نوع مقاله: یادداشت کوتاه پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی پزشکی، گروه بیوالکتریک، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

2 استادیار، گروه بیوالکتریک، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران

10.22041/ijbme.2013.13123

چکیده

پژوهش‌های اخیر در زمینة رایانش نافذ منجر به بهره‌گیری از روشهای جدید برای شناسایی فعالیت انسان شده است. یکی از این روشها، الکترواکولوگرافی است که به کمک آن می‌توان حرکات چشم را ثبت و با تحلیل الگوهای آن، فعالیت‌هایی مانند خواندن را شناسایی کرد. الگوی حرکتی خواندن با پردازش سیگنال‌های الکترواکولوگرام (EOG) کانال افقی قابل شناسایی است؛ بنابراین در این پژوهش فقط از سیگنال‌های EOGکانال افقی به جای هر دو کانال افقی و عمودی استفاده شد. با وجود کاهش تعداد کانال‌ها و با بکارگیری الگوریتمی مبتنی بر تطبیق رشتة زمان-پویا (DTW) و استخراج الگوی مرجع خواندن به کمک تبدیل موجک و کدگذاری سیگنال EOG، کارایی دسته‌بندی داده‌های مربوط به خواندن و نخواندن افزایش یافت. نتایج نشان داد که در کنار انحراف معیار کم نرخ شناسایی، بیشترین نرخ شناسایی 4% و میانگین بازخوانی 7% افزایش داشتند که نشان‌دهندة قابلیت اطمینان بیشتر الگوریتم به شرایط و افراد مختلف در مقایسه با الگوریتم‌های پیشین است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Improving Reading Activity Recognition in Daily Life Situations Using DTW-Based String Matching Algorithm in EOG Signal Processing

نویسندگان [English]

  • Ramtin Zargari Marandi 1
  • Seyed Hojat Sabzpoushan 2

1 PhD Student, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology

2 Assistant Professor, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology

چکیده [English]

Recent research in pervasive computing field leads to use of novel techniques for human activity recognition. One of these techniques is electrooculography which helps to record eye movements and by analyzing these movements’ patterns it’s possible to recognize daily life activities like reading. Eye movement patterns during reading can be detected using only EOG signals from horizontal channel instead of both horizontal and vertical channels, so only horizontal channel electrode placement on subject’s face set up for hindrance reduction is used in this work. Despite of channels reduction and by using DTW-based string matching algorithm and reading reference template extraction using wavelet transform and encoding of EOG signal, the performance of classification between reading and non-reading data increased, As it shows 4% increase in maximum recognition rate and also low standard deviation in recognition rate in addition to 7% increase in mean of recall which demonstrate that the algorithm is more robust and reliable in comparison with previous algorithms encountering various situations and subjects.

کلیدواژه‌ها [English]

  • Electrooculography
  • Context-awareness
  • String Maching
  • Pervasive Computing
  • Pattern recognition

[1]        Bulling A., Ward J.A., Gellersen H., Tröster G., Robust Recognition of Reading Activity in Transit Using Wearable Electrooculography; Proc. of the 6th Int’l Conf. on Pervasive Computing, Berlin, 2008; pp: 19–37.

[2]        Venkataramanan S., Prabhat P., Choudhury S.R., Nemade H.B., Sallanlbi J.S., Biomedical Instrumentation based on Electrooculogram (EOG) Signal Processing and Application to a Hospital Alarm System; Proc. of Int’l Conference on Intelligent Sensing and Information Processing, 2005; pp.535 – 540.

[3]        Logan B., Healey J., Philipose M., Tapia E., Intille S., A Long-Term Evaluation of Sensing Modalities for Activity Recognition; Ubiquitous Computing, 2007; 4717: 483-500.

[4]        Vidal M., Turner J., Bulling A., Gellersen H., Wearable eye tracking for mental health monitoring; Computer Communications, 2011; 35(11): 1306-1311.

[5]        Gu J.J., Meng M., Cook A., Faulkner G., A Study of Natural Eye Movement Detection and Ocular Implant Movement Control Using Processed EOG Signals; Proc. IEEE Int’l Conf. Robotics and Automation, 2001; 2: 1555-1560.

[6]        Chouhan V.S., Mehta S.S., Total Removal of Baseline Drift from ECG Signal; Proc. 17th Int’l Conf. Computer Theory and Applications, 2007; pp: 512-515.

[7]        Tinati M.A., Mozaffary B., A Wavelet Packets Approach to Electrocardiograph Baseline Drift Cancellation; Int’l J. Biomedical Imaging, 2006; 2006: 1-9.

[8]        Bulling A., Ward J.A., Gellersen H., Troster G., Eye Movement Analysis for Activity Recognition Using Electrooculography; IEEE Trans. Pattern Analysis and Machine Intelligence, 2011; 33(4): 741-753.

[9]        Duchowski A.T., Eye Tracking Methodology: Theory and Practice. Springer-Verlag New York, Inc., 2007.

[10]    Senin P., Dynamic Time Warping Algorithm Review; Honolulu USA 2008.

[11]    Fawcett T., An introduction to ROC analysis; Pattern Recognition Letters, 2006; 27(8): 861-874.

[12]    David L., and Dursun D., Advanced Data Mining Techniques; Springer, 2008; pp: 138.