بهبود كارايي شناسايي فعاليت خواندن متن در وضعيت هاي روزمره افراد با به كارگيري الگوريتم مبتني بر تطبيق رشته زمان پويا براي پردازش سيگنال-هاي الكترواكولوگرام

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

پژوهش هاي اخير در زمينه رايانش نافذ منجر به بهره گيري از روشهاي جديد براي شناسايي فعاليت انسان شده است. يكي از اين روشها، الكترواكولوگرافي است كه به كمك آن مي توان حركات چشم را ثبت و با تحليل الگوهاي آن، فعاليت هايي مانند خواندن را شناسايي كرد. الگوي حركتي خواندن با پردازش سيگنال هاي الكترواكولوگرام (EOG) كانال افقي قابل شناسايي است؛ بنابراين در اين پژوهش فقط از سيگنال هاي EOG كانال افقي به جاي هر دو كانال افقي و عمودي استفاده شد. با وجود كاهش تعداد كانال ها و با بكارگيري الگوريتمي مبتني بر تطبيق رشته زمان-پويا (DTW) و استخراج الگوي مرجع خواندن به كمك تبديل موجك و كدگذاري سيگنال EOG، كارايي دسته بندي داده هاي مربوط به خواندن و نخواندن افزايش يافت. نتايج نشان داد كه در كنار انحراف معيار كم نرخ شناسايي، بيشترين نرخ شناسايي 4% و ميانگين بازخواني 7% افزايش داشتند كه نشان دهنده قابليت اطمينان بيشتر الگوريتم به شرايط و افراد مختلف در مقايسه با الگوريتم هاي پيشين است.

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.