CN108171118A - 眨眼信号数据处理方法、装置、可读存储介质及电子设备 - Google Patents
眨眼信号数据处理方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN108171118A CN108171118A CN201711270274.2A CN201711270274A CN108171118A CN 108171118 A CN108171118 A CN 108171118A CN 201711270274 A CN201711270274 A CN 201711270274A CN 108171118 A CN108171118 A CN 108171118A
- Authority
- CN
- China
- Prior art keywords
- curve
- signal
- sample point
- data
- point data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开涉及一种眨眼信号数据处理方法、装置、可读存储介质及电子设备,所述方法包括:在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似;在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。通过上述技术方案,可以提高眨眼信号数据的准确性,为眨眼动作识别提供可靠的数据以提高眨眼动作识别的准确率。同时,通过相似性对采样点数据进行有效性判断也可以简化信号数据处理过程的复杂度,降低信号数据处理的时间复杂度。
Description
技术领域
本公开涉及眼睛眨动检测领域,具体地,涉及一种眨眼信号数据处理方法、装置、可读存储介质及电子设备。
背景技术
体动检测芯片是将一整套具有电磁波发射和接收功能的电路集成到一个芯片中,用于检测人体的动作,其优点是体积小、耗电低、使用方便。其基本原理是向外界发射电磁波并检测反射回来的电磁波,将检测结果以电压的方式输出。体动检测芯片工作时发射和接收电磁波是一个连续不断的过程,其输出的电压也是一个连续变化的过程。当未检测到人体动作时,输出电压稳定在一个变化极其微小的数值范围内;当检测到人体动作时,输出电压就会发生波动,波动的幅度对应于检测到的人体动作的幅度,波动的频率对应的是人体动作的频率。当检测范围内有多个人体或多个动作同时存在时,以距离检测芯片最近的人体及最大幅度的动作为检测目标。体动检测芯片输出的检测结果是一路电压连续变化的模拟信号,通过芯片管脚的形式向外界输出。
现实生活中,可以利用体动检测芯片发射和接收电磁波检测眼睛眨动,将得到的模拟信号用于眼睛眨动分析。以检测车内驾驶员的眨眼动作这一场景为例,可以将体动检测芯片内嵌于机动车内,位于人眼的正前方,检测机动车驾驶员的眼睛眨动。然而在机动车上体动检测芯片发出、接收到的无线电波会受外界的各种干扰,常见的干扰情形如下:
1)机动车所处环境中或机动车内存在频率相近的电磁波。例如,其他电磁设备对芯片产生的无线电波传播时产生干扰,改变芯片接收到的信号的波形。或者人在收听收音机时,收音机的信号会干扰到芯片的信号。或者在有信号发射塔的环境下都会影响到芯片的信号。该频率相近的电磁波的噪声信号如图1A所示。
2)机动车行驶过程中产生的颠簸、震动。人处于移动的汽车中时,会引起身体上下的颤动,导致人眼位置变化,从而可能导致体动检测芯片返回不属于人眼的信号。该机动车行驶中由于颠簸、震动而产生的噪声信号如图1B所示。
3)机动车内存在金属等物质。挡在人眼前的金属等物质会形成干扰,阻碍无线电波传播。例如人带着眼镜时,眼镜框会对无线电波形成障碍。该金属等物质阻碍时的噪声信号如图1C所示。
上述机动车的颠簸导致人眼位置变动、芯片信号受到机动车所处的环境中的无线电波的干扰、机动车所处环境中的金属等因素都可能会影响到无线电波的信号接收、传播,如图1E所示,将各个噪声信号叠加在一起,可以得到如图1F所示的噪声信号,其会对体动检测芯片输出的信号产生干扰。
在对上述情况下得到的体动检测芯片输出的信号,利用眼睛眨动识别算法识别人眼眨动数据时,准确率非常低,无法有效检测人眼眨动动作。
发明内容
本公开的目的是提供一种可以有效处理眨眼信号以获得有效的眨眼信号的眨眼信号数据处理方法、装置、可读存储介质及电子设备。
为了实现上述目的,根据本公开的第一方面,提供一种眨眼信号数据处理方法,所述方法包括:在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,所述多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的;在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。
可选地,所述根据所述目标采样点数据,获得有效的眨眼信号数据,包括:确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线是否相似;在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线不相似时,利用所述理想眨眼信号曲线对所述目标采样点数据进行修复,以获得所述有效的眨眼信号数据。
可选地,所述根据所述目标采样点数据,获得有效的眨眼信号数据,还包括:在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线相似时,将所述目标采样点数据确定为是所述有效的眨眼信号数据。
可选地,所述方法还包括:在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线不相似时,确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线是否相似;在确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线均不相似时,确定所述目标采样点数据是否为首次出现;在确定所述目标采样点数据为首次出现时,存储所述目标采样点数据;在确定所述目标采样点数据并非首次出现时,确定所述目标采样点数据的出现次数和/或出现时间是否满足预设条件;在确定所述目标采样点数据的出现次数和/或出现时间满足预设条件时,对待拟合采样点数据进行曲线拟合,并将拟合得到的曲线确定为是单位时间内的新的噪声信号曲线,其中,所述待拟合采样点为以下中的一者:本次出现的所述目标采样点数据,已存储的首次出现的所述目标采样点数据,根据所述本次出现的所述目标采样点数据和已存储的首次出现的所述目标采样点数据确定出的采样点数据;根据所述单位时间内的新的噪声信号曲线,更新所述多元信号拟合曲线。
可选地,所述方法还包括:在对所述待拟合采样点数据进行曲线拟合之后,删除存储的与所述待拟合采样点数据有关的数据。
可选地,基于Fréchet距离确定曲线之间是否相似。
可选地,所述多元信号拟合曲线通过以下方式获得:
根据单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线的峰值,确定理想眨眼信号和各个噪声信号的权重;
针对单位时间内的多个时刻,分别获取所述理想眨眼信号曲线和各个所述噪声信号曲线在每个时刻上对应的数据;
针对每个时刻,按照确定出的各个信号的权重,对所述理想眨眼信号曲线和各个所述噪声信号曲线在该时刻对应的数据进行加权计算,所得数据为该时刻对应的、用于拟合多元信号拟合曲线的目标数据;
对每个时刻所对应的目标数据进行拟合,获得所述多元信号拟合曲线。
根据本公开的第二方面,提供一种眨眼信号数据处理装置,所述装置包括:采样模块,用于在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;第一确定模块,用于确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,所述多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的;数据获得模块,用于在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。
可选地,所述数据获得模块包括:相似性确定子模块,用于确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线是否相似;数据修复子模块,用于在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线不相似时,利用所述理想眨眼信号曲线对所述目标采样点数据进行修复,以获得所述有效的眨眼信号数据。
可选地,所述数据获得模块还包括:数据确定子模块,用于在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线相似时,将所述目标采样点数据确定为是所述有效的眨眼信号数据。
可选地,所述装置还包括:第二确定模块,用于在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线不相似时,确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线是否相似;第三确定模块,用于在确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线均不相似时,确定所述目标采样点数据是否为首次出现;数据存储模块,用于在确定所述目标采样点数据为首次出现时,存储所述目标采样点数据;第四确定模块,用于在确定所述目标采样点数据并非首次出现时,确定所述目标采样点数据的出现次数和/或出现时间是否满足预设条件;曲线拟合模块,用于在确定所述目标采样点数据的出现次数和/或出现时间满足预设条件时,对待拟合采样点数据进行曲线拟合,并将拟合得到的曲线确定为是单位时间内的新的噪声信号曲线,其中,所述待拟合采样点为以下中的一者:本次出现的所述目标采样点数据,已存储的首次出现的所述目标采样点数据,根据所述本次出现的所述目标采样点数据和已存储的首次出现的所述目标采样点数据确定出的采样点数据;曲线更新模块,用于根据所述单位时间内的新的噪声信号曲线,更新所述多元信号拟合曲线。
可选地,所述装置还包括:数据删除模块,用于在对所述待拟合采样点数据进行曲线拟合之后,删除存储的与所述待拟合采样点数据有关的数据。
可选地,基于Fréchet距离确定曲线之间是否相似。
可选地,所述多元信号拟合曲线通过曲线拟合模块获得,所述曲线拟合模块包括:
权重确定子模块,用于根据单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线的峰值,确定理想眨眼信号和各个噪声信号的权重;
获取子模块,用于针对单位时间内的多个时刻,分别获取所述理想眨眼信号曲线和各个所述噪声信号曲线在每个时刻上对应的数据;
计算子模块,用于针对每个时刻,按照确定出的各个信号的权重,对所述理想眨眼信号曲线和各个所述噪声信号曲线在该时刻对应的数据进行加权计算,所得数据为该时刻对应的、用于拟合多元信号拟合曲线的目标数据;
拟合子模块,用于对每个时刻所对应的目标数据进行拟合,获得所述多元信号拟合曲线。
根据本公开的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
根据本公开的第四方面,提供一种电子设备,包括:第三方面所述的计算机可读存储介质;以及一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
在上述技术方案中,对体动检测芯片输出的信号进行采样以获得目标采样点数据,之后对目标采样点数据形成的曲线和多元信号拟合曲线进行相似性判断。由于多元信号拟合曲线是由理想眨眼信号曲线和噪声信号曲线拟合而成,因此可以在判定目标采样点数据形成的曲线与多元曲线相似时,确定该目标采样点数据包含属于正常眨眼动作的眨眼信号数据,并由此获得有效的眨眼信号数据。通过上述技术方案,可以获得有效的眨眼信号数据,从而提高眨眼信号数据的准确性,为眨眼动作识别提供准确、可靠的数据支持,以提高眨眼动作识别的准确率。同时,通过相似性对采样点数据进行有效性判断也可以简化信号数据处理过程的复杂度,降低信号数据处理的时间复杂度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1A-图1D分别为单位时间内的频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线、金属等物质阻碍时的噪声信号曲线和理想眨眼信号曲线的示意图;
图1E为频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线的重叠示意图;
图1F为频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线进行曲线叠加后形成的噪声信号曲线的示意图;
图2是根据本公开的一种实施方式提供的眨眼信号数据处理方法的流程图;
图3是根据本公开的一种实施方式提供的眨眼信号数据处理方法中,根据目标采样点数据,获得有效的眨眼信号数据的步骤的流程图;
图4是根据本公开的另一种实施方式提供的眨眼信号数据处理方法中,根据目标采样点数据,获得有效的眨眼信号数据的步骤的流程图;
图5是根据本公开的另一种实施方式提供的眨眼信号数据处理方法的流程图;
图6是根据本公开的另一种实施方式提供的眨眼信号数据处理方法的流程图;
图7是根据本公开的一种实施方式提供的眨眼信号数据处理装置的框图;
图8是根据本公开的一种实施方式提供的眨眼信号数据处理装置中数据获得模块的框图;
图9是根据本公开的另一种实施方式提供的眨眼信号数据处理装置中数据获得模块的框图;
图10是根据本公开的另一种实施方式提供的眨眼信号数据处理装置的框图;
图11是根据本公开的另一种实施方式提供的眨眼信号数据处理装置的框图;
图12是根据一示例性实施例示出的一种电子设备的框图;
图13是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
在执行本公开提供的眨眼信号数据处理方法之前,首先要先确定出多元信号拟合曲线,其中,该多元信号拟合曲线用于表示包含噪声的眨眼信号曲线。可以通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合,得出该多元信号拟合曲线。下面先详细描述单位时间内的理想眨眼信号曲线和噪声信号曲线的建立方法。
在建立单位时间内的理想眨眼信号曲线和噪声信号曲线时,需要首先计算单位时间内的理想眨眼信号、单位时间内的噪声信号对应的参数值,建立各种信号对应的参数模型。其中,单位时间是预先设定的,例如设定单位时间为1s。另外,噪声信号可以包括但不限于以下中的至少一者:频率相近的电磁波噪声信号、机动车行驶中由于颠簸、震动而产生的噪声信号、金属等物质阻碍时的噪声信号,等等。
参数模型中的参数可以包括:
T_begin(波形开始时间点):在理想眨眼信号中,即为眨眼的开始时间点;在噪声信号中,为波形开始上升的时间点。
T_end(波形结束时间点):在理想眨眼信号中,即为眨眼的结束时间点;在噪声信号中,为波形下降结束的时间点。
weight(权重):每个信号在后续进行拟合以得到多元信号拟合曲线中所占的比重。
peak(波峰):波形最高点。其中,当单位时间内存在多个波峰时,单位时间内的波峰值可以是各波峰中的最大值,也可以是第一个波峰值,只需要保持各个信号采取相同的策略获得单位时间内的波峰值即可。
Vm(波形上升幅度):波形上升时的加速度。
Vd(波形下降幅度):波形下降时的加速度。
Tr(波形上升时间):从波形开始时间点上升到波形最高点所需的时间。
Tf(波形下降时间):从波形最高点下降到波形结束时间点所需的时间。
Tw(脉冲宽度):波形在波峰持续的时间。
q(占空比):在单位时间内、下一波形开始时间点减去当前波形结束时间点所得时间的总和占单位时间的比例。
示例地,可以通过如下方式确定各种信号对应的参数模型中的参数:
在实验室条件下,即排除一切干扰、保持无噪声,且测试者保持正常的精神状态的条件下,通过体动检测芯片采集的信号可以视为理想眨眼信号,该理想眨眼信号例如为图1D所示。通过对理想眨眼信号、以及各个噪声信号在单位时间内进行采样,能够得到各个信号对应的若干个采样点。
遍历采样点数据Ti(v,t),其中,Ti(v,t)为各种信号的采样点数据;i为信号的序号,例如,i=1表示理想眨眼信号,i=2表示频率相近的电磁波噪声信号,i=3表示机动车行驶中由于颠簸、震动而产生的噪声信号,i=4表示金属等物质阻碍时的噪声信号;t为采样时刻,v为体动检测芯片在t时刻输出的电压值。
对于任一信号的采样点数据而言,在单位时间内记录该信号的即时采样点数据Temp(v,t)。当v(Temp)随着t连续增大不间断,记录v(Temp)开始增大的时间点为T_begin,记录v(Temp)开始下降的点为t(peak),记录在t(peak)之后v(Temp)第一个开始增大的采样点之前的采样点的时间值为T_end。其中,t(x)表示x对应的时间值,v(x)表示x对应的电压值。
Tr=t(peak)–T_begin
Vm=(v(peak)–v(T_begin))/Tr
Vd=(v(peak)–v(T_end))/Tf
Tf=T_end–t(peak)
之后,需要进行曲线拟合。其中,各个信号的曲线拟合的过程为:
选取一种信号的数据,确定该信号的曲线函数形式fi(x),i表示信号的序号。
对任一信号而言,可以在确定该信号对应的参数模型后,选取T_begin到T_end之间(包含T_begin和T_end)的一组采样点数据作为确定该信号的拟合曲线所需要的数据(x,y),其中:x=t(Temp),y=v(Temp)。
利用数据(x,y),通过最小二乘法确定该信号对应的函数fi(x)的参数,得到函数fi(x)。其中,在进行最小二乘法计算时,其精度是根据拟合曲线所需要的精度确定的。
按照上述方式,可以获得四种曲线,分别为单位时间内的理想眨眼信号曲线、频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线。接下来,可以对这些曲线进行二次拟合,以得到多元信号拟合曲线。其中,多元信号拟合曲线的曲线拟合过程为:
根据单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线的峰值,确定理想眨眼信号和各个噪声信号的权重。
示例地,可以根据各个信号的峰值peak的比值分配各个信号的权重weight。例如:单位时间内的理想眨眼信号曲线、频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线的峰值peak分别为p1、p2、p3、p4,则上述各个信号的权重比值为:w1:w2:w3:w4=p1:p2:p3:p4,并且w1+w2+w3+w4=1,其中,w1表示理想眨眼信号对应的权重,w2表示频率相近的电磁波噪声信号对应的权重,w3表示机动车行驶中由于颠簸、震动而产生的噪声信号对应的权重,w4表示金属等物质阻碍时的噪声信号对应的权重。
针对单位时间内的多个时刻,分别获取所述理想眨眼信号曲线和各个所述噪声信号曲线在每个时刻上对应的数据;针对每个时刻,按照确定出的各个信号的权重,对所述理想眨眼信号曲线和各个所述噪声信号曲线在该时刻对应的数据进行加权计算,所得数据为该时刻对应的、用于拟合多元信号拟合曲线的目标数据。
例如,单位时间内的理想眨眼信号曲线、频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线的权重比例为3:4:2:5,则单位时间内的理想眨眼信号曲线、频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线的数据所占的权重分别为0.21,0.29,0.14,0.36。在单位时间的某个时刻t处,理想眨眼信号曲线、频率相近的电磁波噪声信号曲线、机动车行驶中由于颠簸、震动而产生的噪声信号曲线和金属等物质阻碍时的噪声信号曲线上的电压值分别为3V、3V、5V和2V,则该时刻t对应的、用于拟合多元信号拟合曲线的目标数据为:3*0.21+3*0.29+5*0.14+2*0.36=2.92V。
对每个时刻所对应的目标数据进行拟合,获得所述多元信号拟合曲线。
示例地,可以先确定该多元信号拟合曲线对应的曲线函数形式F(x),之后利用上述目标数据,通过非线性最小二乘法确定F(x)的参数,进而得到函数F(x),函数F(x)对应的曲线即为多元信号拟合曲线。
在获得了上述各个信号对应的曲线、以及多元信号拟合曲线之后,执行本公开的眨眼信号数据处理方法。根据本公开的第一方面,提供一种眨眼信号数据处理方法。图2所示,为根据本公开的一种实施方式提供的眨眼信号数据处理方法的流程图。如图2所示,该方法包括:
在S21中,在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据。
在S22中,确定目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,该多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的。该理想眨眼信号曲线、噪声信号曲线及多元信号拟合曲线的拟合过程如上文所述,在此不再赘述。其中,该预定数量的单位时间内的噪声信号曲线可以包括上述噪声信号中的一个或多个,为了确保结果更加准确,在进行多元信号拟合曲线的拟合过程中,选择将理想眨眼信号曲线和全部类型的噪声信号曲线进行拟合。
曲线间的相似性可以通过计算两个曲线之间的距离来判断。例如,在该距离小于预设值时,判定两个曲线相似,反之,判定两个曲线不相似。该距离的计算方式可以使用欧几里得距离或者Haus-dorff(豪斯多夫)距离。在实际应用中,由于曲线是由离散的点构成的,对于曲线拟合有很高的要求,且还要将曲线进行平移和伸缩变换,因此在判别过程中的误差很大而且操作也很困难。为了解决这一问题,在本公开中,可以基于Fréchet(费雷歇)距离确定曲线之间是否相似。
其中,Fréchet距离的定义为:一个沿着曲线A和曲线B的组合步W={(Ai,Bi)}的花费为:
其中,表示沿着曲线A和曲线B的组合步W的花费;
Ai表示曲线A中点的集合;
Bi表示曲线B中点的集合;
dist(a,b)表示曲线A中的点a与曲线B中的点b之间的距离。
则曲线A和B间的离散Fréchet距离就是这个组合步称为曲线A和B的Fréchet排列。
以下,以目标采样点数据形成的曲线与多元信号拟合曲线的相似性判断为例,详细介绍基于Fréchet距离确定曲线之间是否相似的步骤。
将多元信号拟合曲线称为曲线A,将目标采样点数据形成的曲线称为曲线B。分别找出曲线A和B的至高点与至低点,将它们表示成A=(a1,...,am),B=(b1,...,bn),其中,a1,...,am是A的m个至高点(或至低点),b1,...,bn是B的n个至高点(或至低点),且m≤n,若|n-m|≥5(由于曲线的峰值点相差太多的话就不会相似,故在此设定相差的数量限制为5个),则认为它们不相似。
示例地,曲线A中有4个峰值点,曲线B中有6个峰值点,则以峰值点少的曲线A为基准,对峰值点多的曲线B进行划分,例如,按照曲线A的峰值点的个数对曲线B进行划分,即,将曲线B划分成4部分,且要保证每一部分中A、B中至少包含一个峰值点,然后找出所有满足条件的划分,假设有k种(k∈N),每一种划分(Fréchet排列)为Wj={(Ai,Bi)},1≤i≤m,1≤j≤k。
在每一种划分Wj={(Ai,Bi)}中,先计算出每一部分中所有对应点之间的最大距离,再求出这种划分的所有步中的最大距离中的最大值,即
找出最优的一种划分方法,即找出所有划分方法(Fréchet排列)中的距离的最小值,即是曲线A和B间的离散的Fréchet距离:
然后,可以分别得到两个波峰间的最小离散的Fréchet距离Dd和两个波谷间的最小离散的Fréchet距离Dx,最后用两个波峰间的最小距离减去两个波谷间的最小距离,如果得到的结果小于特定的阈值ε,便判定这两条曲线相似。
通过上述方案,基于Fréchet距离判断曲线之间的相似性,可以直接对离散点组成的曲线的关键特征峰值点进行考查,而且用两个波峰间的最小距离减去两个波谷间的最小距离,使得波峰和波谷之间的离散Fréchet距离之差不受到平移和伸缩变换的影响,可以提高曲线相似性判断的准确度,且可以简化算法的时间复杂度。
在S23中,在确定目标采样点数据形成的曲线与多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,该有效的眨眼信号数据用于识别眨眼动作。
在目标采样点数据形成的曲线与多元信号拟合曲线相似时,表示目标采样点数据中包含属于正常眨眼动作的眨眼信号数据。因此,在对该数据进行相应的处理后可以获得用于识别眨眼动作的有效眨眼信号数据。
其中,根据所述目标采样点数据,获得有效的眨眼信号数据可以有两种方式,其步骤分别如图3和图4所示。
以下,为S23的一种实现方式,该步骤流程图如图3所示。
在S331中,确定目标采样点数据形成的曲线与理想眨眼信号曲线是否相似。其中,曲线的相似性可以基于Fréchet距离来判断,该判断方法在上文中已经详述,在此不再赘述。
在S332中,在确定目标采样点数据形成的曲线与理想眨眼信号曲线不相似时,利用理想眨眼信号曲线对目标采样点数据进行修复,以获得有效的眨眼信号数据。
首先,在目标采样点数据形成的曲线与多元信号拟合曲线相似时,确定目标采样点数据中包含属于正常眨眼动作的眨眼信号数据。而在目标采样点数据形成的曲线与理想眨眼信号曲线不相似时,表示目标采样点数据中除属于正常眨眼动作的眨眼信号数据之外,还包含噪声信号数据,该噪声信号数据会影响后续眨眼动作识别的准确性。因此,为了防止干扰,提高眨眼动作识别的准确性,需要对数据进行修复以获取有效的眨眼信号数据。
其中,在S332中,利用理想眨眼信号曲线对目标采样点数据进行修复的方法可以是用理想眨眼信号曲线上、与各个目标采样点时间对应的数据来替换该单位时间内的各个目标采样点数据。例如,单位时间内的各个目标采样点数据分别为V1、V2、V3、V4和V5,其分别对应的采样时刻为t1、t2、t3、t4和t5,那么,在替换时,可以用理想眨眼信号曲线上、与各个采样时刻为t1、t2、t3、t4和t5对应的数据V’1、V’2、V’3、V’4和V’5,来分别替换V1、V2、V3、V4和V5。
在上述技术方案中,当目标采样点数据既包含属于正常眨眼动作的眨眼信号数据、又包含噪声信号数据时,直接利用理想眨眼信号对目标采样点数据进行整体修复,以获得有效的眨眼信号数据。这种修复方式的优点在于操作简单、修复效率高。
S23的另一种实现方式的步骤流程图如图4所示。在图3的基础上,S23还可以包括:
在S431中,在确定目标采样点数据形成的曲线与理想眨眼信号曲线相似时,将目标采样点数据确定为是有效的眨眼信号数据。
其中,在确定目标采样点数据形成的曲线与理想眨眼信号曲线相似时,表示该目标采样点数据全部为属于正常眨眼动作的眨眼信号数据,因此,可以将该目标采样点数据全部作为有效眨眼信号数据。
在上述技术方案中,对体动检测芯片输出的信号进行采样以获得目标采样点数据,之后对目标采样点数据形成的曲线和多元信号拟合曲线进行相似性判断。由于多元信号拟合曲线是由理想眨眼信号曲线和噪声信号曲线拟合而成,因此可以在判定目标采样点数据形成的曲线与多元曲线相似时,确定该目标采样点数据包含属于正常眨眼动作的眨眼信号数据,并由此获得有效的眨眼信号数据。通过上述技术方案,可以获得有效的眨眼信号数据,从而提高眨眼信号数据的准确性,为眨眼动作识别提供准确、可靠的数据支持,以提高眨眼动作识别的准确率。同时,通过相似性对采样点数据进行有效性判断也可以简化信号数据处理过程的复杂度,降低信号数据处理的时间复杂度。
图5所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理方法的流程图。如图5所示,在图2的基础上,该方法还可以包括:
在S12中,确定目标采样点数据形成的曲线与多元信号拟合曲线是否相似,在确定目标采样点数据形成的曲线与多元信号拟合曲线相似时,转入S13,否则,在确定目标采样点数据形成的曲线与多元信号拟合曲线不相似时,转入S51。其中,在确定目标采样点数据形成的曲线与多元信号拟合曲线不相似时,确定目标采样点数据不是眨眼信号数据,而是噪声信号数据。
在S51中,确定目标采样点数据形成的曲线与预定数量的噪声信号曲线中的任一噪声信号曲线是否相似,在确定目标采样点数据形成的曲线与预定数量的噪声信号曲线中的某个噪声信号曲线相似时,转入S53,否则,确定目标采样点数据形成的曲线与预定数量的噪声信号曲线中的任一噪声信号曲线均不相似时,转入S52。
在S52中,确定所述目标采样点数据是否为首次出现,在确定所述目标采样点数据为首次出现时,转入S54,否则,在确定所述目标采样点数据不是首次出现时,转入S55。
其中,确定目标采样点数据是否为首次出现有以下两种情况:
一是数据存储模块尚未存储任何采样点数据,此时,确定该目标采样点数据为首次出现,其中,所述数据存储模块用于存储可能属于噪声信号的采样点数据。
二是数据存储模块中已经存储有采样点数据,此时,需要将目标采样点数据与数据存储模块中已经存储的采样点数据进行相似性对比,在目标采样点数据与数据存储模块中的任一组采样点数据均不相似时,确定该目标采样点数据为首次出现。如果目标采样点数据与数据存储模块中的某组采样点数据相似时,可以确定该目标采样点数据为再次出现,且出现次数加1。其中,在判断目标采样点数据与数据存储模块中的任一组采样点数据是否相似时,也可以基于Fréchet距离来判断,该判断方法在上文中已经详述,在此不再赘述。
在S53中,确定目标采样点数据为噪声信号数据。其中,在目标采样点数据形成的曲线与某个噪声信号曲线相似时,可以认为该目标采样点数据为此种噪声类型的噪声信号数据。
在S54中,存储所述目标采样点数据。其中,对于首次出现的采样点数据进行存储,以便于下次进行相似性对比。示例地,将目标采样点数据存储在数据存储模块中。
在S55中,确定目标采样点数据的出现次数和/或出现时间是否满足预设条件,在确定目标采样点数据的出现次数和/或出现时间满足预设条件时,表示该目标采样点数据属于新的类型的噪声信号数据,此时,转入S56。
其中,预设条件中可以只包括出现次数,例如,当该目标采样点数据的出现次数达预设次数时,确定其满足预设条件。预设条件中也可以只包括出现时间,例如,当在预设时段内,该目标采样点数据再次出现时,确定其满足预设条件。预设条件中也可以包括出现次数和出现时间两者,例如,当在预设时段内,该目标采样点数据的出现次数达预设次数,确定其满足预设条件。
当预设条件只包括出现时间时,在自目标采样点数据首次出现起的预设时段内,如果该目标采样点数据并未再次出现时,确定其不满足预设条件。当预设条件只包括出现次数、或者包括出现次数和出现时间两者时,在自目标采样点数据首次出现起的预设时段内,如果该目标采样点数据的出现次数未达到预设次数时,确定其不满足预设条件。此时,表示首次出现的目标采样点数据不属于新的类型的噪声信号数据,因此,将数据存储模块中已存储的该首次出现的目标采样点数据删除,可以节省存储空间。
在S56中,对待拟合采样点数据进行曲线拟合,并将拟合得到的曲线确定为是单位时间内的新的噪声信号曲线,其中,所述待拟合采样点为以下中的一者:本次出现的目标采样点数据,已存储的首次出现的目标采样点数据,根据本次出现的目标采样点数据和已存储的首次出现的目标采样点数据确定出的采样点数据(例如,对本次出现的目标采样点数据和已存储的首次出现的目标采样点数据进行加权平均所计算出的采样点数据)。其中,曲线拟合的方法在上文中已经详述,在此不再赘述。
在S57中,根据单位时间内的新的噪声信号曲线,更新多元信号拟合曲线。其中,更新多元信号拟合曲线是指重新拟合生成新的多元信号拟合曲线,并在该新的多元信号拟合曲线的曲线拟合过程中,加入了单位时间内的新的噪声信号,即更新后的多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线、之前已知的预定数量的单位时间内的噪声信号曲线、以及在S56中获得的单位时间内的新的噪声信号曲线进行拟合得出的。
在上述技术方案中,在确定产生属于新的噪声类型的噪声信号数据时,对该噪声信号数据进行曲线拟合以生成新的噪声信号曲线,并以此更新多元信号拟合曲线。通过上述技术方案,可以在对体动检测芯片的输出信号的采样点数据进行处理的过程中,不断完善噪声信号曲线及多元信号拟合曲线,实现噪声自学习,由此可以提高眨眼信号数据处理的准确性,同时,使得该眨眼信号数据处理方法的应用范围更广,适用于噪声环境更加复杂的场景中。
图6所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理方法的流程图。如图6所示,在图5的基础上,该方法还可以包括:
在S61中,删除存储的与待拟合采样点数据有关的数据。其中,与待拟合采样点数据有关的数据为在数据存储模块中,与本次出现的目标采样点数据相似的采样点数据。由此,可以节省内存,避免资源浪费。
此外,在根据图2、图4、图5、图6中任一方法获得了有效的眨眼信号数据后,可以将该有效的眨眼信号数据输入至眼睛眨动识别算法,以进行眨眼动作的识别。
根据本公开的第二方面,提供一种眨眼信号数据处理装置。图7所示,为根据本公开的一种实施方式提供的眨眼信号数据处理装置的框图。如图7所示,该装置10可以包括:
采样模块101,用于在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;
第一确定模块102,用于确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,所述多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的;
数据获得模块103,用于在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。
可选地,图8所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理装置中数据获得模块的框图。如图8所示,该数据获得模块103可以包括:
相似性确定子模块201,用于确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线是否相似;
数据修复子模块202,用于在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线不相似时,利用所述理想眨眼信号曲线对所述目标采样点数据进行修复,以获得所述有效的眨眼信号数据。
可选地,图9所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理装置中数据获得模块的框图。如图9所示,在图8的基础上,该数据获得模块103还可以包括:
数据确定子模块401,用于在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线相似时,将所述目标采样点数据确定为是所述有效的眨眼信号数据。
可选地,图10所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理装置的框图。如图10所示,在图7的基础上,该装置10还可以包括:
第二确定模块501,用于在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线不相似时,确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线是否相似;
第三确定模块502,用于在确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线均不相似时,确定所述目标采样点数据是否为首次出现;
数据存储模块503,用于在确定所述目标采样点数据为首次出现时,存储所述目标采样点数据;
第四确定模块504,用于在确定所述目标采样点数据并非首次出现时,确定所述目标采样点数据的出现次数和/或出现时间是否满足预设条件;
曲线拟合模块505,用于在确定所述目标采样点数据的出现次数和/或出现时间满足预设条件时,对待拟合采样点数据进行曲线拟合,并将拟合得到的曲线确定为是单位时间内的新的噪声信号曲线,其中,所述待拟合采样点为以下中的一者:本次出现的所述目标采样点数据,已存储的首次出现的所述目标采样点数据,根据所述本次出现的所述目标采样点数据和已存储的首次出现的所述目标采样点数据确定出的采样点数据;
曲线更新模块506,用于根据所述单位时间内的新的噪声信号曲线,更新所述多元信号拟合曲线。
可选地,图11所示,为根据本公开的另一种实施方式提供的眨眼信号数据处理装置的框图。如图11所示,在图10的基础上,该装置10还可以包括:
数据删除模块601,用于在对所述待拟合采样点数据进行曲线拟合之后,删除数据存储模块503中存储的与所述待拟合采样点数据有关的数据。
可选地,基于Fréchet距离确定曲线之间是否相似。
可选地,所述多元信号拟合曲线通过曲线拟合模块获得,所述曲线拟合模块包括:
权重确定子模块,用于根据单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线的峰值,确定理想眨眼信号和各个噪声信号的权重;
获取子模块,用于针对单位时间内的多个时刻,分别获取所述理想眨眼信号曲线和各个所述噪声信号曲线在每个时刻上对应的数据;
计算子模块,用于针对每个时刻,按照确定出的各个信号的权重,对所述理想眨眼信号曲线和各个所述噪声信号曲线在该时刻对应的数据进行加权计算,所得数据为该时刻对应的、用于拟合多元信号拟合曲线的目标数据;
拟合子模块,用于对每个时刻所对应的目标数据进行拟合,获得所述多元信号拟合曲线。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图12是根据一示例性实施例示出的一种电子设备1200的框图。如图12所示,该电子设备1200可以包括:处理器1201,存储器1202,多媒体组件1203,输入/输出(I/O)接口1204,以及通信组件1205。
其中,处理器1201用于控制该电子设备1200的整体操作,以完成上述的眨眼信号数据处理方法中的全部或部分步骤。存储器1202用于存储各种类型的数据以支持在该电子设备1200的操作,这些数据例如可以包括用于在该电子设备1200上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器1202可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件1203可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1202或通过通信组件1205发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口1204为处理器1201和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件1205用于该电子设备1200与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件1205可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,电子设备1200可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的眨眼信号数据处理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器1202,上述程序指令可由电子设备1200的处理器1201执行以完成上述的眨眼信号数据处理方法。
图13是根据一示例性实施例示出的一种电子设备1300的框图。例如,电子设备1300可以被提供为一服务器。参照图13,电子设备1300包括处理器1322,其数量可以为一个或多个,以及存储器1332,用于存储可由处理器1322执行的计算机程序。存储器1332中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器1322可以被配置为执行该计算机程序,以执行上述的眨眼信号数据处理方法。
另外,电子设备1300还可以包括电源组件1326和通信组件1350,该电源组件1326可以被配置为执行电子设备1300的电源管理,该通信组件1350可以被配置为实现电子设备1300的通信,例如,有线或无线通信。此外,该电子设备1300还可以包括输入/输出(I/O)接口1358。电子设备1300可以操作基于存储在存储器1332的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,例如包括程序指令的存储器1332,上述程序指令可由电子设备1300的处理器1322执行以完成上述的眨眼信号数据处理方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (10)
1.一种眨眼信号数据处理方法,其特征在于,所述方法包括:
在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;
确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,所述多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的;
在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标采样点数据,获得有效的眨眼信号数据,包括:
确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线是否相似;
在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线不相似时,利用所述理想眨眼信号曲线对所述目标采样点数据进行修复,以获得所述有效的眨眼信号数据。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标采样点数据,获得有效的眨眼信号数据,还包括:
在确定所述目标采样点数据形成的曲线与所述理想眨眼信号曲线相似时,将所述目标采样点数据确定为是所述有效的眨眼信号数据。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线不相似时,确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线是否相似;
在确定所述目标采样点数据形成的曲线与所述预定数量的所述噪声信号曲线中的任一噪声信号曲线均不相似时,确定所述目标采样点数据是否为首次出现;
在确定所述目标采样点数据为首次出现时,存储所述目标采样点数据;
在确定所述目标采样点数据并非首次出现时,确定所述目标采样点数据的出现次数和/或出现时间是否满足预设条件;
在确定所述目标采样点数据的出现次数和/或出现时间满足预设条件时,对待拟合采样点数据进行曲线拟合,并将拟合得到的曲线确定为是单位时间内的新的噪声信号曲线,其中,所述待拟合采样点为以下中的一者:本次出现的所述目标采样点数据,已存储的首次出现的所述目标采样点数据,根据所述本次出现的所述目标采样点数据和已存储的首次出现的所述目标采样点数据确定出的采样点数据;
根据所述单位时间内的新的噪声信号曲线,更新所述多元信号拟合曲线。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在对所述待拟合采样点数据进行曲线拟合之后,删除存储的与所述待拟合采样点数据有关的数据。
6.根据权利要求1-5中任一项所述的方法,其特征在于,基于Fréchet距离确定曲线之间是否相似。
7.根据权利要求1-5中任一项所述的方法,其特征在于,所述多元信号拟合曲线通过以下方式获得:
根据单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线的峰值,确定理想眨眼信号和各个噪声信号的权重;
针对单位时间内的多个时刻,分别获取所述理想眨眼信号曲线和各个所述噪声信号曲线在每个时刻上对应的数据;
针对每个时刻,按照确定出的各个信号的权重,对所述理想眨眼信号曲线和各个所述噪声信号曲线在该时刻对应的数据进行加权计算,所得数据为该时刻对应的、用于拟合多元信号拟合曲线的目标数据;
对每个时刻所对应的目标数据进行拟合,获得所述多元信号拟合曲线。
8.一种眨眼信号数据处理装置,其特征在于,所述装置包括:
采样模块,用于在单位时间内对用于检测眨眼动作的体动检测芯片输出的信号进行采样,以获得目标采样点数据;
第一确定模块,用于确定所述目标采样点数据形成的曲线与多元信号拟合曲线是否相似,其中,所述多元信号拟合曲线是通过对单位时间内的理想眨眼信号曲线和预定数量的单位时间内的噪声信号曲线进行拟合得出的;
数据获得模块,用于在确定所述目标采样点数据形成的曲线与所述多元信号拟合曲线相似时,根据所述目标采样点数据,获得有效的眨眼信号数据,所述有效的眨眼信号数据用于识别眨眼动作。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括:
权利要求9中所述的计算机可读存储介质;以及
一个或者多个处理器,用于执行所述计算机可读存储介质中的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270274.2A CN108171118B (zh) | 2017-12-05 | 2017-12-05 | 眨眼信号数据处理方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711270274.2A CN108171118B (zh) | 2017-12-05 | 2017-12-05 | 眨眼信号数据处理方法、装置、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108171118A true CN108171118A (zh) | 2018-06-15 |
CN108171118B CN108171118B (zh) | 2020-10-02 |
Family
ID=62524421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711270274.2A Active CN108171118B (zh) | 2017-12-05 | 2017-12-05 | 眨眼信号数据处理方法、装置、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171118B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144262A (zh) * | 2018-08-28 | 2019-01-04 | 广东工业大学 | 一种基于眼动的人机交互方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002346243A1 (en) * | 2001-06-06 | 2002-12-16 | Gene Logic, Inc. | Hybridization normalization methods |
US20060249583A1 (en) * | 2005-05-05 | 2006-11-09 | Susumu Nakano | Method and system for sensing a barcode |
CN101477801A (zh) * | 2009-01-22 | 2009-07-08 | 东华大学 | 一种检测和消除数字音频信号中脉冲噪声的方法 |
CN101739789A (zh) * | 2008-11-11 | 2010-06-16 | 北京中星微电子有限公司 | 一种声控告警方法及装置 |
CN102968770A (zh) * | 2012-11-30 | 2013-03-13 | 华为技术有限公司 | 噪声消除方法及装置 |
CN103368589A (zh) * | 2012-04-01 | 2013-10-23 | 展讯通信(上海)有限公司 | 干扰抑制方法、装置及接收机 |
CN103177728B (zh) * | 2011-12-21 | 2015-07-29 | 中国移动通信集团广西有限公司 | 语音信号降噪处理方法及装置 |
CN106203262A (zh) * | 2016-06-27 | 2016-12-07 | 辽宁工程技术大学 | 一种基于眼睑曲线相似度与眼型指数的眼型分类方法 |
CN106202932A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油化工股份有限公司 | 一种评价杂散电流干扰曲线和干扰源曲线相似度的方法 |
CN106328151A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种环噪消除系统及其应用方法 |
CN106486130A (zh) * | 2015-08-25 | 2017-03-08 | 百度在线网络技术(北京)有限公司 | 噪声消除、语音识别方法及装置 |
CN106963386A (zh) * | 2017-03-27 | 2017-07-21 | 东软集团股份有限公司 | 眼睛眨动识别方法及装置 |
CN106971714A (zh) * | 2016-01-14 | 2017-07-21 | 芋头科技(杭州)有限公司 | 一种应用于机器人的语音去噪识别方法及装置 |
-
2017
- 2017-12-05 CN CN201711270274.2A patent/CN108171118B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2002346243A1 (en) * | 2001-06-06 | 2002-12-16 | Gene Logic, Inc. | Hybridization normalization methods |
US20060249583A1 (en) * | 2005-05-05 | 2006-11-09 | Susumu Nakano | Method and system for sensing a barcode |
CN101739789A (zh) * | 2008-11-11 | 2010-06-16 | 北京中星微电子有限公司 | 一种声控告警方法及装置 |
CN101477801A (zh) * | 2009-01-22 | 2009-07-08 | 东华大学 | 一种检测和消除数字音频信号中脉冲噪声的方法 |
CN103177728B (zh) * | 2011-12-21 | 2015-07-29 | 中国移动通信集团广西有限公司 | 语音信号降噪处理方法及装置 |
CN103368589A (zh) * | 2012-04-01 | 2013-10-23 | 展讯通信(上海)有限公司 | 干扰抑制方法、装置及接收机 |
CN102968770A (zh) * | 2012-11-30 | 2013-03-13 | 华为技术有限公司 | 噪声消除方法及装置 |
CN106328151A (zh) * | 2015-06-30 | 2017-01-11 | 芋头科技(杭州)有限公司 | 一种环噪消除系统及其应用方法 |
CN106486130A (zh) * | 2015-08-25 | 2017-03-08 | 百度在线网络技术(北京)有限公司 | 噪声消除、语音识别方法及装置 |
CN106971714A (zh) * | 2016-01-14 | 2017-07-21 | 芋头科技(杭州)有限公司 | 一种应用于机器人的语音去噪识别方法及装置 |
CN106203262A (zh) * | 2016-06-27 | 2016-12-07 | 辽宁工程技术大学 | 一种基于眼睑曲线相似度与眼型指数的眼型分类方法 |
CN106202932A (zh) * | 2016-07-12 | 2016-12-07 | 中国石油化工股份有限公司 | 一种评价杂散电流干扰曲线和干扰源曲线相似度的方法 |
CN106963386A (zh) * | 2017-03-27 | 2017-07-21 | 东软集团股份有限公司 | 眼睛眨动识别方法及装置 |
Non-Patent Citations (3)
Title |
---|
R.PRINZ等: "Feature Extraction Through Wavelet De-Noising of Surface EMG Signals for the Purpose of Mouse Click Emulation", 《 2006 CANADIAN CONFERENCE ON ELECTRICAL AND COMPUTER ENGINEERING》 * |
虎大力: "噪声环境下语音信号端点检测的方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
许清琳: "频谱监测中的微弱信号检测与提取", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144262A (zh) * | 2018-08-28 | 2019-01-04 | 广东工业大学 | 一种基于眼动的人机交互方法、装置、设备及存储介质 |
CN109144262B (zh) * | 2018-08-28 | 2021-11-26 | 广东工业大学 | 一种基于眼动的人机交互方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108171118B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105511478B (zh) | 应用于扫地机器人的控制方法、扫地机器人及终端 | |
CN108897836B (zh) | 一种机器人基于语义进行地图构建的方法和装置 | |
US20110215903A1 (en) | Apparatus and Associated Methods | |
KR101678555B1 (ko) | 오디오 환경들의 분류를 위한 시스템들 및 방법들 | |
US10051401B2 (en) | Spatial audio processing | |
JP6438579B2 (ja) | 所望のターゲットを判定するための装置及び方法 | |
CN104813185A (zh) | 使用状态空间估计器进行位置确定 | |
CN111063345B (zh) | 电子装置、其控制方法、以及该电子装置的声音输出控制系统 | |
CN111552371B (zh) | 激励电压生成方法、装置、设备及介质、测试方法及系统 | |
JP5614202B2 (ja) | ロボット | |
CN106203306A (zh) | 年龄的预测方法、装置及终端 | |
US11516336B2 (en) | Surface detection for mobile devices | |
JP2019500691A (ja) | 急速探索ランダム化フィードバック主体の動作計画 | |
CN108171118A (zh) | 眨眼信号数据处理方法、装置、可读存储介质及电子设备 | |
CN111046742A (zh) | 一种眼部行为检测方法、装置以及存储介质 | |
JP5220542B2 (ja) | 制御器、制御方法及び制御プログラム | |
JP2003277993A (ja) | 実車の塗膜厚予測方法、実車の塗膜厚予測システムおよび記録媒体 | |
KR100635883B1 (ko) | 실시간 물체 추적 장치 | |
KR101880273B1 (ko) | 자세 모니터링 방법 및 장치 | |
CN112419362B (zh) | 一种基于先验信息特征学习的运动目标跟踪方法 | |
CN113960654A (zh) | 地震数据处理方法及系统 | |
CN111289001B (zh) | 导航方法和装置以及电子设备 | |
CN115314830B (zh) | 一种带有状态的场景识别方法及装置 | |
CN105938188A (zh) | 移动设备和相关的车辆定位方法 | |
Ahmadi et al. | Adaptive velocity particle filtering for tracking of targets in noisy environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |