特征选择在眼球运动使用Electrooculography活动的分类识别

文摘

活动识别需要在不同的请求,例如,侦察系统,病人监控,人机接口。特征选择中扮演一个重要的角色在活动识别,数据挖掘和机器学习。在选择特征子集,一个高效的进化算法差分进化(DE),一个非常有效的优化器,用于寻找信息特征使用electrooculography从眼球运动(小城镇)。许多研究人员使用此次信号与各种计算智能方法在人机交互分析眼球运动。拟议的系统涉及到分析小城镇信号使用基于清晰的特点,最小冗余最大相关性特性,以及基于微分进化的特性。这项工作集中的特征选择算法基于德为了提高完美的活动的分类识别。

1。介绍

许多活动识别和计算机视觉研究采用手势识别作为前沿[1]。手势识别是一个理想的例子多学科研究;手势传递有意义的信息,通过身体动作与环境交互涉及的物理运动手指、手臂,头,脸,或身体。有许多工具等手势识别统计建模,计算机视觉,模式识别,图像处理,等等。特征提取和特征选择是成功地用于许多手势识别系统。手势识别的重要性放在从医疗康复虚拟现实人机交互应用程序。Mitra Acharya提供了手势识别调查,特别是在手势和面部表情2]。

活动识别的目的是提供信息,允许系统最佳协助用户与他或她的任务。活动识别已经成为一个重要的领域广泛的应用,如病人监测、警戒系统和人机交互。提高身价是第一个描述和应用眼基地活动识别问题的识别的日常活动3]。眼球运动有充足的信息活动的认可。

提高身价也描述和评估算法检测3小城镇的眼动特征信号,跳阅、固定,眨眼4]。眼球运动的人物,眨眼,在活动中扮演主要角色的认可。眨眼是第一行的眼部保护。盖子的擦拭作用可以去除灰尘、花粉(5]。根据Ousler等人的闪烁速度确实可以作为一个指标的认知或情感状态信号灯(6]。康明斯州闪烁也可能导致社会互动通过加强相互同步的动作和手势7]。Leal & Vrij代表在认知需求增加眨眼躺(8]。思考和肯尼迪报道眨眼在情绪激动9)和Hirokawa描绘更频繁的眨眼在最高的紧张10]。认知过程产生实质性影响眨眼率、精神活动,比如记忆或数学计算征税是闪烁速度的增加和有关(白日梦)和刺激跟踪低眨眼率呈现正相关关系。眨眼和其他眼部运动可能有用的信息来源在推理对人们的精神状态。

检测眼球运动的可能性之一是小城镇,这是一个技术测量视网膜的静态电位(11,12]。下面列出了一些小城镇的广泛应用。(我)Wijesoma等人此次用于指导和控制轮椅的残疾人(13]。(2)Usakli和小城镇Gurkan用于使用虚拟键盘14]。(3)邓等人此次用于操作电视遥控器和一个游戏(15]。(iv)Talaba小城镇用于视觉导航的比喻(16]。(v)甘地等人此次用于多任务控制装置(17]。(vi)提高身价等人此次用于活动识别(18]。

特征选择是重要的和必要的真实世界的应用程序必须处理高维度的训练数据。有许多特征选择方法在文献中可用。列出了一些混合的方法如下。(我)Garcia-Nieto等人提出了一个基于微分进化方法高效自动化的基因子集选择使用DLBCL淋巴瘤和结肠肿瘤的基因表达数据集。所选子集评估通过的支持向量机分类器19]。(2)李肇星雇佣DE-SVM模型,杂化德&支持向量机分类精度提高道路结冰预测使用特征选择(20.]。(3)徐和铃木提出了一种基于顺序向前漂浮的特征选择方法选择提高分类器的性能计算机检测息肉的CT结肠镜(CTC)。特征选择在这工作是结合支持向量机分类器和最大化接受者操作特征曲线下的面积(21]。(iv)郭等人提出了基于内核的特征选择方法,提高支持向量机的分类性能使用高光谱图像数据集(22]。(v)Guven和卡拉使用人工神经网络分析小城镇信号区分为目的的弱智者和正常的眼睛23]。这使医生做出快速判断眼病的存在更多的信心。只有二进制分类的小城镇信号一直在执行这项工作。

从文献综述可以发现有很多小城镇正在开发的应用程序。还是必要的特征选择算法需要开发,评估,和用于生产大幅改进通信与残疾人通过眼球运动和推理关于人的认知状态。

本文提出一种基于DE活动识别的混合特征选择技术使用眼部运动通过此次信号可以识别大多数信息的一个子集,眼动特征之间所有的眼动特征。该方法作为优化器在小城镇信号特征的分类器识别活动,比如阅读、浏览、写作,视频和复制。特征选择方法的好处包括提高活动识别的效率,因为只有一个子集的眼球运动和帮助支持向量机用于达到满意的精度。

2。方法

这里我们解释预处理,特征选择(cbf、mRMR和def),支持向量机分类器,并且模型评价策略用于这项工作。

2.1。数据集描述:Recognition-of-Office-Activities

此次数据用于本研究收集Andreas提高身价的“recognition-of-office-activities”数据集(https://www.andreas-bulling.de/datasets/recognition-of-office-activities/)。八个参与者参加了这项研究。大约30分钟的参与者参与两个连续的活动序列。整个数据集是八个小时。数据聚合的工作是基于基于办公室的活动以随机的顺序执行论文阅读,记笔记,看视频和网络浏览。此外,数据集包括一段时间的休息(零类)。这些活动通常都是平时工作日期间执行。

这些实验在一个明亮的场所进行了在正常的工作时间。参与者坐在前面2 17英寸的平板显示器的分辨率像素的视频播放器,一个浏览器,和文本的复制文字处理器屏幕。张纸和一支笔在桌子上接近于阅读和写作任务的参与者。任何限制被迫与类型的网站,浏览任务的交互方式。

此次信号捡起使用数组的五24 mm Ag / AgCl湿电极从泰科医疗周围放置正确的眼睛。水平和垂直信号收集使用两个电极对于每一个和第五个电极放在额头上的信号参考。此次数据捕获雇佣一个商业此次设备称为TMSI特文特(国际)医疗系统Mobi8集成仪表放大器与24位adc。Mobi8往往有更好的信号质量。Mobi8戴在腰带上在每个参与者的腰和记录四个频道小城镇在采样率为128 Hz。参与者的行为在特定阶段(阅读、浏览、写、视频、复制和休息)被观察到一个带注释的活动变化与无线远程控制和在日常生活中他们的本性在正常工作时间。上下文识别网络工具箱(CRNT)是用于处理数据记录和同步。

2.2。去除基线漂移和过滤小城镇的信号

对预处理,这工作适应中值滤波和去除基线漂移1 d小波分解在九级使用Daubechies小波在信号组件(18]。

图1显示此次信号水平,之前和之后去除基线漂移和过滤。

表1列出了相应的均方误差(MSE)和峰值信噪比(PSNR)两个参与者,成千上万的样品。

2.3。基本的眼球运动类型检测

各种活动使用由小城镇可以描绘成一个眼球运动规律的一个特定的序列跳阅和短固定相似的持续时间。信号的振幅变化变化的各种活动可用于识别常规办公室活动。使用此次读书活动是有图案的小跳阅和固定。不包括在阅读大的振幅变化。这是由于小眼球运动之间的单词和快速眼球运动结束的前一行与下一行的开始。写作是类似于阅读,但它需要更大的固定时间和更大的方差。这是最好的描述了使用平均注视时间。来回复制活动包括正常眼球运动包括屏幕之间的对准目标。这是反映在小型和大型水平扫视的选择特性,以及方差在水平小城镇停留。相比之下,观看视频和浏览是高度结构化的。 These activities depend on the video or website being viewed. These results propose that, for tasks that involve a known set of specific activity classes, recognition can be streamlined by only choosing eye movement features known to best describe these classes.

基本的步骤眼球运动类型检测识别是基于此次行动去除噪声和基线漂移、基本的眼动检测,特征提取。基本的眼球运动的解释和使用小波系数进行检测。

眼动特征像跳阅、固定和闪烁模式分开小城镇信号使用连续小波变换(CWT) 1 d小波系数使用哈雾母小波在规模2018]。预处理小城镇信号组件(EOGh EOGv-denoised,基线漂移删除)给出作为输入类: 小波系数的信号在规模和位置被定义为(1):

通过应用一个阈值的系数,类创建一个向量与元素基于(2)。这一步将EOGh(水平小城镇)和EOGv(垂直小城镇)眼跳和nonsaccadic(固定)。

我们使用相同的小波系数在EOGv侦测眨眼。眼球运动相关功能使用此次信号分别计算两个小城镇为每个参与者(横向和纵向)信号。统计特性,比如意思是,方差,最大值,最小值基于跳阅、固定,眨眼从这项工作。不同特点的小城镇信号导致不同系数的变化。完全从这项工作中提取210年统计特性。

眼动特征如跳阅和眨眼的小城镇模式(横向和纵向)信号如图2。

2.4。特征选择

2.4.1。最小冗余最大相关性(mRMR)

最小冗余最大相关性(mRMR) [24,25)算法是一个连续的选择算法。它使用互信息分析相关性和冗余。mRMR方案选择的特征关联最强的分类特征,结合选择特性相互不同于有高度的相关性,用以下方程: 在哪里之间的依赖特性的测量吗和客观的。有和没有的区别是在信息。年代功能设置和|年代|是特征的数量。

2.4.2。清晰的基础特征选择(cbf)

cbf [26计算目标样本之间的距离和每个类的中心,然后比较了类最近的中心与目标样本的类。所有样本的相似性比特性成为清洁度值特性(26]。

清晰的基础特征选择(cbf)算法是一种过滤方法。清洁度意味着类之间的分离特性。如果(清晰的特性)>(清晰的特性),然后更有用的分类。

步骤1。读和写的中间派是计算平均操作。这是中值点的一个类。地中海()代表的中值点类的特性,并计算了以下方程: 在哪里是一个类的样本数量。

步骤2。为每一个计算样本预测类。后计算之间的距离和地中海(所有类),这项工作需要最近的中间派地中海(),是一个预测类标签吗。之间的距离和地中海(计算)由以下方程:

步骤3。计算矩阵。这个矩阵包含一个匹配的结果预测类标签和正确的类标签。通过计算

步骤4。计算()。最初我们计算() 的范围()是。如果()是接近1,那么表明类特性分组和元素在吗可以清楚地分类。

2.5。该方法

该方法首先确定基本功能通过应用一个阈值()值之间的相关特性。这个阶段可以降低特征空间维数。如果相关性()之间的特性满足阈值()选择这些功能为下一个阶段。后删除重复功能大约184特性选择这项工作。

降低特征空间了def算法检测的重要特征子集通过机器学习算法如最大后验的方法。特征的投影到特征子空间我们去kernelized贝叶斯结构。该方法作为优化器在小城镇信号特征的分类器识别活动,比如阅读、浏览、写作,视频和复制。

图3说明了微分演化过程所涉及的步骤(27]。DE优化方法的第一步是生成一个人口(NP)成员,每个采用实值参数。为了提高DE子集选择效率,我们要改变适应度函数的最大后验概率。内核分配适合小城镇的特点,因为它有一个连续分布。小城镇功能可能扭曲和有多个峰值;我们可以使用一个内核不需要一个强大的假设。内核需要额外的计算时间和内存比正态分布。对于每一个特征模型与一个内核朴素贝叶斯分类器或每一类基于训练数据的类。默认的内核是正常的,和分类器选择一个宽度自动为每个类和特性。停止准则定义为达到最大迭代次数。选择适应度函数是朴素贝叶斯分类器的分类错误率达到与内核分配。

在这项工作参数动态分配,CR值为0.8时,问题的维数(#特性)D是15日使用的人口是50,和几代人的数量是10:

为每个目标矢量突变体是由使用(8):

父向量与变异的混合向量产生试验向量(9)。

采用统一的交叉。新生成的向量结果在一个较低的目标函数值(健身)。随机选择的初始种群大小的矩阵(NP×DNF)包含NP随机选择的向量被创建。DNF需要数量的特性来选择。我们搜索的总数限制特性()。个人下边界的搜索空间和上边界。每一个新的向量从最初的人口索引为0。DE过程中的步骤如下:两个人口数量之间的差异(P1, P2)添加到三分之一人口成员(P3)。结果(R4)受到交叉与候选人替换(C5)获得一个提议(PR6)。拟议的系统评估和替换如果发现最好的候选人。在我们的方案中每个特性的概率计算和作为加权替换重复的特性。所有的时间不是线性的方式的特性。所以我们只有去非线性内核结构环绕在特征空间的特性。这项工作的目的是减少进化算法的复杂性,提高健身验证通过机器学习概率内核考虑非线性分类器的输入。

表2显示了每个活动,样本的数量从每个活动特性确定,每个活动的绩效总结,没有def特性。

2.6。支持向量机

活动分类涉及到一组样品标签与一个类。一个示例是一个矢量的的特性,(,是活动的识别值jth的特点th样本()。标签的同事一个类值,class_我 与样品,在那里是一组类的样本值。在这项工作中,我们考虑SVM分类样本可能有六个类值。

支持向量机处理非线性数据通过使用一个内核函数(28]。内核将数据映射到特征空间。非线性函数线性学习机器学习的一个高维特征空间。这被称为内核技巧这意味着内核函数将数据变换到一个高维特征空间,形成自觉的线性分离(29日]:

这项工作中使用的核函数是线性的内核,意思是点积所示(10):

有一个类的功能与一个线性空间和一个函数映射来这样。点积发生在空间。解决(11),得到,最大化使用(12):

分类器被定义为(13)。我们每一个活动的75%用于训练分类器。分类器性能提高了我们提出的混合特征选择方法。

2.7。绩效评估标准

我们采用以下的标准来评估分类器的性能。我们使用垫实验计算分类器的准确性: TP、TN、FP, FN代表真正积极的,真正的负面,假阳性和假阴性。

敏感性,特异性,真阳性率(TPR),假阴性率(玻璃钢),和准确性(ACC)的计算是通过使用(14个)- (14 d)。

def的建议的方法的详细性能特性表中列出3。视频活动的精度高于其他活动。写作活动的回忆是略高于其他两种特征选择方法。详细的清爽的基础特征和支持向量机的性能和最小冗余最大相关性特性使用SVM方法列出,也与def特性。结果表明,该方法最好的执行与其他两种方法。

图4显示为每个活动是高精密的提议def基于特征选择的其他两种特征选择方法相比,mRMR cbf。写活动提出的基于def的特征选择和mRMR近提供相同的结果。复制活动的三种特征选择方法提供几乎相同的精度值。对于视频活动,该方法优于。零和阅读活动精度表明,cbf特性提供最好的结果相比,mRMR特性。

3所示。结果与讨论

特征提取的地址的问题找到一个更丰富的功能。结果表明,特征子集最丰富的特性在小城镇信号跳阅和眨眼。此次信号分析的统计措施被证明是非常有用的在搜索特征空间采用混合特征选择基于微分进化。线性内核的支持向量机是用于在小城镇分类数据集特征选择之前和之后。表列出了10倍交叉验证的结果3。在表中,我们报告的性能精度。数据集分为训练集其中四分之三的原始和休息四分之一的测试实例。我们专注于基于微分进化的特征选择算法为了提高分类。类的详细准确的结果如表所示2重点是特征选择之前和之后的区别。结果在表2表明,类准确性增加最小数量的功能。所选特征提高性能的降低错误率,特征子集的评价变得比一个全套的简单。当结果相比cbf和mRMR特征选择,分类器(SVM)性能(ACC = 83.33%)与提出特性显著提高。

4所示。结论

混合特征选择法在小城镇信号基于微分进化和该方法相比cbf和mRMR特征选择。微分进化算法是利用给强大的结果在寻找最好的交互的功能子集通过监督学习方法。此次高维度的数据集和目标类的数量()被认为测试的性能提出的特征选择。更适合我们的案例中是降低分类错误率,达到0.16。分类性能显著提高,当使用提出的特征选择算法,使用微分进化基于后验概率。这个方法之后,小波变换特征提取提供了强大的结果的准确性(ACC = 83.33%)和最优的特征子集大小(15)。

利益冲突

作者宣称没有利益冲突有关的出版。

引用

1. 答:提高身价,j·a·沃德h . Gellersen和g . Troster“健壮的识别使用可穿戴electrooculography在途的阅读活动,”第六届国际会议普适计算学报》上,19-37,2008页。视图:谷歌学术搜索
2. s . Mitra和t . Acharya手势识别:一项调查,”IEEE系统,人与控制论C部分:应用程序和评论,37卷,不。3、311 - 324年,2007页。视图:出版商的网站|谷歌学术搜索
3. 维达尔·m·a .提高身价,h . Gellersen”分析小城镇信号特性与可穿戴设备眼球运动的歧视,”学报第一国际研讨会上无处不在的眼动跟踪和移动Eye-Based交互(PETMEI 11)15 - 20页。ACM,北京,中国,2011年9月。视图:出版商的网站|谷歌学术搜索
4. d . d .萨吴奇和j·h·戈德堡,“识别定位,扫视眼动跟踪协议,”诉讼的眼动跟踪研究与应用研讨会(ETRA ' 00)2000年11月,页71 - 78。视图:出版商的网站|谷歌学术搜索
5. m·b·阿贝尔森,“是时候考虑眨眼。”对眼科,18卷,不。6日,58 - 61、2011页。视图:谷歌学术搜索
6. g . w . Ousler三世,k . w . Hagberg m . Schindelar d·韦尔奇和m·b·阿贝尔森“眼部保护指数”角膜,27卷,不。5,509 - 513年,2008页。视图:出版商的网站|谷歌学术搜索
7. f·康明斯,”目光闪烁在二元的对话:一项研究协调个体之间的行为,”语言和认知过程,27卷,不。10日,1525 - 1549年,2012页。视图:出版商的网站|谷歌学术搜索
8. a . Vrij大肠埃尼斯、美国法曼和美国曼,“人民对自身真实的和欺骗性的交互在日常生活中,“法医心理学杂志,卷2,6-42,2010页。视图:谷歌学术搜索
9. e .思考和w·p·肯尼迪,“闪烁的行为。”季度实验生理学杂志》上18卷,第110 - 89页,1927年。视图:谷歌学术搜索
10. k . Hirokawa答:八木天线,y Miyata”考试的语言能力在交流压力的影响,以闪烁和心率,在电话的情况下,“社会行为和性格,28卷,不。4、343 - 354年,2000页。视图:出版商的网站|谷歌学术搜索
11. a . Ubeda大肠Ianez, j . m . Azorin“无线和便携式EOG-based界面协助残疾人,”IEEE / ASME举办,16卷,不。5,870 - 873年,2011页。视图:出版商的网站|谷歌学术搜索
12. a . t . Duchowski眼动跟踪方法:理论与实践,25卷,不。9激飞纽约,纽约,美国,2007年。
13. w . s . Wijesoma s w·康,c . w . Ong a . p . Balasuriya t . s . Koh和k . s .低,“小城镇基础控制移动辅助平台的重度残疾,”《IEEE机器人和仿生学国际会议上(ROBIO ' 05)2005年7月,页490 - 493。视图:谷歌学术搜索
14. a . b . Usakli和s Gurkan”设计一个新颖高效的人机界面:一个基于electrooculagram虚拟键盘,“IEEE仪表和测量卷,59号8,2099 - 2108年,2010页。视图:出版商的网站|谷歌学术搜索
15. l . y .邓c . l .许t . c .林j . s .老爷和s . m . Chang“EOG-based人机接口系统开发,专家系统与应用程序,37卷,不。4、3337 - 3343年,2010页。视图:出版商的网站|谷歌学术搜索
16. c c。f . Girbacia Postelnicu, d . Talaba EOG-based视觉导航界面开发,“专家系统与应用程序,39卷,不。12日,第10866 - 10857页,2012年。视图:出版商的网站|谷歌学术搜索
17. t·甘地,m . Trikha j . Santhosh, s . Anand”发展的专家多任务设备由自愿的眼球运动,控制”专家系统与应用程序,37卷,不。6,4204 - 4211年,2010页。视图:出版商的网站|谷歌学术搜索
18. 答:提高身价,j·a·沃德h . Gellersen和g . Troster“眼动分析使用electrooculography活动识别,”IEEE模式分析与机器智能,33卷,不。4、741 - 753年,2011页。视图:出版商的网站|谷歌学术搜索
19. j . Garcia-Nieto e·阿尔巴,j . Apolloni”混合DE-SVM特征选择方法:应用于基因表达数据集,”第二届国际研讨会上物流和工业信息(林迪城区' 09),页1 - 6、林茨,奥地利,2009年9月。视图:出版商的网站|谷歌学术搜索
20. j·李,”DE和SVM的组合特征选择道路结冰预测,”第二届亚洲国际会议信息控制、自动化和机器人技术(汽车的10),卷2,页509 - 512,武汉,中国,2010年3月。视图:出版商的网站|谷歌学术搜索
21. J.-W。徐和k·铃木Max-AUC特征选择在计算机辅助检测息肉的CT结肠镜”IEEE生物医学和卫生信息学杂志》上,18卷,不。2、585 - 593年,2014页。视图:出版商的网站|谷歌学术搜索
22. 公元前郭,h·h·Ho c·h·李,c . c .挂和j·s . Taur“基于特征选择方法与RBF核函数支持向量机的高光谱图像分类,“IEEE选择杂志的主题应用地球观测和遥感,7卷,不。1,第326 - 317页,2014。视图:出版商的网站|谷歌学术搜索
23. a . Guven美国卡拉,“electro-oculogram信号使用人工神经网络、分类”专家系统与应用程序没有,卷。31日。1,第205 - 199页,2006。视图:出版商的网站|谷歌学术搜索
24. f·h·Peng长,c .丁”的基于互信息的特征选择:标准Max-Dependency, Max-Relevance, Min-Redundancy,”IEEE模式分析与机器智能,27卷,不。8,1226 - 1238年,2005页。视图:出版商的网站|谷歌学术搜索
25. h·彭”mRMR特征选择对MATLAB工具箱,”http://research.janelia.org/peng/proj/mRMR。视图:谷歌学术搜索
26. m . Seo和美国哦,”cbf:高性能基于功能清晰,特征选择算法”《公共科学图书馆•综合》,7卷,不。7篇文章ID e40419 2012。视图:出版商的网站|谷歌学术搜索
27. r . n . Khushaba a阿尔安尼,a . Al-Jumaily”特征子集选择使用微分进化和统计修复机制,“专家系统与应用程序,38卷,不。9日,第11526 - 11515页,2011年。视图:出版商的网站|谷歌学术搜索
28. v . n . Vapnik统计学习理论,1998年Wiley-Interscience。视图:MathSciNet
29. k .谎言和y歌手“极端保守的在线算法对于多类问题,”机器学习研究杂志》上,3卷,第991 - 951页,2003年。视图:谷歌学术搜索

版权

版权©2014 s .玛拉和拉莎。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。