一种基于共同空间模式的眼动信号识别系统及其识别方法[0002]基于生物电的人机交互(Human-Computer Interaction, HCI)技术作为常规人机交互方法的一种补充，在一些特殊的应用场景下，比如:残疾群体与外界环境的交互，临床病人的监护，特殊环境下的通信，驾驶员的疲劳检测等方面都具有较强的实际应用价值。其中，由于眼电信号具有幅度强，易于检测等特点，因此，基于EOG (electro-oculogram,眼电图)的人机交互技术已经逐步成为人们的研究热点。[0003]所谓眼电信号是指人由于眼睛的运动而产生的电势与人体皮肤表面电极电势之间存在的电位差。进一步的医学研究表明，这种电势关系是由眼睛的角膜与视网膜(如图1左所示)之间的电势差引起的。该电势由视网膜色素上皮和光感受器细胞发起，其正极位于光感受器端，负极位于视网膜色素上皮端，所产生的电流从视网膜端流向了角膜端，从而形成一个幅值约为0.4mV~10mV、角膜为正极，视网膜为负极的电势，我们称这种电势为眼电信号。当人眼球运动时，眼电信号的幅值会随着眼球的运动而发生不断的变化，我们将这种变化的电势绘制到时间轴上则可以构成一条的曲线，这条曲线就称之为眼电图，图2显示了一段包含了眼动信号的EOG图谱。[0004]在眼动信号的检测中，眨眼信号由于具有较强的周期性且持续时间相对较短，因此对眨眼信号的检测也较容易。而对于眼球扫视信号，不同受试者之间或相同受试者不同时间段内，在信号幅度、持续时间长度及扫视角度等方面都会存在着较大的差异，不利于眼动信号的识别。为了解决这一问题，动态时间规整的方法曾被用来进行眼动信号的识别，但由于向上扫视与向左扫视、向下扫视与向右扫视间存在较高的相似度，因此，识别结果不是特别理想，难以达到实用的地步。
[0005]本发明是为避免上述已有技术中存在的不足之处，提供一种识别分类正确率高、扩展能力强、应用潜力大的基于共同空间模式的眼动信号识别方法。[0006]本发明为解决技术问题采用以下技术方案。[0007]—种基于共同空间模式的眼动信号识别系统，其结构特点是，包括眼动信号预处理模块、空域滤波器训练模块及眼动信号识别模块；[0008]所述眼动信号预处理模块，用来对所有训练与测试数据进行带通滤波与去均值操作，用以降低不同噪声信号对原始多导联眼动信号的干扰，从而提高识别正确率；
[0009]所述空域滤波器训练模块，用于通过矩阵联合对角化的方法构建基于共同空间模式的多分类眼动信号空间滤波器；
[0010]所述眼动信号识别模块，用于将原始多导联眼动信号经过上述空域滤波器滤波后所得到的结果作为特征参数，并使用支持向量机(Support Vector Machine, SVM)进行眼动信号的识别。
[0011] 本发明的一种基于共同空间模式的眼动信号识别系统及其识别方法的结构特点也在于:
[0012]所述的一种基于共同空间模式的眼动信号识别系统的识别方法，其特点是包括如下步骤:
[0013]步骤1:采集基于眼电图的眼动数据并对眼动数据进行预处理；
[0014]步骤2:将预处理后的所有数据分成训练数据和测试数据两个部分；所述训练数据为原始多导联眼动信号，采用CSP算法对原始多导联眼动信号进行空域滤波，计算出左扫视、右扫视、上扫视和下扫视四类的空域滤波器Wp Wp Wu和Wd ；
[0015]步骤3:运用上述步骤2中的WpWpWl^P Wd四个空域滤波器对训练数据进行空域滤波，并将滤波后结果作为特征参数输入到SVM分类器中进行训练；
[0016]步骤4:对测试数据，同样运用上述步骤2中的Wp W,、Wu和Wd四个空域滤波器进行空域滤波、特征提取，然后送入到已经训练好的SVM分类器中进行识别，最终得到眼动信号的识别结果。
[0017]所述步骤I中对眼动信号进行预处理过程包括带通滤波步骤与去均值步骤。
[0018]用于进行带通滤波步骤的带通滤波器的截止频率为0.3Hz~12.5Hz。
[0019]所述步骤2中采用CSP算法对原始多导联眼动信号进行空域滤波时，空域滤波器%、Wr、Wu和Wd的计算过程为:
[0020]假定X1, Xr, Xu与Xd分别表示左扫视、右扫视、上扫视及下扫视4种任务下的原始多导联眼动信号，X1, Xr, Xu与Xd归一化后的空间协方差矩阵为