本發(fā)明屬涉及一種人體行為識(shí)別系統(tǒng)及方法，具體地說(shuō)，涉及一種基于EOG的人體行為識(shí)別系統(tǒng)及方法。

背景技術(shù)：

人體行為識(shí)別(Human activity recognition,HAR)指對(duì)被觀測(cè)個(gè)體的動(dòng)作類型、行為模式等信息進(jìn)行綜合地分析與識(shí)別，并將識(shí)別結(jié)果通過(guò)自然語(yǔ)言等方式進(jìn)行描述。研究表明，人在進(jìn)行特定活動(dòng)時(shí)所引發(fā)的眼動(dòng)模式在很大程度上能夠揭示其行為狀態(tài)，如：閱讀、寫作、休息等，而這種眼動(dòng)模式可以通過(guò)對(duì)眼球運(yùn)動(dòng)情況的跟蹤來(lái)獲取，因此基于眼動(dòng)信息的人體行為識(shí)別算法的設(shè)計(jì)與實(shí)現(xiàn)已經(jīng)成為新的研究熱點(diǎn)。

近年來(lái)，眼電圖(Electro-oculogram,EOG)因價(jià)格低廉、容易獲取、處理簡(jiǎn)單、易于攜帶等優(yōu)點(diǎn)被證明是用于測(cè)量眼球運(yùn)動(dòng)最有效的工具之一。因此，使用EOG方法進(jìn)行HAR系統(tǒng)設(shè)計(jì)具有重要的研究?jī)r(jià)值。EOG-HAR系統(tǒng)是指將EOG信號(hào)作為被觀測(cè)對(duì)象，通過(guò)對(duì)其分析與識(shí)別，獲取被觀測(cè)對(duì)象的動(dòng)作類型、行為模式等信息。在系統(tǒng)實(shí)現(xiàn)過(guò)程中，行為狀態(tài)的檢測(cè)和分析較為關(guān)鍵，為此研究者們做出大量研究，其中Bulling A首次提出一種新的方法檢測(cè)掃視、眨眼、凝視，并通過(guò)對(duì)重復(fù)的眼動(dòng)模式序列進(jìn)行編碼，從而提取不同行為狀態(tài)的特征。后來(lái)，Shreyasi Datta將小波變換和AAR模型以及Hjorth參數(shù)結(jié)合起來(lái)用于提取不同行為狀態(tài)的特征，從而進(jìn)行識(shí)別。上述檢測(cè)方法雖然取得了一定的成功，但是他們僅僅是從基本EOG單元的識(shí)別與根據(jù)時(shí)序建立簡(jiǎn)單的碼表的層面上進(jìn)行人體行為的識(shí)別，難以保證信號(hào)的識(shí)別正確率。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述技術(shù)存在的缺陷，提供一種基于EOG的人體行為識(shí)別系統(tǒng)及方法，識(shí)別正確率更高、擴(kuò)展性更強(qiáng)、應(yīng)用前景良好。

其具體技術(shù)方案為：

一種基于EOG的人體行為識(shí)別系統(tǒng)，包括單元EOG信號(hào)識(shí)別模塊、眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模塊和信息融合模塊；

所述單元EOG信號(hào)識(shí)別模塊通過(guò)對(duì)原始多導(dǎo)聯(lián)EOG信號(hào)的分析，實(shí)現(xiàn)對(duì)閱讀、休息、寫作3種行為狀態(tài)的判斷，該模塊包括多導(dǎo)聯(lián)EOG信號(hào)的采集、預(yù)處理及基于信號(hào)平均功率，平均頻率，信號(hào)帶寬參數(shù)的特征提取與識(shí)別單元；

所述眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模塊使用N-gram方法對(duì)大量的單元EOG信號(hào)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，并計(jì)算不同行為狀態(tài)之間的轉(zhuǎn)移概率，得出狀態(tài)之間的上下文關(guān)系；

所述信息融合模塊指使用置信度參數(shù)對(duì)單元EOG信號(hào)識(shí)別模塊和眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模塊的輸出結(jié)果進(jìn)行綜合分析與判斷，并推斷出受試者最可能的行為狀態(tài)。

進(jìn)一步，所述單元EOG信號(hào)識(shí)別模塊中信號(hào)采集電極的安裝位置為：

(a)、使用2個(gè)電極采集水平掃視信號(hào)，一個(gè)電極安放于受試者的左眼眼球水平中心點(diǎn)左方2.5-3.0cm處；一個(gè)電極安放于受試者的右眼眼球水平中心點(diǎn)右方2.5-3.0cm處；

(b)、使用2個(gè)電極采集垂直掃視信號(hào)，一個(gè)電極安放于受試者左眼眼球正中心上方1.5-2.0cm處，另一個(gè)電極安放于受試者左眼眼球正中心下方1.5-2.0cm處；或者一個(gè)電極安放于受試者右眼眼球正中心上方1.5-2.0cm處，另一個(gè)電極安放于受試者右眼眼球正中心下方1.5-2.0cm處；

(c)、使用1個(gè)參考電極，參考電極安放于受試者右耳后乳凸處；

(d)、使用1個(gè)接地電極，接地電極安放于受試者左耳后乳凸處。

進(jìn)一步，所述單元EOG信號(hào)識(shí)別模塊中對(duì)原始信號(hào)的預(yù)處理過(guò)程：采用的是截止頻率為0.01-10Hz的32階fir帶通濾波器。

進(jìn)一步，所述單元EOG信號(hào)識(shí)別模塊中使用信號(hào)平均功率、信號(hào)平均頻率和信號(hào)帶寬作為眼動(dòng)信號(hào)特征參數(shù)，具體定義如下：

A(x)＝var(x) (1)

上式中，x為輸入EOG信號(hào)，A(x)表示信號(hào)平均功率、M(x)表示信號(hào)平均頻率、C(x)表示信號(hào)帶寬。

將得到的三個(gè)特征參數(shù)數(shù)據(jù)集分為訓(xùn)練和測(cè)試兩部分，訓(xùn)練部分送入支持向量機(jī) (Support Vector Machine,SVM)模型中進(jìn)行訓(xùn)練，測(cè)試部分送入訓(xùn)練好的SVM模型中進(jìn)行識(shí)別，其中SVM模型采用了徑向基函數(shù)(Radial Basis Function，RBF)，懲罰因子設(shè)定為1。

進(jìn)一步，所述的眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型建立的具體方法為：

假設(shè)第n個(gè)行為狀態(tài)的出現(xiàn)只與前面的n-1個(gè)狀態(tài)相關(guān)，而與其它任何狀態(tài)都不相關(guān)。用S₁,S₂,...,S_n來(lái)表示這n個(gè)狀態(tài)，那么狀態(tài)S_n出現(xiàn)的概率就可以寫為其中表示狀態(tài)序列S₁,S₂,...,S_n-1。在有大量訓(xùn)練數(shù)據(jù)的前提下，根據(jù)最大似然準(zhǔn)則，可以得到：

和分別表示狀態(tài)序列(S₁,S₂,...,S_n)和(S₁,S₂,...,S_n-1)在訓(xùn)練數(shù)據(jù)庫(kù)中出現(xiàn)的次數(shù)。本發(fā)明中取n＝3來(lái)構(gòu)建這個(gè)模型。當(dāng)n＝3時(shí)，公式(4)就可以寫成：

通過(guò)公式(5)，能夠求得當(dāng)前每種行為狀態(tài)出現(xiàn)的概率，即每種行為狀態(tài)之間的轉(zhuǎn)移概率。

進(jìn)一步，所述的信息融合模塊中置信度參數(shù)的獲取步驟如下：

(1)將EOG信號(hào)識(shí)別模塊的識(shí)別結(jié)果與數(shù)據(jù)標(biāo)簽進(jìn)行對(duì)比，和數(shù)據(jù)標(biāo)簽相同的結(jié)果是正確的識(shí)別結(jié)果，反之，是錯(cuò)誤的識(shí)別結(jié)果；

(2)用混合高斯模型對(duì)大量錯(cuò)誤和正確的識(shí)別結(jié)果的樣本進(jìn)行訓(xùn)練分別得到模型E和模型R；

(3)對(duì)一個(gè)待判別的識(shí)別結(jié)果，分別計(jì)算其到模型E和R的距離de和dr；

(4)計(jì)算到兩個(gè)模型的距離差dd＝dr-de。

當(dāng)dd>＝CM時(shí)，就認(rèn)為識(shí)別結(jié)果正確；當(dāng)dd<CM時(shí)，就認(rèn)為識(shí)別結(jié)果錯(cuò)誤，其中，CM為置信度門限，需要根據(jù)經(jīng)驗(yàn)進(jìn)行人為的設(shè)置。

一種基于EOG的人體行為識(shí)別方法，包括如下步驟：

步驟1：建立單元EOG信號(hào)識(shí)別模型，該模型主要分為以下三個(gè)部分：

(1)信號(hào)采集：實(shí)驗(yàn)使用NeuroScan采集設(shè)備，使用6個(gè)生物電極采用雙極導(dǎo)聯(lián)方式進(jìn)行數(shù)據(jù)采集，電極安放位置如本發(fā)明所要求，并在設(shè)計(jì)好的實(shí)驗(yàn)范式條件下采集大量的閱讀、寫作、休息數(shù)據(jù)。采集到的數(shù)據(jù)分成兩部分，一部分作為訓(xùn)練數(shù)據(jù)，另一部分作為測(cè)試數(shù)據(jù)。

(2)信號(hào)預(yù)處理：對(duì)上述所說(shuō)的訓(xùn)練數(shù)據(jù)采用截止頻率為0.01-10Hz的32階fir帶通濾波器進(jìn)行濾波，并對(duì)測(cè)試數(shù)據(jù)做相同處理。

(3)特征提取和識(shí)別：將上述預(yù)處理后的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)使用信號(hào)平均功率、信

號(hào)平均頻率和信號(hào)帶寬作為眼動(dòng)信號(hào)特征參數(shù)，具體定義如下：

A(x)＝var(x) (1)

上式中，x為輸入的EOG信號(hào)，var(x)表示信號(hào)的方差，x’表示輸入信號(hào)x的一階導(dǎo)，A(x)表示信號(hào)平均功率、M(x)表示信號(hào)平均頻率、C(x)表示信號(hào)帶寬。

將訓(xùn)練數(shù)據(jù)得到的特征參數(shù)送入SVM模型中進(jìn)行訓(xùn)練，測(cè)試數(shù)據(jù)得到的特征參數(shù)送入訓(xùn)練好的SVM模型中進(jìn)行識(shí)別，其中SVM模型采用了RBF核函數(shù)，懲罰因子設(shè)定為1。

步驟2：使用N-gram方法建立眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型，具體方法如下所述：假設(shè)第n個(gè)行為狀態(tài)的出現(xiàn)只與前面的n-1個(gè)狀態(tài)相關(guān)，而與其它任何狀態(tài)都不相關(guān)。我們用S₁,S₂,...,S_n來(lái)表示這n個(gè)狀態(tài)，那么狀態(tài)S_n出現(xiàn)的概率就可以寫為其中表示狀態(tài)序列S₁,S₂,...,S_n-1。在有大量訓(xùn)練數(shù)據(jù)的前提下，根據(jù)最大似然準(zhǔn)則，可以得到：

和分別表示狀態(tài)序列(S₁,S₂,...,S_n)和(S₁,S₂,...,S_n-1)在訓(xùn)練數(shù)據(jù)庫(kù)中出現(xiàn)的次數(shù)。在本發(fā)明中取n＝3來(lái)構(gòu)建這個(gè)模型。當(dāng)n＝3時(shí)，公式(4)就可以寫成：

通過(guò)公式(5)，能夠求得當(dāng)前每種行為狀態(tài)出現(xiàn)的概率，即狀態(tài)轉(zhuǎn)移概率。

步驟3：通過(guò)本發(fā)明所述的方法得到的置信度參數(shù)會(huì)先對(duì)EOG信號(hào)識(shí)別模型的每一個(gè)識(shí)別結(jié)果進(jìn)行判斷。首先，根據(jù)經(jīng)驗(yàn)算法預(yù)設(shè)一個(gè)初始檢測(cè)門限，當(dāng)置信度參數(shù)大于或等于所設(shè)置的門限時(shí)，就表示EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果有較高的可靠性，則算法認(rèn)定結(jié)果是正確的。當(dāng)置信度參數(shù)小于所設(shè)置的門限時(shí)，表明EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果可靠性較低，則算法認(rèn)定結(jié)果是錯(cuò)誤的。由于本發(fā)明所述的眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型統(tǒng)計(jì)出了不同行為狀態(tài)間的轉(zhuǎn)移概率，即當(dāng)前行為狀態(tài)發(fā)生后，下一時(shí)刻最可能出現(xiàn)的行為狀態(tài)。因此，當(dāng)EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果出現(xiàn)錯(cuò)誤時(shí)，我們使用眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型中最大轉(zhuǎn)移概率所對(duì)應(yīng)的行為狀態(tài)結(jié)果進(jìn)行替代，以提高識(shí)別正確率。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：本發(fā)明的一種基于EOG的人體行為識(shí)別系統(tǒng)和方法，具有識(shí)別正確率更高、擴(kuò)展性更強(qiáng)、應(yīng)用前景良好等優(yōu)點(diǎn)。本發(fā)明的有益效果具體體現(xiàn)在以下幾個(gè)方面的特點(diǎn)。

1、本發(fā)明對(duì)人體行為狀態(tài)的識(shí)別具有更高的識(shí)別正確率。

傳統(tǒng)的人體行為識(shí)別通常是孤立地分析一個(gè)單元EOG信號(hào)，或者根據(jù)時(shí)序建立簡(jiǎn)單的碼表，上述做法忽略了不同眼動(dòng)單元間的上下文關(guān)系，因此很難獲取較高的識(shí)別正確率。而本發(fā)明通過(guò)對(duì)大量EOG單元的統(tǒng)計(jì)，提取不同單元間先后發(fā)生的上下文關(guān)系并建立一個(gè)眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型，結(jié)合EOG單元的識(shí)別結(jié)果進(jìn)行個(gè)體行為的判斷，有效提高了人體行為狀態(tài)分類正確率。

2、本發(fā)明在行為狀態(tài)類型的識(shí)別上具有較強(qiáng)的擴(kuò)展能力。

本發(fā)明雖然只對(duì)閱讀、寫作、休息三種不同行為狀態(tài)的特征提取和識(shí)別方法，但本發(fā)明中EOG信號(hào)識(shí)別模型和眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型的建立并不限制行為狀態(tài)的種類個(gè)數(shù)，因此，本發(fā)明所提方法具有較強(qiáng)的分類擴(kuò)展能力，可以進(jìn)行更多不同行為狀態(tài)眼動(dòng)類型的特征提取與識(shí)別，如觀看視頻、瀏覽網(wǎng)頁(yè)等；另外，該方法不僅可以應(yīng)用在EOG信號(hào)的處理，對(duì)其它生物電信號(hào)，如：腦電、肌電等或者視頻信號(hào)處理都具有較好的分類性能。

3、本發(fā)明具有良好的應(yīng)用前景。

本發(fā)明所提方法是以有效提高人體行為識(shí)別系統(tǒng)性能為根本出發(fā)點(diǎn)，用以提高系統(tǒng)能夠主動(dòng)感知用戶意圖的能力，因此，本發(fā)明已經(jīng)成為了人工智能與模式識(shí)別領(lǐng)域中一個(gè)新興的研究?jī)?nèi)容，在智能視頻監(jiān)控、醫(yī)療診斷、運(yùn)動(dòng)分析及人-機(jī)交互等領(lǐng)域均具有廣泛的應(yīng)用前景。

附圖說(shuō)明

圖1為不同行為下的EOG波形圖；

圖2為本發(fā)明的算法流程圖；

圖3為本發(fā)明EOG信號(hào)采集過(guò)程中電極分布圖；

圖4為不同行為狀態(tài)之間的轉(zhuǎn)移狀態(tài)圖；

圖5為本發(fā)明中置信度參數(shù)獲取流程圖；

圖6為識(shí)別結(jié)果圖。

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步詳細(xì)地說(shuō)明。

一種基于EOG的人體行為識(shí)別方法，其特征主要包括如下模塊：

模塊1、單元EOG信號(hào)識(shí)別模塊：通過(guò)對(duì)原始多導(dǎo)聯(lián)EOG信號(hào)的分析，實(shí)現(xiàn)對(duì)閱讀、休息、寫作3種行為狀態(tài)的判斷。該模型包括多導(dǎo)聯(lián)EOG信號(hào)的采集、預(yù)處理及基于信號(hào)平均功率，平均頻率，信號(hào)帶寬參數(shù)的特征提取與識(shí)別單元；

模塊2、眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模塊：使用N-gram方法對(duì)大量的單元EOG信號(hào)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，并計(jì)算不同行為狀態(tài)之間的轉(zhuǎn)移概率，得出狀態(tài)之間的上下文關(guān)系；

模塊3、信息融合模塊：指使用置信度參數(shù)對(duì)模塊1和模塊2的輸出結(jié)果進(jìn)行綜合分析與判斷，并推斷出受試者最可能的行為狀態(tài)。

所述單元EOG信號(hào)識(shí)別模塊中信號(hào)采集電極的安裝位置為：

(a)、使用2個(gè)電極采集水平掃視信號(hào)，一個(gè)電極安放于受試者的左眼眼球水平中心點(diǎn)左方2.5-3.0cm處；一個(gè)電極安放于受試者的右眼眼球水平中心點(diǎn)右方2.5-3.0cm處；

(b)、使用2個(gè)電極采集垂直掃視信號(hào)，一個(gè)電極安放于受試者左眼眼球正中心上方1.5-2.0cm處，另一個(gè)電極安放于受試者左眼眼球正中心下方1.5-2.0cm處；或者一個(gè)電極安放于受試者右眼眼球正中心上方1.5-2.0cm處，另一個(gè)電極安放于受試者右眼眼球正中心下方1.5-2.0cm處；

(c)、使用1個(gè)參考電極，參考電極安放于受試者右耳后乳凸處；

(d)、使用1個(gè)接地電極，接地電極安放于受試者左耳后乳凸處。

所述單元EOG信號(hào)識(shí)別模塊中對(duì)原始信號(hào)的預(yù)處理過(guò)程：采用的是截止頻率為0.01-10Hz的32階fir帶通濾波器。

所述單元EOG信號(hào)識(shí)別模塊中使用信號(hào)平均功率、信號(hào)平均頻率和信號(hào)帶寬作為眼動(dòng)信號(hào)特征參數(shù)，具體定義如下：

A(x)＝var(x) (1)

上式中，x為輸入的EOG信號(hào)，A(x)表示信號(hào)平均功率、M(x)表示信號(hào)平均頻率、C(x) 表示信號(hào)帶寬。

所述的眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型建立的具體方法為：

假設(shè)第n個(gè)行為狀態(tài)的出現(xiàn)只與前面的n-1個(gè)狀態(tài)相關(guān)，而與其它任何狀態(tài)都不相關(guān)。用S₁,S₂,...,S_n來(lái)表示這n個(gè)狀態(tài)，那么狀態(tài)S_n出現(xiàn)的概率就可以寫為其中表示狀態(tài)序列S₁,S₂,...,S_n-1。在有大量訓(xùn)練數(shù)據(jù)的前提下，根據(jù)最大似然準(zhǔn)則，可以得到：

和分別表示狀態(tài)序列(S₁,S₂,...,S_n)和(S₁,S₂,...,S_n-1)在訓(xùn)練數(shù)據(jù)庫(kù)中出現(xiàn)的次數(shù)。本發(fā)明中取n＝3來(lái)構(gòu)建這個(gè)模型。當(dāng)n＝3時(shí)，公式(4)就可以寫成：

通過(guò)公式(5)，能夠求得當(dāng)前每種行為狀態(tài)出現(xiàn)的概率，即狀態(tài)轉(zhuǎn)移概率。

所述的信息融合模塊中置信度參數(shù)的獲取步驟如下：

(1)將EOG信號(hào)識(shí)別模塊的識(shí)別結(jié)果與數(shù)據(jù)標(biāo)簽進(jìn)行對(duì)比，和數(shù)據(jù)標(biāo)簽相同的結(jié)果是正確的識(shí)別結(jié)果，反之，是錯(cuò)誤的識(shí)別結(jié)果；

(2)用混合高斯模型對(duì)大量錯(cuò)誤和正確的識(shí)別結(jié)果的樣本進(jìn)行訓(xùn)練分別得到模型E和模型R；

(3)對(duì)一個(gè)待判別的識(shí)別結(jié)果，分別計(jì)算其到模型E和R的距離de和dr；

(4)計(jì)算到兩個(gè)模型的距離差dd＝dr-de。

當(dāng)dd>＝CM時(shí)，就認(rèn)為識(shí)別結(jié)果正確；當(dāng)dd<CM時(shí)，就認(rèn)為識(shí)別結(jié)果錯(cuò)誤，其中，CM為置信度門限，需要根據(jù)經(jīng)驗(yàn)進(jìn)行人為的設(shè)置。

一種基于EOG的人體行為識(shí)別方法，包括如下步驟：

步驟1：建立單元EOG信號(hào)識(shí)別模型，該模型主要分為以下三個(gè)部分：

(1)信號(hào)采集：實(shí)驗(yàn)使用NeuroScan采集設(shè)備，使用6個(gè)生物電極采用雙極導(dǎo)聯(lián)方式進(jìn)行數(shù)據(jù)采集，電極安放位置如本發(fā)明所要求，并在設(shè)計(jì)好的實(shí)驗(yàn)范式條件下采集大量的閱讀、寫作、休息數(shù)據(jù)。將采集到的數(shù)據(jù)分成兩部分，一部分作為訓(xùn)練數(shù)據(jù)，另一部分作為測(cè)試數(shù)據(jù)。

(2)信號(hào)預(yù)處理：對(duì)上述所說(shuō)的訓(xùn)練數(shù)據(jù)采用截止頻率為0.01-10Hz的32階fir帶通濾波器進(jìn)行濾波，并對(duì)測(cè)試數(shù)據(jù)做相同處理。

(3)特征提取和識(shí)別：將上述預(yù)處理后的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)使用信號(hào)的平均功率、平均頻率、信號(hào)帶寬三個(gè)參數(shù)作為特征，具體定義如下：

A(x)＝var(x) (1)

上式中，x為輸入的EOG信號(hào)，var(x)表示信號(hào)的方差，x’表示輸入信號(hào)x的一階導(dǎo)，A(x)表示信號(hào)平均功率、M(x)表示信號(hào)平均頻率、C(x)表示信號(hào)帶寬。

將訓(xùn)練數(shù)據(jù)得到的特征參數(shù)送入SVM模型中進(jìn)行訓(xùn)練，測(cè)試數(shù)據(jù)得到的特征參數(shù)送入訓(xùn)練好的SVM模型中進(jìn)行識(shí)別，其中SVM模型采用了RBF核函數(shù)，懲罰因子設(shè)定為1。

步驟2：使用N-gram方法建立眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型，具體方法如下所示：假設(shè)第n個(gè)行為狀態(tài)的出現(xiàn)只與前面的n-1個(gè)狀態(tài)相關(guān)，而與其它任何狀態(tài)都不相關(guān)。我們用S₁,S₂,...,S_n來(lái)表示這n個(gè)狀態(tài)，那么狀態(tài)S_n出現(xiàn)的概率就可以寫為其中表示狀態(tài)序列S₁,S₂,...,S_n-1。在有大量訓(xùn)練數(shù)據(jù)的前提下，根據(jù)最大似然準(zhǔn)則，可以得到：

和分別表示狀態(tài)序列(S₁,S₂,...,S_n)和(S₁,S₂,...,S_n-1)在訓(xùn)練數(shù)據(jù)庫(kù)中出現(xiàn)的次數(shù)。

在本發(fā)明中取n＝3來(lái)構(gòu)建這個(gè)模型。當(dāng)n＝3時(shí)，公式(4)就可以寫成：

通過(guò)公式(5)，能夠求得當(dāng)前每種行為狀態(tài)出現(xiàn)的概率，即行為狀態(tài)之間的轉(zhuǎn)移概率。

步驟3：通過(guò)本發(fā)明所述的方法得到的置信度參數(shù)會(huì)先對(duì)EOG信號(hào)識(shí)別模型的每一個(gè)識(shí)別結(jié)果進(jìn)行判斷。首先，根據(jù)經(jīng)驗(yàn)算法預(yù)設(shè)一個(gè)初始檢測(cè)門限，當(dāng)置信度參數(shù)大于或等于所設(shè)置的門限時(shí)，就表示EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果有較高的可靠性，則算法認(rèn)定結(jié)果是正確的。當(dāng)置信度參數(shù)小于所設(shè)置的門限時(shí)，表明EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果可靠性較低，則算法認(rèn)定結(jié)果是錯(cuò)誤的。由于本發(fā)明所述的眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型統(tǒng)計(jì)出了不同行為狀態(tài)間的轉(zhuǎn)移概率，即當(dāng)前行為狀態(tài)發(fā)生后，下一時(shí)刻最可能出現(xiàn)的行為狀態(tài)。因此，當(dāng)EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果出現(xiàn)錯(cuò)誤時(shí)，我們使用眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型中最大轉(zhuǎn)移概率所對(duì)應(yīng)的行為狀態(tài)結(jié)果進(jìn)行替代，以提高識(shí)別正確率。

參見(jiàn)圖1，圖1為不同行為下的EOG波形圖。當(dāng)人眼球運(yùn)動(dòng)時(shí)，眼電信號(hào)的幅值會(huì)隨著眼球的運(yùn)動(dòng)而不斷發(fā)生變化，我們將這種變化的電勢(shì)繪制到時(shí)間軸上則可以構(gòu)成一條曲線，這條曲線就稱之為眼電圖。人在進(jìn)行某種行為時(shí)，人眼會(huì)呈現(xiàn)出不同的運(yùn)動(dòng)規(guī)律，這種規(guī)律能夠用眼電圖記錄下來(lái)。如圖1左邊代表的是閱讀時(shí)的眼電信號(hào)波形，右邊是寫作的眼電信號(hào)波形，中間的是休息眼電信號(hào)波形，從這三種不同行為表現(xiàn)出的波形可以看出眼電信號(hào)與行為狀態(tài)有較明確的對(duì)應(yīng)關(guān)系。

參見(jiàn)圖2，圖2為本發(fā)明的算法流程圖。說(shuō)明了本實(shí)施例中人體行為識(shí)別框圖。具體實(shí)施中，主要包括以下三個(gè)模塊：

1)單元EOG信號(hào)的識(shí)別模塊：該模型分別由EOG信號(hào)的采集、預(yù)處理、特征提取和識(shí)別這三部分組成；

2)眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模塊：使用N-gram方法統(tǒng)計(jì)出狀態(tài)之間潛在的上下文關(guān)系，并通過(guò)概率的大小來(lái)推斷某時(shí)刻所處的最佳狀態(tài)；

3)信息融合模塊：通過(guò)置信度參數(shù)實(shí)現(xiàn)對(duì)兩個(gè)模型輸出結(jié)果的綜合分析與判斷并推斷出受試者最可能的行為狀態(tài)。

參見(jiàn)圖3，圖3為本發(fā)明的眼動(dòng)信號(hào)采集過(guò)程中電極分布圖。本發(fā)明采用雙極導(dǎo)聯(lián)方式進(jìn)行數(shù)據(jù)采集，共使用了6個(gè)生物電極，電極U和電極D分別放置于左眼的上方和下方2cm處用于采集垂直眼電信號(hào)，電極L安放于受試者的左眼眼球水平中心點(diǎn)左方2.5-3.0cm處和電極R安放于受試者的右眼眼球水平中心點(diǎn)右方2.5-3.0cm用于采集水平眼電信號(hào)，電極A和電極G分別安放于右耳后和左耳后乳凸處分別作為為參考電極和接地電極。

參見(jiàn)圖4，圖4為不同狀態(tài)之間可能的轉(zhuǎn)移路徑。在辦公室場(chǎng)景下的閱讀、休息、寫作這三種不同的狀態(tài)表面上是獨(dú)立不相關(guān)的，但實(shí)際上這三種狀態(tài)具有上下文關(guān)系。例如：當(dāng)我們因?yàn)殚喿x而感到疲憊時(shí)，會(huì)選擇休息，閱讀和休息就有了上下文關(guān)系；當(dāng)我們閱讀到重要的內(nèi)容需要寫下來(lái)時(shí)，閱讀和寫作就構(gòu)成了上下文關(guān)系。因此我們使用特定上下文關(guān)系網(wǎng)絡(luò)建立一個(gè)眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型。具體來(lái)說(shuō)，該模型就是利用眼動(dòng)單元上下文中的搭配模式(每個(gè)狀態(tài)的轉(zhuǎn)移路徑)，試圖捕捉并預(yù)測(cè)在當(dāng)前連續(xù)眼動(dòng)行為中的下一個(gè)眼動(dòng)行為，并計(jì)算出具有最大可能的局部連續(xù)眼動(dòng)序列，在此基礎(chǔ)上推斷此序列對(duì)應(yīng)的行為狀態(tài)。

參見(jiàn)圖5，圖5為本發(fā)明的置信度參數(shù)獲取的流程圖。圖5說(shuō)明了本實(shí)施例中置信度參數(shù)獲取的具體過(guò)程。首先將EOG信號(hào)識(shí)別模型的識(shí)別結(jié)果與數(shù)據(jù)標(biāo)簽進(jìn)行對(duì)比，和數(shù)據(jù)標(biāo)簽相同的結(jié)果是正確的識(shí)別結(jié)果，反之，是錯(cuò)誤的識(shí)別結(jié)果；其次，用混合高斯模型對(duì)大量錯(cuò)誤和正確的識(shí)別結(jié)果的樣本進(jìn)行訓(xùn)練分別得到模型E和模型R；然后，對(duì)一個(gè)待判別的識(shí)別結(jié)果，分別計(jì)算其到模型E和R的距離de和dr；最后，計(jì)算到兩個(gè)模型的距離差dd＝dr-de，該距離差就是所求的置信度參數(shù)。

參見(jiàn)圖6，圖6為單元EOG信號(hào)識(shí)別模型和結(jié)合了眼動(dòng)信號(hào)-行為狀態(tài)關(guān)系模型的單元EOG信號(hào)識(shí)別模型的識(shí)別正確率。其中，橫坐標(biāo)1-6分別對(duì)應(yīng)6位不同的受試者，縱坐標(biāo)表示識(shí)別正確率(a代表的是前者，b代表的是后者)。統(tǒng)計(jì)后發(fā)現(xiàn)，前者的平均識(shí)別率為85.5％，后者的平均識(shí)別率為86.5％，后者的平均識(shí)別率比前者的平均識(shí)別率高出1％。這一結(jié)果表明本發(fā)明所提出的結(jié)合EOG信號(hào)識(shí)別模型與行為關(guān)系模型的人體行為識(shí)別算法能夠有效提高識(shí)別正確率與系統(tǒng)實(shí)用性。

以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，本發(fā)明的保護(hù)范圍不限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可顯而易見(jiàn)地得到的技術(shù)方案的簡(jiǎn)單變化或等效替換均落入本發(fā)明的保護(hù)范圍內(nèi)。