode was 1,93 s, de sEMG-methode was 1,65 s en onze voorgestelde methode was 1,56 s. bovendien was de miss-snelheid van de sEMG-methode minder dan die van onze voorgestelde methode. Een van de meest overtuigende redenen is dat het aantal operaties (7 operaties voor 1 teken) groter is in de 2-delige selectiemethode dan de 4-delige selectiemethode.
|
||||||||||||||||||||||||||||
zoals we in deze sectie hebben vermeld, kunnen 2 of 4 patronen door ons voorgestelde systeem worden herkend. Al deze patronen kunnen worden toegewezen als gescheiden functies en, omgaan met de toestand van de gebruikers, al deze patronen kunnen worden gebruikt door een combinatie van hen. In het volgende hoofdstuk zullen we de toepassing van ons voorgestelde systeem voor ernstig gehandicapten bespreken, waarbij slechts 1 patroon wordt gebruikt.
7. Experimentele resultaten van de ernstig Gehandicapten
In dit artikel hebben we onze voorgestelde methode toegepast op de ernstig gehandicapten (patiënten met spierdystrofie). We hebben de goedkeuring van de ethische commissie van de Universiteit van Miyazaki. Het experiment van Sectie 6 met ingewikkelde werking zal grote vermoeidheid veroorzaken bij de mensen met een handicap, dus experimenten werden uitgevoerd op de manier dat een teken zal worden ingevoerd met een enkele klik met behulp van EOG of sEMG. Slechts één patroon werd geselecteerd uit EOG of sEMG patronen die gemakkelijk kunnen worden gebruikt. In deze tekeninvoermethode wordt het teken automatisch geselecteerd door de software; de gebruiker kan worden geselecteerd door te klikken wanneer het doelteken is gekozen door de software. In dit experiment wordt klikverwerking uitgevoerd door de erkenning van EOG-of sEMG-activiteit.
Dit experiment had de twee proefpersonen. Om de invloeden van de fysieke conditie van proefpersonen en omgevingen te minimaliseren, hebben we dezelfde experimenten 10 keer op verschillende gelegenheden in verschillende dagen geprobeerd. De continue 30 minuten in één experiment werd gebruikt voor het testen van de Japanse karakterinvoer. Tabel 4 toont de experimentele resultaten. Uit Tabel 4 is het herkenningspercentage van de sEMG-methode 99,2% en het herkenningspercentage van de EOG-methode 98,0%. De invoertijd was ongeveer 1 tot 2 seconden traag in vergelijking met gezonde proefpersonen. Daarom hebben de gehandicapten hetzelfde resultaat als gezonde mensen met een enkele klik. Op basis van deze resultaten kunnen we zeggen dat onze aanpak effectief is bij ernstig gehandicapten.
|
||||||||||||||||||
8. Conclusies
In deze studie introduceerden we een EOG-sEMG mens-computer interface apparaat ontworpen voor patiënten die lijden aan amyotrofe laterale sclerose of andere ziekten. We gebruiken zowel kruis-kanalen als parallelle lijnen kanalen op het gezicht met dezelfde 4 elektroden. Dit systeem kan EOG-en sEMG-signalen registreren als dual-threading voor patroonherkenning tegelijk. Bovendien vermindert onze voorgestelde methode met behulp van de combinatie van AC-en DC-elementen van EOG de overeenkomstige drift en maakt continue werking mogelijk bij het registreren van oogbewegingen. De experimentele resultaten toonden aan dat onze voorgestelde methode effectief is voor vier-patroonherkenning (rechts (EOG), links (EOG), rechts knipperen (sEMG), en links knipperen (sEMG)). In het bijzonder, onze voorgestelde methode aangetoond goede prestaties voor de karakter input experimenten. Het miss-percentage was slechts 1,4%. Bovendien lieten de resultaten van onervaren en ervaren deelnemers weinig verschil zien. Uit deze resultaten denken we dat een voordeel van ons voorgestelde systeem is dat gebruikers niet veel training nodig hebben.
verder hebben we onze voorgestelde methode vergeleken met de EOG-methode en de sEMG-methode. Onze voorgestelde methode vereiste de kortste tijd voor karakterinvoer. Onze voorgestelde mens-computer interface kan worden toegepast in het eog-systeem, het sEMG-systeem en het eog-sEMG-systeem. Het is mogelijk om ons systeem te gebruiken voor patiënten die alleen hun oogbewegingen kunnen controleren. Het is ook mogelijk om alleen de sEMG-signalen met een hoog slagingspercentage te gebruiken totdat de gebruiker comfortabel is met het apparaat. Onze voorgestelde mens-computer interface heeft het voordeel dat het kan worden gebruikt, afhankelijk van de situatie.
We hopen te kunnen communiceren met patiënten die lijden aan amyotrofe laterale sclerose of andere ziekten door gebruik te maken van ons systeem. In onze toekomstige werkzaamheden zijn we van plan om veel proefpersonen en zwaardere gehandicapten te testen.
concurrerende belangen
dit onderzoek werd gefinancierd door SYOWA Co. Ltd.
Dankbetuigingen
Dit onderzoek werd ondersteund door Miyazaki Prefectural Industrial Support Foundation (R&D) en een subsidie voor jonge wetenschappers (B) (23700668) KAKEN. De auteurs zijn de Heer Kazuhiko Inami en de Heer Kazuya Gondou dankbaar. Zij zijn dankbaar voor het werk van vroegere en huidige leden van hun laboratorium.