ID.EARS：具有生物信号噪声的一耳EEG设备，用于实时手势识别和各种交互

研究背景与问题

• 发现的挑战或问题： 耳部脑电图(EEG)测量方法虽然方便，但通常伴随有生物噪声（例如眼动电图EOG或肌电图EMG），这些信号在传统研究中通常被视为“噪声”并被排除。许多现有的解决方案专注于消除此类噪声，而非充分利用它。
• 问题的重要性： 耳部EEG设备存在广大的市场潜力，尤其是在便携式医疗设备和自然用户接口领域。然而，目前技术局限于单一用途（主要是脑波检测），忽视了噪声信号可能提供的额外价值。
• 研究动机与相关工作： 作者受此前研究启发，探索是否可以利用这些被遗弃的噪声信号，将其转化为用户交互信号，并应用于手势识别和其他实际场景。

解决方案

• 提出的方法或解决方案： ID.EARS是一种基于干电极的单耳设备，它不仅检测脑电图信号，还分析因身体运动、EOG和EMG引起的噪声信号。通过基于实时工件检测模型的算法，设备能够高精度识别五种手势（眼睛眨动、左/右眨眼、咀嚼和咬牙）。
• 创新之处： 作者提出了一种新颖的实时噪声检测模型，将传统上被视为干扰信号的噪声（如EOG和EMG）重新定义为可用信号。此外，该设备针对耳部EEG进行了优化，采用干电极和可调节设计以提高信号捕获的准确性和用户舒适度。
• 实施步骤及关键技术：
  1. 设备设计与开发： 通过实验确定EEG最优测量点，并设计了包含三种电极（活动电极、参考电极和地电极）的硬件模块。
  2. 信号验证与特征提取： 对噪声信号进行分类，将五种手势与稳定状态的原始信号特征进行分析。
  3. 实时检测模型开发： 提出了一种基于“Matching Networks”的一次学习方法，使用神经嵌入函数实现手势实时分类。
  4. 软件应用实现： 开发了ID.EARS Launcher应用，用于实时数据可视化与用户实际场景演示，包括音乐控制、MR/XR接口交互，以及医疗保健功能（如进食检测和眼部健康）。

研究成果

• 取得的具体成果：

  1. 实现了一种耳部EEG设备ID.EARS，能同时测量脑波和噪声信号。
  2. 开发了一种实时工件检测模型，能够在多种场景中以超过90%的准确度识别用户手势。
  3. 展示了多个应用场景，包括音乐控制、接听电话、无障碍ホーム界面控制、MR/XR交互，以及进食和牙齿健康监测。

• 与现有解决方案的比较：

  • ID.EARS不仅能够测量脑波，还能利用噪声信号实现手势识别，而传统的耳部EEG设备通常只专注于脑波测量。
  • 本研究的实时检测模型在实验中表现出较高的准确度（>91%），在噪声分析和手势分类领域具有显著提升。

• 实验或评估结果：

  • 在实验室环境中，模型实现了稳定的高准确度（用户特定交叉验证中达到94.94%）。
  • 一般化测试中对新用户的准确度为78.57%，提供了进一步改进的研究方向。

• 局限性与未来方向：

  • 设备尺寸: 当前设备设计较大，不适合长时间佩戴或睡眠使用。
  • 用户适应性: 在应用于更大规模用户群时可能会出现误差，并需要增强用户特定适配功能。
  • 信号质量: 电极与皮肤接触质量可能因设备老化、用户皮肤特性变化而受到影响。
  • 应用扩展: 提高设备捕获脑波的范围，并结合其他脑区信号以拓展研究应用。

总结

研究通过将耳EEG的噪声信号转化为手势识别和用户交互信号，提出了一种创新的设备与模型，将传统上被认为无用的噪声信号重新定义为应用潜力巨大的工具。ID.EARS不仅展示了以耳部脑电图为基础的手势控制和健康监测的可能性，还为耳部EEG设备的应用提供了新的方向。这项研究为推动医疗保健和人机交互领域的进步，奠定了重要的技术基础。