随着人机交互技术和便携式医疗设备的不断发展，基于生理信号的检测系统逐渐受到广泛关注。眼动电位 (EOG) 作为能够反映眼部运动 (如眨眼、扫视和注视) 的信号，由于其非侵入性、信号模式稳定以及成本低廉等优势，成为多种应用场景中的重要信号来源。例如，在医疗辅助、智能驾驶以及计算机辅助诊断等领域，准确检测眨眼不仅可以辅助疲劳与注意力监控，还能作为消除其他脑电信号干扰的预处理手段。本文旨在解决如何在低功耗平台上实现高精度、实时的眨眼检测问题。
图形摘要
主要内容该研究设计了一种面向特定应用的可重构处理器，该处理器以双通道EOG信号为输入，通过硬件与软件协同设计实现眨眼与扫视动作的分类检测。在信号预处理阶段，原始EOG信号首先经过两级有限冲击响应(FIR) 滤波：一方面采用高通滤波器去除基线漂移，另一方面通过低通滤波器滤除噪声，确保传递出所需频段的信号成分。此步骤为后续的特征提取奠定了坚实的基础。
在特征提取阶段，为了兼顾硬件资源与实时处理的要求，该设计采用了仅需较少计算资源的时域统计特征。经过对多种特征的比对，研究人员最终选取了均方根值 (RMS) 和标准差 (STD) 两项指标。这两项特征不仅能准确反映信号幅度变化，还能有效捕捉眼动过程中信号的分布特点，为后续分类提供充分信息。整个特征提取过程通过硬件模块在FPGA平台上实现，充分利用了并行与串行相结合的混合处理技术，从而保证了低延时和低功耗的设计目标。
在分类阶段，该设计采用了基于线性支持向量机 (SVM) 的二分类算法。该算法利用从预处理与特征提取阶段获得的特征数据，将眼动信号分为眨眼与扫视两类。在软件仿真阶段，通过80:20的训练测试分割策略，分类准确率达到97.5%，而硬件实现后的准确率也达到95%。为保证系统整体性能，设计中还详细考虑了分类器的计算复杂度，确保FPGA实现过程中既满足高精度要求，又能降低资源占用与功耗。系统最终在Xilinx Zynq-7000系列FPGA上实现，整个检测流程的延时仅为微秒级，进一步验证了该设计在实时应用中的可行性。
除了核心的预处理、特征提取和分类模块，本文还对系统整体的硬件资源利用和功耗进行了评估。研究表明，所设计的EOG处理器在FPGA上资源占用率低，同时功耗仅为0.8瓦，其中动态功耗占86%，静态功耗仅占14%。此外，通过对软件仿真和硬件实现结果的对比分析，利用皮尔逊相关系数与均方根误差指标验证了两者间的高度一致性。这些结果不仅证明了本设计在准确性和实时性上的优势，还展示了其在低功耗、低成本方面的显著特点，为未来在智能驾驶、远程医疗及在线健康监测等实际应用中的推广提供了技术支撑。
研究总结该研究对EOG信号中眨眼与扫视动作的识别问题，提出了一种基于双通道EOG信号的可重构处理器设计。通过采用低阶FIR滤波器对信号进行预处理，并选取RMS与STD两项关键时域统计特征，再结合基于线性SVM的分类算法，实现了软件和硬件双层次的高精度检测。硬件实现不仅在准确率上达到95%，而且在资源利用和功耗控制方面表现出色。综上所述，该研究为在低功耗FPGA平台上实现实时眨眼检测提供了一种高效而可靠的解决方案，为智能人机交互和医疗辅助应用开辟了新的技术路径。
原文来自 JLPEA 期刊
Das, D.; Chowdhury, M.H.; Chowdhury, A.; Hasan, K.; Hossain, Q.D.; Cheung, R.C.C. Application Specific Reconfigurable Processor for Eyeblink Detection from Dual-Channel EOG Signal.J. Low Power Electron. Appl. 2023 ,13 , 61. https://doi.org/10.3390/jlpea13040061JLPEA期刊介绍期刊旨在发表低功耗电子方向的创新研究和重要成果。期刊范围涵盖的主题包括但不限于新兴电子器件和工艺技术、模拟、数字和混合信号 VLSI 电路、架构和系统设计、SoC 和嵌入式系统、能量采集和无电池系统、综合和优化工具，以及用于低功耗设计的 CAD 工具和方法。目前被 Scopus、ESCI 等数据库收录。
财富牛提示：文章来自网络，不代表本站观点。
