Електроокулограма (EOG) є результатом реєстрації біопотенціалів, які виникають внаслідок рухів м'язів очей. Концептуально око можна представити як диполь, електричну систему із протилежними електричними зарядами (позитивний та негативний) на передній (рогівці) та задній (сітківці) поверхнях очей відповідно (рис. 1). Внаслідок руху очей заряди на поверхні ока змінюють своє положення, що призводить до генерації електричних сигналів.
Електроокулографія використовується для реєстрації цих електричних сигналів, які дозволяють вивчати та аналізувати рухи очей [1]. Метод дозволяє відстежувати зміни положення та рухи очей, що має широкі застосування як у наукових дослідженнях, так і в медичних діагностиках.
Рисунок 1.1 - Диполь ока
Метод електроокулографії використовує електричну активність очей для визначення їхньої позиції та руху. У системі керування поглядом, що є основою методу, використовуються 6 електродів, які розташовані на шкірі навколо очей. Ці електроди реєструють електричні сигнали, які виникають внаслідок активності м'язів очей. Розташування цих електродів зображено на рис. 1.2. Після цього отримані сигнали ЕОГ аналізуються для визначення руху та позиції очей.
Рисунок 1.2 - Схема розміщення електродів для реєстрації ЕОГ:
(a) - розміщення електродів для вимірювання вертикального руху очей, (b) - розміщення електродів для вимірювання горизонтального руху очей
Для обробки зареєстрованих сигналів ЕОГ пропонується структурна схема електронного тракту системи керування поглядом, що складається з 7 блоків (рис. 1.3):
1.Інструментальний підсилювач з коефіцієнтом підсилення 21 використовується для посилення слабких сигналів ЕОГ.
2.ФВЧ з частотою зрізу 0,1 Гц служить для фільтрації шумів та інших високочастотних сигналів, що не пов'язані з ЕОГ.
3.Режекторний ФНЧ 2-го порядку з частотою зрізу 6,2 Гц та коефіцієнтом підсилення 3 використовується для видалення завад від лінії електропередач та інших низькочастотних сигналів.
4.Блок нормалізації та підсилення сигналу з коефіцієнтом 3 забезпечує зсув сигналу ЕОГ до центру динамічного діапазону та його подальше підсилення.
5.АЦП конвертує аналоговий сигнал ЕОГ у цифровий для подальшого аналізу та обробки обчислювальним компонентом.
6.Інтерфейсний перетворювач USB-UART забезпечує взаємодію між системою та зовнішнім середовищем.
7.Обчислювальний компонент відповідає за цифрову обробку та класифікацію сигналів керування взглядом.
Рисунок 1.3 – Структурна схема електронного тракту системи керування поглядом
Для класифікації отриманих даних ЕОГ та визначення рухів, таких як рухи вліво, вправо, вгору, вниз та кліпання очей, використовуються методи машинного навчання. Кожен з цих методів має свої унікальні особливості, але в цілому їхній принцип полягає в навчанні алгоритмів на основі наявних даних для автоматичного прогнозування або класифікації нових даних.
На рис. 1.4 представлені результати моделювання використання 12 методів класифікації для визначення напрямку погляду. Виявлено, що найточнішим серед них є метод "випадкового лісу" (Random Forest) [5], з точністю визначення на рівні 0.904. Цей метод обраний для використання в основі алгоритму класифікації в запропонованій системі керування поглядом.
Рисунок 1.4 - Гістограма точності визначення напрямку ока за результатами моделювання використання різних методів класифікації
Список використаних джерел:
1. EOG-based visual navigation interface development [Електронний ресурс]. – 2012. – Режим доступу до ресурсу: https://www.sciencedirect.com/science/article/abs/pii/S0957417412004770.
2. EOG-based Human–Computer Interface system development [Електронний ресурс]. – 2010. – Режим доступу до ресурсу: https://www.sciencedirect.com/science/article/abs/pii/S0957417409008835.
3. Robust Eye Movement Recognition Using EOG Signal for Human-Computer Interface [Електронний ресурс]. – 2011. – Режим доступу до ресурсу: https://link.springer.com/chapter/10.1007/978-3-642-22191-0_63.
4. EOG-based eye movement detection and gaze estimation for an asynchronous virtual keyboard [Електронний ресурс]. – 2019. – Режим доступу до ресурсу: https://www.sciencedirect.com/science/article/abs/pii/S1746809418301757.
5. Comparison of Classification Algorithms in Machine Learning [Електронний ресурс] – Режим доступу до ресурсу: https://thecleverprogrammer.com/2021/10/02/comparison-of-classification-algorithms-in-machine-learning/.
|
Голосування 
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter