基于ICA的EOG阅读行为识别中眨眼信号去除算法优化

本文主要探讨了基于眼电图（EOG）的阅读行为识别中如何有效去除眨眼信号，以提升识别准确性的关键问题。随着眼球运动在不同行为状态下展现出的独特模式，EOG成为研究阅读行为的重要工具。然而，眨眼信号作为EOG中的一种干扰，会显著降低识别性能。为此，研究人员提出了一个新颖的算法，即利用独立成分分析（ICA）来分离原始多通道EOG信号中的眨眼信号。 ICA是一种非线性降维技术，它假设信号可以被分解为一组独立的、不可分的成分。在这个算法中，作者首先应用ICA方法将EOG信号分解为多个独立的成分，其中包含了眨眼信号。接着，通过计算每个输出通道的峭度值，这种方法能够自动识别出眨眼信号所在的通道。峭度是衡量数据分布形态的一个统计量，眨眼信号通常具有较高的峭度特征。一旦确定了眨眼信号通道，算法将其置零，然后通过反向映射，将处理过的信号重构，从而达到去除眨眼噪声的目的。 实验结果在实验室环境下显示，经过这种基于ICA的眨眼信号去除算法处理后的EOG信号，用于阅读状态识别时，平均正确率达到了95.5%，相较于原始EOG信号提高了3.39%，相较于带通滤波法提高了5.00%，相较于主成分分析（PCA）方法也提升了2.70%。这有力地验证了提出的算法在实际应用中的有效性。 此外，文章还提到了实验所依赖的基金支持，包括国家自然科学基金、安徽省自然科学基金以及安徽高校省级自然科学研究重点项目，这些资助对于研究的深入和高质量成果的产出起到了关键作用。关键词方面，研究涵盖了眼电图、独立成分分析算法、主分量分析算法以及低通滤波器等关键概念，以及峭度这一特征值的运用，突出了研究的核心技术手段和评估指标。 本研究为基于EOG的阅读行为识别系统提供了一个重要的技术改进，特别是在处理眨眼信号噪声方面，有助于提高识别系统的稳定性和准确性，对于未来在人机交互、健康监测等领域具有实际应用价值。