interfață umană EOG-sEMG pentru comunicare

Posted on

rezumat

scopul acestui studiu este de a prezenta semnale electrooculograme (EOG) și electromiograme de suprafață (sEMG) care pot fi utilizate ca interfață om-computer. Stabilirea unui canal alternativ eficient de comunicare fără vorbire deschisă și mișcări ale mâinilor este importantă pentru creșterea calității vieții pentru pacienții care suferă de scleroză laterală amiotrofică, distrofie musculară sau alte boli. În această lucrare, propunem un sistem de interfață om-computer EOG-sEMG pentru comunicare folosind atât canale încrucișate, cât și canale de linii paralele pe față cu aceiași electrozi. Acest sistem ar putea înregistra semnalele EOG și sEMG ca „dual-modalitate” pentru recunoașterea modelului simultan. Deși ar putea fi recunoscute până la 4 modele, care se ocupă de starea pacienților, alegem doar două clase (mișcare stânga și dreapta) de EOG și două clase (clipire stângă și clipire dreaptă) de sEMG care sunt ușor de realizat pentru sarcina de simulare și monitorizare. Din rezultatele simulării, sistemul nostru a obținut clasificarea în patru modele cu o precizie de 95,1%.

1. Introducere

în timpul mișcărilor oculare, există un potențial în cornee și retină și este baza electrooculogramei (EOG). EOG poate fi modelat de un dipol și utilizat în sistemele medicale. Mai multe studii de interfață om-computer bazate pe EOG se găsesc în literatura de specialitate. De exemplu, un scaun cu rotile controlat cu mișcări oculare este dezvoltat pentru persoanele cu dizabilități și vârstnici. Semnalele de mișcare a ochilor și semnalele senzorului sunt combinate și atât direcția, cât și accelerația sunt controlate . Semnalele de electromiogramă de suprafață (sEMGs) sunt detectate pe suprafața pielii și sunt generate de activitatea electrică a fibrelor musculare în timpul contracției . Mușchii în mișcare pot fi detectați prin analizarea sEMGs. Una dintre aplicațiile importante ale sEMGs este controlul picioarelor artificiale. Deși mișcarea capului, care este un gest natural , poate fi utilizată pentru a indica o anumită direcție, persoanele cu dizabilități grave nu își pot mișca gâtul și capul. Cu toate acestea, mulți dintre acești oameni pot folosi mișcarea mușchilor faciali. sEMG este o modalitate de a studia activitățile musculare faciale prin înregistrarea potențialelor de acțiune din fibrele contractante. sEMG poate fi detectat cu electrozi de suprafață, care sunt ușor de aplicat și neinvazivi și nu prezintă riscuri pentru sănătate și siguranță pentru utilizatori. Sistemele informatice pot fi, de asemenea, controlate prin utilizarea semnalelor semg ale feței . Aceste sisteme informatice pot recunoaște mișcarea facială (clipire stângă, clipire dreaptă și mușcătură) utilizând senzori sEMG. Mai mult, semnalele EOG, electroencefalograma (EEG) și EMG pot fi clasificate în timp real și pot controla roboții mobili utilizând un clasificator de rețea neuronală artificială .

investigând posibilitatea utilizării EOG-urilor pentru o interfață om-computer, se determină relația dintre unghiul de vedere și un EOG. Studiile aprofundate au descoperit că deriva de bază în schimbare lentă face dificilă estimarea semnalelor EOG continue, iar această derivă apare doar în semnalele de curent continuu (DC) din circuit. Pentru a depăși această problemă, sistemul nostru a propus anterior utilizarea curentului alternativ (AC) al EOGs pentru a reduce deriva de bază prin segmentarea semnalului . În aceste lucrări, am introdus sistemul de control al cursorului mouse-ului folosind tehnica noastră EOGs. Pragurile inițiale ale clasei de mișcare a ochilor (dreapta, stânga și clipirea voluntară) sunt determinate empiric individual pentru fiecare utilizator. Două clase de mișcare a ochilor (dreapta și stânga) sunt comanda aceleiași mișcări a cursorului mouse-ului. În aceste lucrări , mișcarea ochilor în direcția diagonală din dreapta jos este o comandă de procesare a clicurilor. În plus, clipirea voluntară este și o comandă de procesare a clicurilor. Cu toate acestea, aceste sisteme au o problemă în care semnalele semg ale feței devin zgomotoase pentru semnalele EOG.

în acest studiu, dezvoltăm un sistem de interfață umană EOG-sEMG pentru comunicare. Dispozitivul nostru EOG propus nu are problema artefactelor din clipirea ochilor. Aplicăm un algoritm care utilizează atât variația dinamică a elementului DC, cât și clasificarea modelului elementului AC. Această segmentare a semnalului reduce deriva de bază. Deși a existat o metodă cu 3 electrozi care ar putea măsura componentele verticale și orizontale în EOG , care a fost considerată zgomotul în timpul măsurării EEG, sistemul nostru EOG folosește în continuare canale încrucișate care utilizează 4 electrozi atât pentru a îmbunătăți precizia măsurării EOG, cât și pentru a realiza simultan procesul de „dual-modalitate” EOG-sEMG. În plus, semnalele EOG cu canale încrucișate au o performanță similară cu metoda plus-channel, care este utilizată pe scară largă în măsurarea EOG. În plus, poziția electrodului metodei semnalelor EOG cu canale încrucișate are o caracteristică bună că sEMG poate fi, de asemenea, măsurată eficient în același timp. În comparație cu alte lucrări , acesta este un merit util.în comparație cu alte cercetări legate de interfețele om-computer pentru a ajuta persoanele cu dizabilități , cum ar fi sistemele de urmărire a ochilor, care utilizează procesarea imaginilor, EOG-sEMG bazat pe propunerea noastră interfața om-computer are o puternică capacitate de interferență din mediu, cum ar fi luminile și zgomotele. Pacienții ar putea folosi acest tip de interfață chiar și fără vedere. În special, pacienții cu ALS ar putea controla în continuare globii oculari și mușchii din jurul ochilor chiar și în stadiul terminal, în care ar putea folosi EOG-sEMG pe baza propunerii noastre interfață om-computer de asemenea. Deși dispozitivele de procesare a imaginilor sunt utilizate pe scară largă datorită faptului că sunt intuitive și mai previzibile, EOG-sEMG bazat pe propunerea noastră interfață om-computer oferă încă o alegere bună pentru persoanele cu handicap grav.

în această lucrare, propunem o tehnică care poate efectua recunoașterea modelului feței prin înregistrarea EOGs și sEMGs. Pentru a demonstra performanța metodei propuse, am încercat pas cu pas 3 experimente conexe. La început, deși ar putea fi recunoscute până la 7 clase, care se ocupă de starea reală a pacienților și de testele inițiale de precizie, alegem doar două clase (mișcare stânga și dreapta) de EOG și două clase (clipire stângă și clipire dreaptă) de sEMG care sunt ușor de realizat pentru sarcina de simulare și monitorizare. Apoi, am efectuat experimente de intrări de caractere folosind sistemul nostru propus cu cele 4 clase. Participanții experimentali au fost bărbați sănătoși în douăzeci de ani, care sunt de acord să se alăture experimentelor noastre fără constrângere. Din aceste experimente, am arătat că recunoașterea în patru modele a sistemului nostru propus este ușor de învățat și de utilizat. Mai mult, am aplicat metoda simplificată propusă (software care poate face introducerea caracterelor cu un singur clic (recunoașterea unui model)) pentru persoanele cu handicap grav (pacienți cu distrofie musculară).

2. Sistemul de măsurare

2.1. Cross-Channels

după cum se arată în Figura 1(A), Metoda plus-channel este utilizată pe scară largă ca cea mai convențională modalitate de înregistrare a semnalelor EOG în cercetarea anterioară: semnalele orizontale au fost înregistrate de Canalul 1 (CH1), iar semnalele verticale au fost înregistrate de Canalul 2 (CH2) . În această lucrare, pentru a îmbunătăți acuratețea semnalelor EOG, se propune o nouă metodă cross-channel, așa cum se arată în Figura 1(b). Semnalele orizontale și verticale ar putea fi înregistrate de ambele canale în același timp. Este mult mai ușor să analizați datele folosind semnale duble.

Figura 1
metoda convențională (a) și metoda cu canale încrucișate a EOG (b) .

2.2. Sistemul de măsurare EOG-sEMG

în această subsecțiune, se propune proiectarea sistemului de măsurare EOG-EMG. Figura 2 prezintă schema formală de achiziție și analiză a semnalelor EOG și sEMG pentru controlul și fluxul de informații prin sistem. Sistemul nostru propus are patru componente: (1) amplificator, (2) filtru, (3) convertor A/D și (4) sistem de control al cursorului mouse-ului. Mai exact, aceasta înseamnă că sistemul este format din cinci electrozi, un convertor A/D, un computer personal și un monitor (prezentat în Figura 2). Patru electrozi pentru cele două canale de semnale sEMG sunt lipite pe față, iar un electrod este lipit pe încheietura dreaptă sau stângă ca sol.

(a)
(a)
(b)
(a)
(A)(B)
(B)
figura 2
sistemul de interfață umană EOG-semg propus: (a) fluxul EOG și (b) fluxul sEMG. Fluxul EOG și fluxul sEMG utilizează aceiași cinci electrozi.

2.3. Dispozitivul de detectare EOG-sEMG

în această subsecțiune, prezentăm dispozitivul de interfață utilizat în acest studiu. Figura 3 prezintă o persoană care poartă dispozitivul de interfață. Acest dispozitiv de interfață seamănă cu ochelari sau ochelari, fixând electrozii. Semnalele măsurate de dispozitiv sunt trimise la PC utilizând Bluetooth. Datele trimise sunt prezentate în Figura 4. Semnalele măsurate sunt curenți DC pentru două canale EOG (2 ch), care sunt CH1 și CH2, și curenți AC pentru două canale EOG (CH3 și CH4). În același timp, se măsoară și 2 semnale ch de sEMG, care sunt CH5 și CH6. Vom arăta detaliile datelor măsurate în secțiunea următoare.

Figura 3
dispozitiv de interfață pentru fixarea electrozilor pe față.

Figura 4
date trimise de la dispozitivul de interfață. Semnalele sunt sEMG 2 ch și EOG 2 ch. EOG-urile măsoară semnalele AC și DC.

3. Sistemul de înregistrare EOG

în această secțiune, vom introduce sistemul de înregistrare EOG. Sistemul nostru EOG propus se bazează pe două fluxuri: (1) amplificatorul și filtrul trece-jos (element DC) și (2) amplificatorul, filtrul trece-jos și filtrul trece-sus (element AC). După înregistrarea amplitudinii semnalului (de 1000 de ori) și a măsurilor de reducere a zgomotului pentru sistemul biopotențial de achiziție a datelor, patru tipuri de mișcări ale ochilor (dreapta, stânga, sus și jos) sunt recunoscute cu exactitate, iar reducerea electronică a zgomotului are, de asemenea, succes. Trebuie remarcat faptul că semnalele EOG orizontale sunt mai puternice decât semnalele EOG verticale. Acest lucru se datorează faptului că saccadele verticale sunt mai lente decât saccadele orizontale, iar saccadele descendente sunt cele mai lente . Figurile 5-8 arată că cele patru mișcări ale ochilor (dreapta, stânga, sus și jos) sunt clar diferite. Mai mult, CH1 și CH2 sunt semnale DC, care pot fi utilizate pentru înregistrarea mișcărilor continue ale ochilor. CH3 și CH4 sunt semnale AC ale EOG. Prin urmare, CH3 și CH4 reacționează puternic numai la mișcările ochilor.

Figura 5
semnalele EOG care înregistrează eșantioane în CH1, CH2, CH3 și CH4 (dreapta).

Figura 6
eșantioane de înregistrare a semnalului EOG în CH1, CH2, CH3 și CH4 (stânga).

Figura 7
eșantioane de înregistrare a semnalului EOG în CH1, CH2, CH3 și CH4 (up).

figura 8
eșantioane de înregistrare a semnalului EOG în CH1, CH2, CH3 și CH4 (în jos).

deoarece semnalele EOG se schimbă pentru toate cele patru mișcări ale ochilor, am importat CH1 + CH2, care este utilizat pentru semnalele verticale și CH1 − CH2 pentru semnalele orizontale. În experimente, am cerut fiecărui participant să-și miște globii oculari pentru a urma următoarea secvență: centru-dreapta-centru-stânga-centru-sus-centru-jos-Centru. Rezultatele acestor două noi proceduri sunt prezentate în Figura 9.

Figura 9
eșantioane de înregistrare a semnalului EOG în CH1 + CH2 (în sus) și CH1 − CH2 (în jos).

4. înregistrarea semnalului sEMG

Figura 2 prezintă schema formală de achiziție și analiză a semnalelor sEMG pentru controlul și fluxul de informații prin sistem. Sistemul nostru este format din aceste patru componente: (1) electrozi de suprafață, (2) amplificator, (3) filtru de trecere înaltă și (4) computer personal pentru clasificarea semnalului sEMG. Semnalele sEMG detectate de electrozii de suprafață sunt amplificate și filtrate înainte de achiziția de date pentru a reduce artefactele de zgomot și pentru a îmbunătăți componentele spectrale care conțin informațiile pentru analiza datelor. Două canale de semnale sEMG pot fi folosite pentru a recunoaște mișcarea facială. Pentru a elimina nivelul DC și zgomotul liniei de alimentare de 60 Hz, se utilizează filtrul high-pass. Frecvența de întrerupere a filtrului trece-sus este de 66,7 Hz.

înregistrările din Figura 10 arată măsurile de reducere a zgomotului aplicate în sistemul nostru. Drept urmare, datele celor trei clase sEMG (clipire dreaptă, clipire stângă și mușcătură) sunt clar diferite. După filtrare și amplificare (de aproximativ 1000 de ori), semnalele sEMG sunt digitalizate și apoi transferate pe computerul personal. Frecvența de eșantionare a datelor de măsurare este de 1 KHz pe o bandă de la 0 Hz la 500 Hz.

Figura 10
niveluri de activare a sEMG cu două canale.

semnalele sEMG sunt procesate de procesarea mediei mobile. Prelucrarea medie mobilă calculează media rectificată și neponderată a punctelor de date anterioare. Apoi, valoarea după procesarea mediei mobile este determinată ca „activă” sau „inactivă” pe baza pragului. Pragurile (CH5 și CH6) sunt stabilite în funcție de utilizatori. Această metodă este necesară pentru a seta valoarea pragului fiecărui utilizator. Mai mult, acest sistem nu reacționează la clipirea obișnuită. Figura 11 prezintă o diagramă a acestui proces.

Figura 11
diagrama procesului. Semnalele SEMG sunt calculate pentru a obține mediile rectificate și mobile. Semnalul este determinat să fie activ sau inactiv pe baza pragului.

5. Algoritmul de recunoaștere a modelelor

în această secțiune, vom introduce algoritmul nostru propus de recunoaștere a modelelor EOG-sEMG. Figura 12 prezintă fluxul general al sistemului nostru propus. Acest proces constă în repetarea pașilor. Recunoașterea modelului constă din cinci clase: două clase (mișcare stânga și dreapta) pentru EOG și cele trei clase (clipire stângă, clipire dreaptă și mușcătură) pentru sEMG.

Figura 12
fluxul algoritmului de recunoaștere a modelelor EOG-sEMG.

dacă datele sEMG după procesarea semnalului depășesc un prag, modelul datelor sEMG este determinat numai de CH1 (mișcare asemănătoare clipirii drepte) sau numai de CH2 (mișcare asemănătoare clipirii stângi) sau ambele (mușcătura sau clipirea puternică). Algoritmul nostru propus inițializează elementele DC ale EOG după finalizarea activității sEMG. Mai mult, atunci când elementul AC al EOG nu s-a schimbat (ochii nu se mișcă) și sEMG nu este activ, algoritmul nostru propus inițializează valoarea de referință pe care ochii o privesc ca față („reînnoirea EOG” în Figura 12). Cu alte cuvinte, sistemul nostru determină că ochii se uită la partea din față, deoarece elementul AC nu este schimbat. În acel moment, sistemul nostru se actualizează ca valoare de referință a elementelor DC. După aceea, sistemul nostru utilizează cantitatea de schimbare în DC din această valoare de referință.

Din regula experimentală, este setat pragul de judecată între activ și inactiv. Apoi, când ochii se mișcă, algoritmul nostru compară intervalul de schimbare a CH1 + CH2 și CH1 − CH2. Când CH1-CH2 este mai mare, algoritmul nostru efectuează procesul de determinare a EOG. Când CH1 + CH2 este mai mare, algoritmul nostru determină că ochii s-au mișcat în direcția verticală, deoarece datele EOG pentru direcția verticală a ochilor sunt similare cu datele EOG pentru modelul de clipire. În plus, rezultatele noastre experimentale indică faptul că mulți oameni nu pot controla cu ușurință direcția în sus a ochiului.

în continuare, introducem algoritmul de recunoaștere a modelelor EOG, un exemplu de procesare a recunoașterii modelelor EOG prezentat în Figura 13. Deși Figura 9 arată că toate mișcările ochilor ar putea prin verificarea valorilor pentru CH1 + CH2 și CH1 − CH2, algoritmul de marș al modelului este încă necesar pentru a rezolva schimbarea de bază cauzată de problema driftului. Etapele algoritmului din Figura 13 sunt următoarele:(1)elementele DC și AC ale EOG depășesc pragul pentru direcția corectă. Se determină că aceasta este direcția corectă a ochilor.(2) elementul DC continuă să depășească pragul pentru direcția corectă, iar elementul AC revine la linia de bază. Direcția ochilor continuă să fie spre dreapta.(3) elementul AC se schimbă foarte mult în direcția negativă atunci când direcția ochiului revine în poziția centrală.(4) elementul AC și elementul DC revin la linia de bază a fiecărui element. Apoi, linia de bază este actualizată.Sistemul nostru efectuează determinarea mișcării drepte și stângi a ochilor prin utilizarea acestui algoritm. Acest algoritm face posibilă determinarea direcției. Acesta este un proces dificil atunci când se utilizează numai elementul AC.

Figura 13
exemplu de procesare a recunoașterii modelelor EOG. Numerele aldine reprezintă pașii algoritmului.

6. Experimente și rezultate

pentru a testa eficacitatea sistemului nostru propus, am efectuat două experimente: unul este un test de recunoaștere a modelelor, iar celălalt este un test de introducere a caracterelor.

6.1. Experiment de recunoaștere a modelelor

în primul rând, am efectuat experimente de clasificare a modelelor pentru cele două clase de mișcare a ochilor (dreapta și stânga) și cele trei clase semg faciale (clipire dreaptă, clipire stângă și mușcătură). Intervalul fiecărei acțiuni este de 3 secunde (prezentat în figura 14). Fiecare participant a efectuat fiecare mișcare a ochilor de nouă ori. În plus, am testat dacă sistemul nostru propus ar putea respinge o clipire normală. Am efectuat testul normal de respingere a clipirii de 30 de ori. Participanții la experimente au fost opt bărbați sănătoși, care sunt toți numerele laboratorului nostru în douăzeci de ani, care și-au dat consimțământul de a participa la acest experiment.

figura 14
sarcini de bază în experimentul de recunoaștere a modelelor.

6.2. Rezultatele experimentale de recunoaștere a modelelor

rezultatele experimentale de recunoaștere a modelelor sunt prezentate în tabelul 1, iar ultima linie prezintă evaluarea performanței (PE) a fiecărui model în conformitate cu regula de 5 puncte (corect pentru 5 puncte, respingere pentru 2 puncte și ratare pentru 0 puncte). Respingerea înseamnă că modelul de intrare nu a reacționat. Dor înseamnă că modelul de intrare a fost răspuns greșit. Din experimente, recunoașterea modelului EOG (dreapta și stânga) a sistemului nostru propus este fiabilă. Din aceste rezultate experimentale, sistemul nostru propus arată performanțe bune în recunoașterea celor patru clase (dreapta, stânga, dreapta și stânga). Rata medie de recunoaștere a fost de 95,1%, rata medie de respingere a fost de 1,4%, iar rata medie de ratare a fost de doar 3,5%, iar media PE este de 4,79 din 5.

dreapta stânga clipire dreapta clipire stânga muscatura
K. G 8/9 (respinge: 1) 9/9 9/9 9/9 4/9 (reject: 5)
T.N 9/9 9/9 9/9 7/9 8/9 (reject: 1)
M.Y 9/9 8/9 9/9 8/9 4/9 (reject: 5)
K.N 9/9 9/9 9/9 9/9 8/9 (reject: 1)
M.F 9/9 9/9 9/9 9/9 3/9 (reject: 6)
R.K 8/9 9/9 7/9 7/9 9/9
K.M 7/9 (reject: 2) 8/9 (reject: 1) 8/9 9/9 5/9 (reject: 4)
T.T 9/9 9/9 9/9 9/9 7/9 (reject: 2)
Ave. 94% (reject: 4%) 97% (reject: 1%) 96% 94% 67% (reject: 33%)
P.E 5 4.78 4.87 4.80 4.70 4.01
Tabelul 1
rezultate experimentale de recunoaștere a modelelor.

cu toate acestea, recunoașterea modelului de mușcătură sEMG nu este la fel de bună cum era de așteptat. Un motiv este că unii oameni au probleme de neregularitate ocluzală care provoacă divergențe între obraji. Acest tip de acțiuni de mușcătură a fost de obicei recunoscut ca clipire dreaptă sau stângă. Un alt motiv este că am folosit o metodă de reglare a pragului pentru a distinge clipirea normală, iar testul normal de respingere a clipirii a avut o rată de succes de 97% (232/240). În cadrul acestei metode, acțiunile de mușcătură care nu au putut trece pragul vor fi respinse la fel ca și clipirea normală.

6.3. Experiment de introducere a caracterelor

apoi, am efectuat experimentul de introducere a caracterelor folosind cele patru clase (dreapta (EOG), stânga (EOG), clipire dreaptă (sEMG) și clipire stângă (sEMG)). Software-ul de introducere a propoziției alfabetului, scara consistentă , este prezentat în Figura 15. Am folosit metoda de selecție cu patru diviziuni. Am atribuit cele patru modele după cum urmează: dreapta (EOG) este comanda pentru a selecta zona din dreapta jos. Stânga (EOG) este comanda pentru a selecta zona din stânga jos. Blink dreapta (sEMG) este comanda pentru a selecta zona din dreapta mai mare. Blink stânga (sEMG) este comanda pentru a selecta zona din stânga mai mare.Utilizatorul a repetat filtrarea a patru modele până când a fost selectat caracterul ultimului model. Intervalul de control a fost de 0,1 s.am efectuat experimente ale sarcinii de intrare „miyazaki” (8 caractere: 4 operații pentru 1 caracter), care este numele universității noastre. Participanții la experimente au fost Nouă bărbați sănătoși în douăzeci de ani, care și-au dat consimțământul de a participa la acest experiment. Participanții experimentali au inclus șase persoane cu experiență în acest sistem.

Figura 15
software-ul de introducere a propoziției alfabetului pentru sarcina „miyazaki”.

6.4. Caracter de intrare rezultate experimentale

am încercat cinci studii ale sarcinii de intrare „miyazaki”. Am numărat numărul de ratări și durata de timp până la sfârșitul intrării. Rezultatele experimentale sunt prezentate în tabelul 2. Din aceste experimente, timpul mediu al unui proces a fost de 50,0 s. Timpul mediu de intrare al unui caracter al alfabetului a fost de aproximativ 6,3 s (50 S/8 caractere) în sistemul nostru propus. Timpul celui mai rapid participant, K. M, a fost de 4,5 s (35,8 s/8 caractere). În plus, dacă am considerat participanții M. F, M. S și R. K care au folosit sistemul nostru propus peste 100 de ore ca fiind experimentați și ceilalți 6 participanți care nu au folosit sistemul nostru propus din întâmplare ca neexperimentați, timpul mediu al participanților experimentați a fost de 49.2 s și cea a participanților neexperimentați a fost de 51,5 s.rata de ratare a participanților neexperimentați a fost, de asemenea, scăzută. Din aceste rezultate, considerăm că un avantaj al sistemului nostru propus este că utilizatorii nu au nevoie de multă pregătire.

timpul mediu (sec) SD rata medie de ratare (%)
K. i 42,0 3,1 0,0
K. m 35,8 5.0 0.0
R.K 60.2 12.4 3.5
T.T 53.2 13.0 2.5
K.G 61.0 15.5 5.0
T.N 43.2 2.7 0.0
M.F (inexperienced) 68.6 5.5 0.0
M.S (inexperienced) 36.6 5.2 2.0
R.K (inexperienced) 49.4 19.8 0.0
Ave. 50.0 — 1.45
Tabelul 2
intrare caracter rezultate experimentale.

am comparat performanța metodei propuse cu metoda EOG și metoda sEMG. Metoda EOG a folosit mișcările ochiului drept și stâng doar ca metodă de selecție cu 2 diviziuni. Metoda sEMG utilizată clipește dreapta și clipește stânga doar ca metodă de selecție cu 2 diviziuni. Am încercat aceleași experimente din cinci încercări ale sarcinii de intrare” miyazaki ” cu aceiași participanți. Aceste rezultate experimentale sunt prezentate în tabelul 3. Se poate observa că metoda noastră propusă are cea mai bună performanță dintre toate cele trei metode. Am calculat timpul necesar pentru o operație. Metoda EOG a fost de 1,93 s, metoda sEMG a fost de 1,65 s, iar metoda propusă a fost de 1,56 s. în plus, rata de ratare a metodei sEMG a fost mai mică decât cea a metodei propuse. Unul dintre motivele cele mai concludente este că numărul de operații (7 operații pentru 1 caracter) este mai mare în metoda de selecție cu 2 divizii decât metoda de selecție cu 4 divizii.

Average time (sec) SD Average miss rate (%)
EOG method (2-division) 77.0 8.7 2.06
sEMG method (2-division) 66.0 14.1 0.07
Our method (4-division) 50.0 11.6 1.45
Tabelul 3
compararea rezultatelor experimentale ale metodei noastre propuse cu metoda EOG și metoda semg.

după cum am menționat în această secțiune, 2 sau 4 modele ar putea fi recunoscute de sistemul nostru propus. Toate aceste tipare ar putea fi atribuite ca funcții separate și, având în vedere starea utilizatorilor, toate aceste tipare ar putea fi folosite de orice combinație a acestora. În secțiunea următoare, vom discuta despre aplicarea sistemului nostru propus pentru persoanele cu handicap grav folosind doar 1 model.

7. Rezultatele experimentale ale persoanelor cu handicap sever

în această lucrare am aplicat metoda propusă pentru persoanele cu handicap sever (pacienți cu distrofie musculară). Am obținut aprobarea Comitetului de etică al Universității din Miyazaki. Experimentul secțiunii 6 cu operație complicată va provoca o mare oboseală persoanelor cu dizabilități, astfel încât experimentele au fost efectuate în modul în care un personaj va fi introdus cu un singur clic folosind EOG sau sEMG. Un singur model a fost selectat dintre modelele EOG sau sEMG care ar putea fi utilizate cu ușurință. În această metodă de introducere a caracterelor, caracterul este selectat automat de software; Utilizatorul poate fi selectat făcând clic atunci când caracterul țintă a fost ales de software. În acest experiment, procesarea clicurilor se realizează prin recunoașterea activității EOG sau sEMG.

acest experiment a avut cei doi subiecți. Pentru a minimiza influențele stării fizice a subiecților și mediilor, am încercat aceleași experimente de 10 ori în diferite ocazii în zile diferite. Cele 30 de minute continue dintr-un experiment au fost utilizate pentru testarea introducerii caracterului Japonez. Tabelul 4 prezintă rezultatele experimentale. Din tabelul 4, rata de recunoaștere a metodei sEMG este de 99,2%, iar rata de recunoaștere a metodei EOG este de 98,0%. Timpul de intrare a fost lent de aproximativ 1 până la 2 secunde comparativ cu subiecții sănătoși. Prin urmare, persoanele cu handicap au același rezultat ca și cele sănătoase folosind un singur clic. Din aceste rezultate, putem spune că abordarea noastră este eficientă în cazul persoanelor cu handicap grav.

timpul mediu de introducere a unui caracter (sec) (persoană sănătoasă) rata medie de ratare (%)
metoda EOG (1 clic) 16,1 (13,5) 2,0
metoda semg (1 clic) 14,6 (13,5) 0.8
Tabelul 4
rezultatele experimentale ale celor două persoane cu handicap.

8. Concluzii

în acest studiu, am introdus un dispozitiv de interfață om-computer EOG-sEMG conceput pentru pacienții care suferă de scleroză laterală amiotrofică sau alte boli. Folosim atât canale încrucișate, cât și canale de linii paralele pe față cu aceiași 4 electrozi. Acest sistem ar putea înregistra semnalele EOG și sEMG ca dual-threading pentru recunoașterea modelului simultan. Mai mult decât atât, metoda noastră propusă folosind combinația de elemente AC și DC ale EOG reduce deriva corespunzătoare și permite funcționarea continuă în înregistrarea mișcărilor ochilor. Rezultatele experimentale au arătat că metoda noastră propusă este eficientă pentru recunoașterea cu patru modele (dreapta (EOG), stânga (EOG), clipire dreaptă (sEMG) și clipire stângă (sEMG)). În special, metoda noastră propusă a demonstrat performanțe bune pentru experimentele de introducere a personajelor. Rata de ratare a fost de doar 1,4%. În plus, rezultatele participanților neexperimentați și experimentați au arătat o diferență foarte mică. Din aceste rezultate, credem că un avantaj al sistemului nostru propus este că utilizatorii nu au nevoie de multă pregătire.mai mult, am comparat metoda propusă cu metoda EOG și metoda sEMG. Metoda noastră propusă a necesitat cel mai scurt timp pentru introducerea caracterelor. Interfața noastră om-calculator propusă poate fi aplicată în sistemul EOG, sistemul sEMG și sistemul EOG-sEMG. Este posibil să se utilizeze sistemul nostru pentru pacienții care pot controla doar mișcările ochilor. De asemenea, este posibil să utilizați numai semnalele sEMG cu o rată de succes ridicată până când utilizatorul este confortabil folosind dispozitivul. Interfața noastră om-computer propusă are avantajul că poate fi utilizată în funcție de situație.

sperăm să putem comunica cu pacienții care suferă de scleroză laterală amiotrofică sau alte boli prin utilizarea sistemului nostru. În activitatea noastră viitoare, intenționăm să testăm mulți subiecți și persoane cu dizabilități mai severe.

interese concurente

această cercetare a fost finanțată de Syowa Co. Ltd.

mulțumiri

această cercetare a fost susținută de Miyazaki Prefectural Industrial Support Foundation (r&D) și un Grant-ajutor pentru tinerii oameni de știință (B) (23700668) KAKEN. Autorii sunt recunoscători domnului Kazuhiko Inami și Domnului Kazuya Gondou. Ei recunosc cu recunoștință munca membrilor din trecut și din prezent ai laboratorului lor.

Lasă un răspuns

Adresa ta de email nu va fi publicată.