眼电EOG人机交互会是未来交互的一种主流吗？

 

基于眼电（EOG）的人机交互系统（HMI）的研发源于对非侵入式、高精度且持久可穿戴的医疗辅助设备的需求。传统人机交互方式如触摸屏、操纵杆或基于肌电（EMG）和脑电（EEG）的系统存在信号弱、易受干扰或使用不便等问题，尤其不适合肢体活动受限的用户。眼电信号因其幅度大（0.05–3 mV）、易于检测且能准确反映眼动方向，成为理想的HMI输入信号。本研究提出了一种软无线头带式生物电子系统，集成了柔性电路和分形金电极，用于实时采集和处理EOG信号，实现对眼动的高精度分类与控制。如图1A所示，受试者佩戴该头带设备，设备采用热塑性聚氨酯（TPU）材料制成，具有良好的柔韧性和尺寸可调性，适应不同头围用户；图1C展示了干电极与凝胶电极的EOG信号对比，干电极信噪比更高（22.1 ± 1.7 dB），信号质量更优；图1D进一步显示干电极在长时间佩戴下无皮肤刺激，而凝胶电极易引起皮疹。该系统的优势在于其舒适性、高信号质量、无线实时控制能力以及高达98.3%的眼动分类精度，适用于轮椅控制、虚拟现实等多种医疗与交互场景。

 

 

图1 系统概述与性能对比  

 

图1（A）头带设备佩戴实物图；图1（B）纳米膜电极特写与皮肤贴合图；图1（C）干电极与凝胶电极EOG信号及SNR对比；图1（D）凝胶电极引起皮疹与干电极无刺激对比；图1（E）EOG信号处理至应用的完整流程示意图。

 

HUIYING

基于眼电的人机交互系统设计关键说明

 

该系统的设计关键在于一体化柔性结构、电极布局优化与无线信号处理。头带平台采用3D打印的TPU材料，具有弹性可调机制，如图2B所示，通过张力带确保电极与皮肤紧密贴合，适应不同用户头部尺寸。电极布局经过优化：两个电极位于双眼上方1 cm，一个电极位于左眼下眼睑1 cm处用于垂直眼动检测，接地电极位于额头中央，确保全方位捕捉眼动信号。无线电路部分集成蓝牙低功耗芯片、微处理器和可充电电池，如图2C所示，实现信号的实时采集、滤波与传输。整个系统通过柔性薄膜电缆连接电极与电路，如图2D所示，确保在动态使用中不会断裂或脱落。该系统设计紧凑（2 × 3 cm）、全无线，克服了传统设备笨重、有线连接带来的运动伪影问题。

 

 

图2 设备制造与集成设计

 

图2（A）头带平台与电极集成结构；图2（B）尺寸可调头带示意图；图2（C）柔性无线电路布局；图2（D）电极与电路连接方式；图2（E）分形电极制造流程（衬底-金属沉积-激光切割）。

HUIYING

基于眼电的人机交互系统电极设计说明

电极设计是本系统的核心创新点，采用分形金纳米膜电极，通过薄膜沉积（Cr/Au）和飞秒激光微加工技术制成，如图2E所示。该电极具有优异的拉伸性（最高30%应变）和弯曲性（180°弯曲角），其分形图案设计（弯曲半径0.39 mm，线宽0.16 mm）有效分散应力，防止机械断裂。图3A的有限元分析显示，电极在拉伸和弯曲状态下最大主应变小于1%，图3B的显微镜图像验证了电极在反复拉伸和弯曲后无损伤，图3C的电阻测试进一步表明其电性能稳定。此外，电极的生物相容性显著优于传统凝胶电极：图3D的红外热成像显示，干电极佩戴8小时后无皮肤温度升高或刺激，而凝胶电极在4小时后即出现明显皮疹和温度上升。这种电极不仅可重复使用，还能在高动态皮肤变形下保持高质量信号采集。

 

 

图3 电极机械与生物相容性测试   

 

图3（A）有限元分析显示电极在拉伸/弯曲下的应变分布； 图3（B）电极拉伸/弯曲前后显微镜图像； 图3（C）电极在拉伸/弯曲过程中电阻变化曲线； 图3（D）凝胶电极与干电极佩戴后皮肤红外热成像对比。

 

HUIYING

临床研究：方法与结果

研究方法：

 

受试者与设备设置：研究招募多名健康志愿者，遵循IRB批准协议。受试者佩戴头带设备，电极位置：双眼上方各一电极，左眼下眼睑一电极，额头中央接地。

信号采集与处理：EOG信号以250 Hz采样率通过蓝牙传输至Android平板。信号处理流程如图4A所示，包括：带通滤波（Butterworth FIR）、去除DC偏移、去趋势处理，最终通过机器学习算法进行分类。

 

 

图4  信号处理流程与分类示例 

 

图4（A）信号处理步骤（滤波、去偏移、去趋势、分类）及对应信号图；图4（B）四种眼动（左、右、上、下）的原始EOG信号；图4（C）处理后分类结果信号图。

 

分类算法：使用三种方法进行六类眼动分类（上、下、左、右、眨眼、空值）：传统信号处理、k近邻（kNN）和卷积神经网络（CNN）。数据分为75%训练集和25%测试集。

 

研究结果：

 

分类精度：CNN算法表现最佳，整体准确率达98.3%，显著高于kNN（96.9%）和信号处理方法（95.5%）。图5C的混淆矩阵详细展示了各算法的分类效果。

 

 

图5 机器学习算法比较 

 

 图5（A）kNN分类示意图；图5（B）CNN模型结构流程图；图5（C）三种方法（信号处理、kNN、CNN）的混淆矩阵对比。

 

实时控制演示：系统成功用于控制两轮RC汽车，如图6A和图6B所示。通过五种眼动命令（上：前进，下：后退，眨眼：急停，左：逆时针转，右：顺时针转），汽车能按预定路径行驶并避开障碍物，如图6D所示。视频S2记录了实时控制过程。

 

 

图6 实时HMI演示：RC汽车控制

   

图6（A）受试者佩戴设备与控制场景；图6（B）控制赛道与Android应用界面；图6（C）五种眼动控制指令示意图；图6（D）汽车行驶路径与七步控制命令分解图。

 

HUIYING

总结

本研究成功开发了一种柔性、无线、头带式眼电人机交互系统，集成了高分形金电极、柔性电路和深度学习算法，实现了高精度、实时的眼动识别与控制。系统在机械可靠性、皮肤相容性和分类性能方面均优于现有设备，尤其适用于医疗辅助和虚拟现实交互。未来研究方向包括解决多通道信号串扰问题，并进一步整合EEG/EMG等多模态生理信号。