眼睛是人体重要的感觉器官之一,人类可以通过眼球运动向外界传达信息或与之交互。不仅如此,眼动的异常还是一些重要疾病的常见临床症状之一。在诸多的眼球运动记录方法中,眼动图法(electrooculography,EOG)由于具有无创,成本低等优点,在基于EOG的人机交互和疲劳驾驶检测等诸多方面都得到了广泛地应用。其中,在基于EOG的人机交互系统中,眼电信号的准确识别是提升系统性能的关键因素之一,并且眼电信号中的扫视类型,由于出现频率高也使得其成为本文研究的主要眼动类型。为了能够获取高质量的扫视眼电信号,本文研究了多导联混合EOG信号盲分离的相关内容,并且重点研究的内容为多导联EOG信号的盲解卷积算法。具体的研究工作如下所述:(1)提出了适用于多导联EOG信号盲分离结果评估的方法。由于多导联EOG信号是通过间接的方式记录到的,因此没有相应纯净的源信号可以用作参考,故一些常见相关的评估指标并不适用于EOG信号盲分离结果的评估。就此问题,本文提出从定性和定量两个方面对EOG信号分离的结果进行评估。其中定性评估,是通过比较混合信号分离前后的时域和时频域结果的差异实现的;定量评估则是计算了三类统计指标,分别是二阶和四阶统计依赖性,总平方互相关和扫视分类识别率。上述指标的使用可以对不同盲分离算法对应分离结果的分离程度进行评估。(2)研究了IVA(independent vector analysis,IVA)算法及其在多导联EOG信号盲解卷积问题中的应用。由于EOG信号在传输过程中需要穿过颅骨和皮下组织等生理结构,会存在一定的卷积效应,因此简单的瞬时混合模型可能难以很好地描述多导联EOG信号的生成过程。为了能够获得更好的分离效果,本文对多导联EOG信号的生成模型进行了简单地比较研究。其中为了应对ICA(independent component analysis,ICA)算法固有的排序模糊性,本文应用IVA算法作为卷积混合模型对应的盲分离算法,该算法理论上可以减小ICA的排序模糊性所带来的影响。在实验部分,为了改善个体差异性对于分离结果的影响,本文对IVA算法中的帧长参数也进行了选择。实验结果显示,就二阶和四阶统计依赖性,以及总平方互相关的结果来说,卷积混合对应的结果分别是0.04(二阶)/0.08(四阶),以及1.25。比瞬时混合分别低了0.3(二阶)/0.17(四阶),以及0.32。另外,就扫视分类识别率的结果来说,卷积混合对应的结果分别是95.76%(组内测试)和94.08%(组间测试),比瞬时混合对应的识别率分别高了1.69%(组内测试)和5.53%(组间测试)。这表明,IVA算法能够对多导联混合EOG信号进行分离,并且比起瞬时混合,卷积混合模型假设对应的盲分离表现要更好一些。(3)研究了基于IVA的多导联EOG信号盲分离算法的改进。为了进一步提高IVA算法对于EOG信号的盲分离性能,本文结合EOG信号自身的特性,使用NMF(non-negative matrix factorization,NMF)算法对多导联EOG信号的时频谱进行分解,在此基础上完成对IVA算法自身局限性的优化,提升IVA算法对于处理多导联EOG信号盲分离问题的性能。在实验部分,为了能够获得更好的分离效果,同样对算法中的部分参数进行了选择性设置。对应的实验结果表明,就扫视分类识别率来看,结合了NMF与IVA算法的独立低秩矩阵分析(independent low rank matrix analysis,ILRMA)在组内测试中的识别率为98.10%,而IVA算法仅达到了95.75%,这表明应用NMF算法在迭代过程中对时频谱相关的方差参数进行更新,可以一定程度上提升IVA算法的盲分离性能。