86、基于GMM分类方法的眨眼识别

基于GMM分类方法的眨眼识别

在脑机接口（BCI）系统中，眨眼识别是一个重要的研究方向。许多研究致力于通过眨眼信号来控制机器人、轮椅等设备，但目前的方法在识别准确性和效率上仍有提升空间。本文将介绍一种基于高斯混合模型（GMM）分类方法的自动眨眼检测新方法。

1. 现有眨眼检测方法概述

此前已有不少方法用于解决眨眼检测问题。例如，Ma等人提出了一种结合眼电图（EOG）和脑电图（EEG）信号的混合BCI系统，用于控制多功能人形机器人和四个移动机器人；Ferreira等人则利用眨眼来控制机器人轮椅。Ochoa调查了四种常见的EEG信号眨眼检测方法，包括盲源分离（BSS）法、经典的拒绝或去除法、带通有限脉冲响应（FIR）滤波器和神经网络。大多数基于BSS的方法使用独立成分分析（ICA），Gao等人提出了ICA结合支持向量机（SVM）分类器的峰值检测方法，Gebrehiwot等人使用了FastICA、带通滤波和阈值处理步骤，Gupta等人使用统计方法进行伪影检测，Abo等人提出了用二次多项式表示分段信号的代数方法，还有一些删除方法基于神经网络。

2. 提出的方法

本文提出的方法名为多项式EEG模型的GMM分类，主要由学习阶段和预测阶段两个主要阶段组成。

2.1 学习阶段

学习阶段包含三个子步骤：
- 眨眼段选择 ：实验室专家检查受试者以识别眨眼，并指定包含每个眨眼的准确段，确保选择正确的眨眼段。如图2所示，四个通道上不同有界区间内选定的EEG眨眼信号用蓝色圆圈包围。
- 多项式回归 ：该方法基于多项式回归来拟合眨眼曲线。多项式为