基于眼電（EOG）的人機交互系統(tǒng)（HMI）的研發(fā)源于對非侵入式、高精度且持久可穿戴的醫(yī)療輔助設(shè)備的需求。傳統(tǒng)人機交互方式如觸摸屏、操縱桿或基于肌電（EMG）和腦電（EEG）的系統(tǒng)存在信號弱、易受干擾或使用不便等問題，尤其不適合肢體活動受限的用戶。眼電信號因其幅度大（0.05–3 mV）、易于檢測且能準確反映眼動方向，成為理想的HMI輸入信號。本研究提出了一種軟無線頭帶式生物電子系統(tǒng)，集成了柔性電路和分形金電極，用于實時采集和處理EOG信號，實現(xiàn)對眼動的高精度分類與控制。如圖1A所示，受試者佩戴該頭帶設(shè)備，設(shè)備采用熱塑性聚氨酯（TPU）材料制成，具有良好的柔韌性和尺寸可調(diào)性，適應不同頭圍用戶；圖1C展示了干電極與凝膠電極的EOG信號對比，干電極信噪比更高（22.1 ± 1.7 dB），信號質(zhì)量更優(yōu)；圖1D進一步顯示干電極在長時間佩戴下無皮膚刺激，而凝膠電極易引起皮疹。該系統(tǒng)的優(yōu)勢在于其舒適性、高信號質(zhì)量、無線實時控制能力以及高達98.3%的眼動分類精度，適用于輪椅控制、虛擬現(xiàn)實等多種醫(yī)療與交互場景。

圖1 系統(tǒng)概述與性能對比

圖1（A）頭帶設(shè)備佩戴實物圖；圖1（B）納米膜電極特寫與皮膚貼合圖；圖1（C）干電極與凝膠電極EOG信號及SNR對比；圖1（D）凝膠電極引起皮疹與干電極無刺激對比；圖1（E）EOG信號處理至應用的完整流程示意圖。

HUIYING

基于眼電的人機交互系統(tǒng)設(shè)計關(guān)鍵說明

該系統(tǒng)的設(shè)計關(guān)鍵在于一體化柔性結(jié)構(gòu)、電極布局優(yōu)化與無線信號處理。頭帶平臺采用3D打印的TPU材料，具有彈性可調(diào)機制，如圖2B所示，通過張力帶確保電極與皮膚緊密貼合，適應不同用戶頭部尺寸。電極布局經(jīng)過優(yōu)化：兩個電極位于雙眼上方1 cm，一個電極位于左眼下眼瞼1 cm處用于垂直眼動檢測，接地電極位于額頭中央，確保全方位捕捉眼動信號。無線電路部分集成藍牙低功耗芯片、微處理器和可充電電池，如圖2C所示，實現(xiàn)信號的實時采集、濾波與傳輸。整個系統(tǒng)通過柔性薄膜電纜連接電極與電路，如圖2D所示，確保在動態(tài)使用中不會斷裂或脫落。該系統(tǒng)設(shè)計緊湊（2 × 3 cm）、全無線，克服了傳統(tǒng)設(shè)備笨重、有線連接帶來的運動偽影問題。

圖2 設(shè)備制造與集成設(shè)計

圖2（A）頭帶平臺與電極集成結(jié)構(gòu)；圖2（B）尺寸可調(diào)頭帶示意圖；圖2（C）柔性無線電路布局；圖2（D）電極與電路連接方式；圖2（E）分形電極制造流程（襯底-金屬沉積-激光切割）。

HUIYING

基于眼電的人機交互系統(tǒng)電極設(shè)計說明

電極設(shè)計是本系統(tǒng)的核心創(chuàng)新點，采用分形金納米膜電極，通過薄膜沉積（Cr/Au）和飛秒激光微加工技術(shù)制成，如圖2E所示。該電極具有優(yōu)異的拉伸性（最高30%應變）和彎曲性（180°彎曲角），其分形圖案設(shè)計（彎曲半徑0.39 mm，線寬0.16 mm）有效分散應力，防止機械斷裂。圖3A的有限元分析顯示，電極在拉伸和彎曲狀態(tài)下最大主應變小于1%，圖3B的顯微鏡圖像驗證了電極在反復拉伸和彎曲后無損傷，圖3C的電阻測試進一步表明其電性能穩(wěn)定。此外，電極的生物相容性顯著優(yōu)于傳統(tǒng)凝膠電極：圖3D的紅外熱成像顯示，干電極佩戴8小時后無皮膚溫度升高或刺激，而凝膠電極在4小時后即出現(xiàn)明顯皮疹和溫度上升。這種電極不僅可重復使用，還能在高動態(tài)皮膚變形下保持高質(zhì)量信號采集。

圖3 電極機械與生物相容性測試

圖3（A）有限元分析顯示電極在拉伸/彎曲下的應變分布；圖3（B）電極拉伸/彎曲前后顯微鏡圖像；圖3（C）電極在拉伸/彎曲過程中電阻變化曲線；圖3（D）凝膠電極與干電極佩戴后皮膚紅外熱成像對比。

HUIYING

臨床研究：方法與結(jié)果

研究方法：

受試者與設(shè)備設(shè)置：研究招募多名健康志愿者，遵循IRB批準協(xié)議。受試者佩戴頭帶設(shè)備，電極位置：雙眼上方各一電極，左眼下眼瞼一電極，額頭中央接地。

信號采集與處理：EOG信號以250 Hz采樣率通過藍牙傳輸至Android平板。信號處理流程如圖4A所示，包括：帶通濾波（Butterworth FIR）、去除DC偏移、去趨勢處理，最終通過機器學習算法進行分類。

圖4 信號處理流程與分類示例

圖4（A）信號處理步驟（濾波、去偏移、去趨勢、分類）及對應信號圖；圖4（B）四種眼動（左、右、上、下）的原始EOG信號；圖4（C）處理后分類結(jié)果信號圖。

分類算法：使用三種方法進行六類眼動分類（上、下、左、右、眨眼、空值）：傳統(tǒng)信號處理、k近鄰（kNN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）。數(shù)據(jù)分為75%訓練集和25%測試集。

研究結(jié)果：

分類精度：CNN算法表現(xiàn)最佳，整體準確率達98.3%，顯著高于kNN（96.9%）和信號處理方法（95.5%）。圖5C的混淆矩陣詳細展示了各算法的分類效果。

圖5 機器學習算法比較

圖5（A）kNN分類示意圖；圖5（B）CNN模型結(jié)構(gòu)流程圖；圖5（C）三種方法（信號處理、kNN、CNN）的混淆矩陣對比。

實時控制演示：系統(tǒng)成功用于控制兩輪RC汽車，如圖6A和圖6B所示。通過五種眼動命令（上：前進，下：后退，眨眼：急停，左：逆時針轉(zhuǎn)，右：順時針轉(zhuǎn)），汽車能按預定路徑行駛并避開障礙物，如圖6D所示。視頻S2記錄了實時控制過程。

圖6 實時HMI演示：RC汽車控制

圖6（A）受試者佩戴設(shè)備與控制場景；圖6（B）控制賽道與Android應用界面；圖6（C）五種眼動控制指令示意圖；圖6（D）汽車行駛路徑與七步控制命令分解圖。

HUIYING

總結(jié)

本研究成功開發(fā)了一種柔性、無線、頭帶式眼電人機交互系統(tǒng)，集成了高分形金電極、柔性電路和深度學習算法，實現(xiàn)了高精度、實時的眼動識別與控制。系統(tǒng)在機械可靠性、皮膚相容性和分類性能方面均優(yōu)于現(xiàn)有設(shè)備，尤其適用于醫(yī)療輔助和虛擬現(xiàn)實交互。未來研究方向包括解決多通道信號串擾問題，并進一步整合EEG/EMG等多模態(tài)生理信號。