申请/专利权人：安徽大学

申请日：2018-09-04

公开（公告）日：2021-12-14

公开（公告）号：CN109308118B

主分类号：G06F3/01(20060101)

分类号：G06F3/01(20060101);G06F3/023(20060101);G06K9/00(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.12.14#授权;2019.03.05#实质审查的生效;2019.02.05#公开

摘要：本发明公开了一种基于EOG的中文眼写信号识别方法，包括以下步骤：采集基于眼电图的中文眼写数据并对数据进行预处理；将预处理后的数据分为模板数据和汉字笔画数据两个部分；将横、竖、撇、捺、折五个模板笔画段和汉字笔画段数据均送入基于DTW的分类器中进行笔画识别，并用softmax算法处理识别结果得到识别的笔画段序列的概率分布；建立汉字字库用one‑hot编码后，得到的笔画段序列的概率分布与编码的同笔画汉字匹配以获得最终的预测中文汉字。还公开了基于EOG的中文眼写信号识别方法的识别系统，具有对中文字符识别正确率高、汉字字库扩展能力较强、应用前景广泛的优点。

主权项：1.一种基于EOG的中文眼写信号识别方法，包括以下步骤：S1：采集基于眼电图的中文眼写数据并对数据进行预处理；S2：将预处理后的数据分为模板数据和汉字笔画数据两部分：所述模板数据为采用滑动窗检测眨眼方法将连续的笔画模板数据分割为横、竖、撇、捺、折五个模板笔画段数据；所述汉字笔画数据为预处理后的原始多导联数据通过滑动窗检测眨眼方法分割为汉字笔画段数据；S3：将横、竖、撇、捺、折五个模板笔画段和汉字笔画段数据均送入基于DTW的分类器中进行笔画识别，并用softmax算法处理识别结果得到识别的笔画段序列的概率分布；具体步骤包括：S3.1：假设有一个总笔画数为m的汉字，si表示第i个笔画，tj表示第j个模板1≤i≤m，1≤j≤5，汉字每个笔画si与5个模板笔画匹配，并使用DTW方法计算相似度：psi，tj＝1-dtwsi，tjmax1≤k≤5dtwsi，tk1在等式1中，dtwsi，tj是通过DTW方法计算的累积距离，psi，tj表示笔画si被分类为模板tj的概率，反映汉字笔画段si与模板笔画段tj之间的相似度；S3.2：汉字所有笔画的psi，tj被组合在一起得到相似度矩阵P： pi＝[psi，t1，psi，t2，...，p]3其中，pi是第i个笔画被分为五个模板笔画的概率分布；S3.3：采用softmax算法方法处理相似度，使DTW计算的相似度成为概率分布矩阵Q，如公式4和5所示： 式子5中，Q表示汉字的m个笔画的识别概率分布矩阵；S4：建立汉字字库并用one-hot编码后，将步骤S3得到的笔画段序列的概率分布与编码的同笔画汉字匹配，以获得最终的预测中文汉字。

全文数据：基于EOG的中文眼写信号识别系统及其识别方法技术领域本发明涉及脑-机接口技术领域，特别是涉及一种基于EOG的中文眼写信号识别系统及其识别方法。背景技术近年来，有越来越多的人患有肌肉和神经系统疾病，例如肌萎缩性脊髓侧索硬化症ALS，运动神经元疾病MND，椎骨受伤等。他们几乎丧失了控制肌肉或与他人交流的能力。然而，他们中的大多数仍然能够有效的转动眼球。因此，基于眼球运动的系统为这些患者提供了与护理人员或外围设备进行通信的替代方式。眼写系统就是这样一种用户可以通过移动他们的眼球按照不同字符的预定眼球运动模式来输入字符的系统。目前，基于视频和眼电图EOG的方法已被用来实现眼写系统。在数据采集过程中，基于视频的方法不需要接触用户的皮肤，与其EOG检测方法相比，该方法提供非常精准的凝视方向估计。因此，它成为一种最流行的感知用户行为的方法。其中，Itoh等人开发了一个系统，它通过获取和检测严重肢体残疾人的凝视输入字符和控制环境设备。Abe等人提出了一个使用计算机和家用摄像机的眼睛注视输入系统。该方法面临的最大挑战是照明变化的干扰。另外，它需要较高的计算负荷来处理光学传感器收集的大量图像。眼电图EOG是本工作中使用的测量技术，它提供了另一种记录眼球运动的可能性。与基于视频的方法相比，电子眼EOG的方法具有低成本，轻计算重量和在环境光线变化下受影响小的优点。如今，已经开发出一些基于EOG的眼写系统。例如，López等人开发了一种基于眼球运动的计算机书写系统。用户可以通过三种类型的基本眼球运动即，扫视，注视和眨眼来选择64个可用数字，字母或字符中的任何一个。Kwang-Ryeol等人提出了一种使用EOG的基于实时眼电图描绘的眼睛书写识别系统。该系统将输入迹线与经过训练的各种输入模式的眼电图迹线相匹配，以识别预期的符号输入。上述系统的缺陷主要是：以单个英文字符为研究对象，英文中只有26个基本英文字符，所以设计一个眼写系统相对容易。相比之下，汉字的数量大约是十万，常用字符的数量也达到了3500。显然，在设计中文眼写系统时，识别单个字符既耗时也不能保证准确性。因此亟需提供一种新型的基于EOG的中文眼写信号识别方法及系统来解决上述问题。发明内容本发明所要解决的技术问题是提供一种基于EOG的中文眼写信号识别系统及其识别方法，中文字符识别正确率高、汉字字库扩展能力较强、应用前景广泛。为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于EOG的中文眼写信号识别方法，包括以下步骤：S1：采集基于眼电图的中文眼写数据并对数据进行预处理；S2：将预处理后的数据分为模板数据和汉字笔画数据两部分：所述模板数据为采用滑动窗检测眨眼方法将连续的笔画模板数据分割为横、竖、撇、捺、折五个模板笔画段数据；所述汉字笔画数据为预处理后的原始多导联数据通过滑动窗检测眨眼方法分割为汉字笔画段数据；S3：将横、竖、撇、捺、折五个模板笔画段和汉字笔画段数据均送入基于DTW的分类器中进行笔画识别，并用softmax算法处理识别结果得到识别的笔画段序列的概率分布；S4：建立汉字字库并用one-hot编码后，将步骤S3得到的笔画段序列的概率分布与编码的同笔画汉字匹配，以获得最终的预测中文汉字。在本发明一个较佳实施例中，步骤S1中的预处理过程为对原始多导联眼电数据进行带通滤波，带通滤波的截止频率为0.1—8Hz。在本发明一个较佳实施例中，步骤S2中，滑动窗检测眨眼方法包括以下步骤：S2.1：取采集电极HEOR和HEOL之间的电位差作为水平EOG信号，采集电极VEOU和VEOD之间的差值作为垂直EOG信号，通过滑动窗口处理滤波的垂直EOG信号；S2.2：设置动态阈值amp并初始化，动态阈值的取值范围为180+M～250+M，其中M是滑动窗口中所有EOG幅度值取平均的结果；将当前滑动窗口中每个EOG样本的幅度与动态阈值amp进行比较，若高于amp，则在眨眼段中相应的点将被标记为眨眼点，否则为一个非眨眼点，然后通过逐个移动样本点来更新滑动窗口中的数据；S2.3：重复步骤S2.2，直到滑动窗口移动到EOG信号的末尾；S2.4：当检测到连续EOG信号时，使用眨眼段将连续EOG信号分成一系列笔划段，以此获得模板笔画段和汉字笔画段数据。在本发明一个较佳实施例中，步骤S3的具体步骤包括：S3.1：假设有一个总笔画数为m的汉字，si表示第i个笔画，tj表示第j个模板1≤i≤m，1≤j≤5，汉字每个笔画si与5个模板笔画匹配，并使用DTW方法计算相似度：psi，tj＝1-dtwsi，tjmax1≤k≤5dtwsi，tk1在等式1中，dtwsi，tj是通过DTW方法计算的累积距离，psi，tj表示笔画si被分类为模板tj的概率，反映汉字笔画段si与模板笔画段tj之间的相似度；S3.2：汉字所有笔画的psi，tj被组合在一起得到相似度矩阵P：pi＝[psi，t1，psi，t2，…，3其中，pi是第i个笔画被分为五个模板笔画的概率分布；S3.3：采用softmax算法方法处理相似度，使DTW计算的相似度成为概率分布矩阵Q，如公式4和5所示：式子5中，Q表示汉字的m个笔画的识别概率分布矩阵。在本发明一个较佳实施例中，步骤S4的具体步骤包括：S4.1：建立汉字字库并用one-hot编码，所有汉字均由五个基本笔画横、竖、撇、捺、折组成，这五种类型的笔画用one-hot表示为：1.横[一]:100002.竖[丨]:010003.撇[丿]:001004.捺[丶]:000105.折[乙]:00001S4.2：将步骤S3得到的笔画段序列的概率分布与编码的若干个同笔画汉字进行匹配，计算两者的交叉熵，交叉熵用于度量两个概率分布之间的差异，反映了输入汉字与编码汉字之间的相似性：其中pix和qix分别表示编码汉字的概率分布和输入汉字的概率分布，Hp，q表示基于交叉熵的字符之间的相似度，交叉熵是基于输入汉字和编码汉字库中具有m个笔划的所有汉字计算的值；S4.3：交叉熵最小的同笔画汉字为最终的预测中文汉字。为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于EOG的中文眼写信号识别方法的识别系统，包括：眼动信号预处理模块，用来对原始多导联眼动数据进行带通滤波，得到消除噪声后的模板数据和汉字笔画数据；分割笔画段模块，用于将连续的模板数据和汉字笔画数据通过滑动窗检测眨眼方法分割为模板笔画段数据和汉字笔画段数据；笔画分类模块，用于对得到的模板笔画段数据和汉字笔画段数据通过基于DTW的分类器进行笔画识别，并用softmax算法处理识别结果得到识别的笔画序列的概率分布；汉字编码和匹配模块，用于建立汉字字库并进行one-hot编码，将笔画分类得到的笔画段序列的概率分布与编码的同笔画中文汉字进行匹配，计算两者的交叉熵，交叉熵最小的同笔画汉字为最终的预测中文汉字。本发明的有益效果是：1本发明通过检测和识别基于EOG的单元眼动信号实现了眼写笔画和汉字的识别，并将基于眼电图的中文眼写数据分为横、竖、撇、捺、折五个模板笔画段数据和汉字笔画段数据，使扩充识别汉字集合变得更加简单；2所述识别系统受光线变化影响小、计算重量轻、成本较低，该识别方法可以提供丰富的控制命令，因而可作为长期应用的可穿戴眼写设备参与到受试者的实验和生活中，也可以作为手脚不方便群体的另一种通信方式；3本发明提供的基于EOG的中文眼写信号识别系统的识别方法，具有对中文字符识别正确率高、对应汉字字库扩展能力较强、应用前景广泛等优点。附图说明图1是本发明基于EOG的中文眼写信号识别方法的流程图；图2是采集过程中的电极分布图；图3是本发明对应于五个基本笔画的眼动模式和相应的原始EOG波形图；图4是本发明采集汉字数据的单次实验范式示意图；图5是本发明一个规整路径的实例图；图6是本发明实验设备的结构框图；图7是本发明随机选择的汉字“的”的笔画检测结果图；图8是本发明所有中文笔画的混淆矩阵示意图；图9是本发明随机实验的汉字识别结果图。附图中各部件的标记如下：1、生物电极，2、信号放大器，3、EOD采集电脑，4、电脑屏幕。具体实施方式下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。请参阅图1，本发明实施例包括：一种基于EOG的中文眼写信号识别方法，包括以下步骤：S1：采集基于眼电图的中文眼写数据并对数据进行预处理；所述预处理过程为对原始多导联眼电数据进行带通滤波，带通滤波的截止频率为0.1—8Hz。S2：将预处理后的数据分为模板数据和汉字笔画数据两部分：所述模板数据为采用滑动窗检测眨眼方法将连续的笔画模板数据分割为横、竖、撇、捺、折五个模板笔画段数据；所述汉字笔画数据为预处理后的原始多导联数据通过滑动窗检测眨眼方法分割为汉字笔画段数据；在步骤S2中，滑动窗检测眨眼方法包括以下步骤：S2.1：取采集电极HEOR和HEOL之间的电位差作为水平EOG信号EOGh，采集电极VEOU和VEOD之间的差值作为垂直EOG信号EOGv，通过滑动窗口处理滤波的垂直EOG信号；S2.2：设置动态阈值amp初始化为225+M，其中M是滑动窗口中所有EOG幅度值取平均的结果；将当前滑动窗口中每个EOG样本的幅度与动态阈值amp进行比较，若高于amp，则在眨眼段中相应的点将被标记为眨眼点，否则为一个非眨眼点，然后通过逐个移动样本点来更新滑动窗口中的数据；S2.3：重复步骤S2.2，直到滑动窗口移动到EOG信号的末尾；S2.4：当检测到连续EOG信号时，使用眨眼段将连续EOG信号分成一系列笔划段，以此获得模板笔画段和汉字笔画段数据。其中眨眼段为一个眨眼终止点到下一个眨眼起始点之间的EOG信号数据段。S3：将横、竖、撇、捺、折五个模板笔画段和汉字笔画段数据均送入基于DTWDynamicTimeWarping，动态时间规整算法的分类器中进行笔画识别，并用softmax算法处理识别结果得到识别的笔画段序列的概率分布；具体步骤包括：S3.1：假设有一个总笔画数为m的汉字，si表示第i个笔画，tj表示第j个模板1≤i≤m,1≤j≤5，汉字每个笔画si与5个模板笔画匹配，并使用DTW方法计算相似度：psi，tj＝1-dtwsi，tjmax1≤k≤5dtwsi，tk1在等式1中，dtwsi，tj是通过DTW方法计算的累积距离，psi，tj表示笔画si被分类为模板tj的概率，反映汉字笔画段si与模板笔画段tj之间的相似度，它的值越大，笔画si与模板tj越相似。S3.2：汉字所有笔画的psi，tj被组合在一起得到相似度矩阵P：pi＝[psi，t1，psi，t2，…，p]3其中，pi是第i个笔画被分为五个模板笔画的概率分布；例如，当pi＝[0.15，0.15，0.2，0.1，0.4]时，第i个笔画被分为“乙”；S3.3：由于DTW计算的相似度不是概率分布，采用softmax算法方法处理相似度，使DTW计算的相似度成为概率分布矩阵Q，如公式4和5所示：式子5中，Q表示汉字的m个笔画的识别概率分布矩阵。S4：建立汉字字库并用one-hot编码后，将步骤S3得到的笔画段序列的概率分布与编码的同笔画汉字匹配，以获得最终的预测中文汉字。具体步骤包括：S4.1：选择100个常用汉字建立汉字字库并用one-hot编码，one-hot方法中值的合法组合只有一个高位1和所有其他低位0。所有汉字均由五个基本笔画横、竖、撇、捺、折组成，这五种类型的笔画用one-hot表示为：1.横[一]:100002.竖[丨]:010003.撇[丿]:001004.捺[丶]:000105.折[乙]:00001S4.2：将步骤S3得到的笔画段序列的概率分布与编码的若干个同笔画汉字进行匹配，计算两者的交叉熵，语言模型的好坏常通过交叉熵和复杂度来衡量，交叉熵用于度量两个概率分布之间的差异，反映了输入汉字与编码汉字之间的相似性：其中pix和qix分别表示编码汉字的概率分布和输入汉字的概率分布，Hp，q表示基于交叉熵的字符之间的相似度，它的值越小则两个字符之间越相似。交叉熵是基于输入汉字和编码汉字库中具有m个笔划的所有汉字计算的值；S4.3：交叉熵最小的同笔画汉字为最终的预测中文汉字。基于EOG的中文眼写信号识别方法的识别系统，包括眼动信号预处理模块、分割笔画段模块、笔画分类模块、汉字编码和匹配模块。所述眼动信号预处理模块，用来对原始多导联眼动数据进行带通滤波，得到消除噪声后的模板数据和汉字笔画数据；所述分割笔画段模块，用于将连续的模板数据和汉字笔画数据通过滑动窗检测眨眼方法分割为模板笔画段数据和汉字笔画段数据；所述笔画分类模块，用于对得到的模板笔画段数据和汉字笔画段数据通过基于DTW的分类器进行笔画识别，并用softmax算法处理识别结果得到识别的笔画序列的概率分布；所述汉字编码和匹配模块，用于建立汉字字库并进行one-hot编码，将笔画分类得到的笔画段序列的概率分布与编码的同笔画中文汉字进行匹配，计算两者的交叉熵，交叉熵最小的同笔画汉字为最终的预测中文汉字。参见图1，说明了本实施例中算法的总体框架，为了抑制噪声的干扰，我们首先使用带通数字滤波器对原始EOG信号进行预处理。然后，通过使用滑动窗技术检测眨眼信号，根据不同的笔划段确定有效的眼球运动段。在此基础上，我们根据汉字的特点建立了5个基本笔画模板。考虑到计算的复杂性，采用DTW算法对不同笔画的EOG段进行分类。最后，我们将笔画序列与编码的汉字进行匹配，以获得识别结果。参见图2，采集过程中电极分布如图所示。使用HEOR和HEOL采集水平方向的EOG数据，HEOU和HEOD采集垂直方向的EOG数据。A1和GND分别是参考和接地电极。本实施例共使用6个生物电极。参见图3，说明了本实施例中五个基本笔画的眼动模式和相应的原始EOG波形的设计。1-5：代表5个基本笔画。a～e：表示基于五个基本笔画设计的5个眼球运动模式。h1～h5和v1～v5：分别是预处理后的水平EOG信号和垂直EOG信号。参见图4，说明了本实施例中采集汉字数据的单次实验范式的设计：采集了两种眼写数据，即模板数据和简体汉字眼写数据。首先，受试者应进行10分钟的放松以适应实验过程，按下开始按键后打开眼写系统。实验过程中要求受试者将注意力集中在屏幕中心约2秒钟，之后，将在眨眼动作结束后在屏幕中显示提示图片并要求受试者执行眼睛写作活动，完成后受试者的再一次眨眼作为本次笔画的结束。参见图5，说明了本实施例中一次DTW规整路径的实例，横坐标表示测试模型的所有帧数，纵坐标是参考模型的所有帧数，即Tn表示模板笔画数据共有n帧，Rm表示汉字笔画数据共有m帧。点n,m表示Tn和Rm在DTW算法计算下的最小距离DTn,Rm，也就是序列T的每一个点和R的每一个点之间的最小距离，即最大相似度，点N，M为最后一点的坐标，N、M分别是两个眼电信号的长度。参见图6，说明了本实施例中实验设备的介绍，设置在受试者头部的生物电极1与信号放大器2相连，信号放大器2的另一端与EOG采集电脑3相连，总共10名受试者6名女性和4名男性参与实验，具备正常听力，右手写作，视力正常。在实验之前，要求受试者坐在电脑屏幕4前方约40厘米处，屏幕4中心的高度与受试者的眼球高度大致相同。在此过程中，受试者应尽可能保持身体稳定不动。所有提示图片都是随机显示的，放松的持续时间固定为2秒，而写作的持续时间取决于受试对象。当提示画面在屏幕4上消失时，受试对象应再次眨眼以标记终点。最后，安排2s的放松时间以更好地进行下一次试验。应该注意的是，受试者需要在下一次试验之前单击鼠标来手动切换提示图片。参见图7，说明了本实施例中随机选择的汉字“的”的笔画检测结果。a和c：是滤波后的垂直和水平EOG数据，b和d：是眨眼分割后的笔划段。相应的笔划序列如e所示。参见图8，说明了本实施例中所有中文笔画的混淆矩阵，矩阵左边的笔画表示预测笔画，上方的笔画表示真实笔画，在对角线上显示正确的笔划识别结果，在非对角线上显示混淆笔画的误差。平均来说，最大和最小的笔画混淆误差分别为0.13％和0％，所有笔画的识别准确率高达93.4％。参见图9，说明了本实施例中随机实验的汉字识别结果。每个汉字下面一行表示眼睛笔划的序列，括号中的Y和N表示中文字符被正确识别或错误识别。从图可知，大多数汉字都被正确识别，10名受试者的平均识别率为94％。实验结果表明，所提出的笔划识别算法具有良好的性能。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

权利要求：1.一种基于EOG的中文眼写信号识别方法，包括以下步骤：S1：采集基于眼电图的中文眼写数据并对数据进行预处理；S2：将预处理后的数据分为模板数据和汉字笔画数据两部分：所述模板数据为采用滑动窗检测眨眼方法将连续的笔画模板数据分割为横、竖、撇、捺、折五个模板笔画段数据；所述汉字笔画数据为预处理后的原始多导联数据通过滑动窗检测眨眼方法分割为汉字笔画段数据；S3：将横、竖、撇、捺、折五个模板笔画段和汉字笔画段数据均送入基于DTW的分类器中进行笔画识别，并用softmax算法处理识别结果得到识别的笔画段序列的概率分布；S4：建立汉字字库并用one-hot编码后，将步骤S3得到的笔画段序列的概率分布与编码的同笔画汉字匹配，以获得最终的预测中文汉字。2.根据权利要求1所述的基于EOG的中文眼写信号识别方法，其特征在于，步骤S1中的预处理过程为对原始多导联眼电数据进行带通滤波，带通滤波的截止频率为0.1—8Hz。3.根据权利要求1所述的基于EOG的中文眼写信号识别方法，其特征在于，步骤S2中，滑动窗检测眨眼方法包括以下步骤：S2.1：取采集电极HEOR和HEOL之间的电位差作为水平EOG信号，采集电极VEOU和VEOD之间的差值作为垂直EOG信号，通过滑动窗口处理滤波的垂直EOG信号；S2.2：设置动态阈值amp并初始化，动态阈值的取值范围为180+M～250+M，其中M是滑动窗口中所有EOG幅度值取平均的结果；将当前滑动窗口中每个EOG样本的幅度与动态阈值amp进行比较，若高于amp，则在眨眼段中相应的点将被标记为眨眼点，否则为一个非眨眼点，然后通过逐个移动样本点来更新滑动窗口中的数据；S2.3：重复步骤S2.2，直到滑动窗口移动到EOG信号的末尾；S2.4：当检测到连续EOG信号时，使用眨眼段将连续EOG信号分成一系列笔划段，以此获得模板笔画段和汉字笔画段数据。4.根据权利要求1所述的基于EOG的中文眼写信号识别方法，其特征在于，步骤S3的具体步骤包括：S3.1：假设有一个总笔画数为m的汉字，si表示第i个笔画，tj表示第j个模板1≤i≤m，1≤j≤5，汉字每个笔画si与5个模板笔画匹配，并使用DTW方法计算相似度：psi，tj＝1-dtwsi，tjmax1≤k≤5dtwsi，tk1在等式1中，dtwsi，tj是通过DTW方法计算的累积距离，psi，tj表示笔画si被分类为模板tj的概率，反映汉字笔画段si与模板笔画段tj之间的相似度；S3.2：汉字所有笔画的psi，tj被组合在一起得到相似度矩阵P：pi＝[psi，t1，psi，t2，…，p]3其中，pi是第i个笔画被分为五个模板笔画的概率分布；S3.3：采用softmax算法方法处理相似度，使DTW计算的相似度成为概率分布矩阵Q，如公式4和5所示：式子5中，Q表示汉字的m个笔画的识别概率分布矩阵。5.根据权利要求1所述的基于EOG的中文眼写信号识别方法，其特征在于，步骤S4的具体步骤包括：S4.1：建立汉字字库并用one-hot编码，所有汉字均由五个基本笔画横、竖、撇、捺、折组成，这五种类型的笔画用one-hot表示为：1.横[一]：100002.竖[|]：010003.撇[丿]:001004.捺[丶]:000105.折[乙]:00001S4.2：将步骤S3得到的笔画段序列的概率分布与编码的若干个同笔画汉字进行匹配，计算两者的交叉熵，交叉熵用于度量两个概率分布之间的差异，反映了输入汉字与编码汉字之间的相似性：其中pix和qix分别表示编码汉字的概率分布和输入汉字的概率分布，Hp，q表示基于交叉熵的字符之间的相似度，交叉熵是基于输入汉字和编码汉字库中具有m个笔划的所有汉字计算的值；S4.3：交叉熵最小的同笔画汉字为最终的预测中文汉字。6.基于权利要求1所述的基于EOG的中文眼写信号识别方法的识别系统，其特征在于，包括：眼动信号预处理模块，用来对原始多导联眼动数据进行带通滤波，得到消除噪声后的模板数据和汉字笔画数据；分割笔画段模块，用于将连续的模板数据和汉字笔画数据通过滑动窗检测眨眼方法分割为模板笔画段数据和汉字笔画段数据；笔画分类模块，用于对得到的模板笔画段数据和汉字笔画段数据通过基于DTW的分类器进行笔画识别，并用softmax算法处理识别结果得到识别的笔画序列的概率分布；汉字编码和匹配模块，用于建立汉字字库并进行one-hot编码，将笔画分类得到的笔画段序列的概率分布与编码的同笔画中文汉字进行匹配，计算两者的交叉熵，交叉熵最小的同笔画汉字为最终的预测中文汉字。

百度查询： 安徽大学 基于EOG的中文眼写信号识别系统及其识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD