專利名稱：用于檢測和分類面部肌肉運動的方法和系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般來講涉及以人為對象的面部肌肉運動的檢測和分類， 例如面部表情或者其他類型的肌肉活動。本發(fā)明適合使用在電子娛樂
或者其他平臺之中，在其中腦電圖(EEG)數(shù)據(jù)被收集和被分析，以 確定對象的面部表情、以便為該平臺提供控制信號，并且使用相關(guān)的 示例性的而非限制性的應(yīng)用將會更方便地描述本發(fā)明。
背景技術(shù)：
面部表情長期以來是人和人交流的最重要的方面之一.人類已經(jīng)
習慣自覺和不自覺地用面部表情表示情感和態(tài)度。進一步而言，我們 在理解和解釋其他人的面部表情方面已經(jīng)變得非常熟練。面部表情形 成了我們?nèi)粘Ｉ?、日常交流和互動的非常重要的部分?br> 隨著技術(shù)的進步，我們更多的交流通過機器被傳導(dǎo)。人們現(xiàn)在聚 集在虛擬的聊天室和別人討論事情。文本消息傳遞正變得更流行，導(dǎo) 致新的正交系統(tǒng)被開發(fā)以處理這種無人類屬性的世界。目前，面部表 情還沒有被用在人機交流的界面中。與機器的互動被限制于使用繁瑣 的輸入裝置，例如鍵盤和鼠標。這把我們的交流限制于僅是預(yù)先考慮 好的和自覺的行為。
因此，需要提供簡化人機交流的技術(shù)。而且期望這種技術(shù)穩(wěn)健、 強大和適用于大量平臺和環(huán)境。也期望這種技術(shù)優(yōu)化自然的人和人互 動的技術(shù)的使用，使得人機界面對人類使用者來講盡可能自然。

發(fā)明內(nèi)容
帶著這種想法，本發(fā)明的一個方面提供了一種檢測和分類面部肌 肉運動的方法，包括步驟從至少一個生物信號檢測器接收生物信號；和 把至少一種面部肌肉運動檢測算法應(yīng)用到受預(yù)定的面部肌肉運 動類型影響的一部分生物信號中，以檢測該預(yù)定類型的面部肌肉運動。 把至少一種面部肌肉運動檢測算法應(yīng)用到生物信號的步驟可以
包括
將該生物信號部分與定義了預(yù)定面部肌肉運動類型的一個或多 于一個獨特的(distinctive)信號特征的簽名進行比較。
在本發(fā)明的第一個實施例中，把至少一種面部肌肉運動檢測算法 應(yīng)用到生物信號的步驟可以包括
直接比較來自 一個或者多個預(yù)定的生物信號檢測器的生物信號 和該簽名，
在本發(fā)明的另 一個實施例中，把至少一種面部肌肉運動檢測算法 應(yīng)用到生物信號的步驟可以包括
在一個或者多個預(yù)定的分量矢量上投影來自多個生物信號檢測 器的生物信號；和
比較一個或者多個分量矢量上的投影和該簽名。
預(yù)定的分量矢量通過對先前收集的生物信號應(yīng)用第一分量分析 而確定，該先前收集的生物信號產(chǎn)生在對應(yīng)于該第一簽名的類型的面 部肌肉運動期間。被應(yīng)用于先前收集的生物信號的第一分量分析可以 是獨立分量分析(ICA)?；蛘?，被應(yīng)用于先前收集的生物信號的第 一分量分析可以是主分量分析(PCA).在這個實施例中，該方法可 以還包括步驟
應(yīng)用笫二分量分析到被檢測的生物信號；和
利用第二分量分析的結(jié)果以在生物信號檢測期間更新一個或者 多個預(yù)定的分量矢量，
第二分量分析可以是主分量分析(PCA)。
在本發(fā)明的另 一個實施例中，把至少一種面部肌肉運動檢測算法 應(yīng)用到生物信號的步驟可以包括
應(yīng)用期望的變換到生物信號；和比較期望的變換的結(jié)果和該簽名。
該期望的變換可以從付里葉變換、小波變換或者其他信號變換方 法中的任何一個或多個中選擇。
把至少一種面部肌肉運動檢測算法應(yīng)用到生物信號的步驟可以
還包括步驟把來自預(yù)定面部肌肉運動類型的生物信號和生物信號中 的一個或者多個噪聲源分離開。
噪聲源可以包括電磁千擾(EMI)、不是來自預(yù)定的面部肌肉運 動類型的生物信號和其他肌肉偽信號(arcefact)中的任何一個或者多 個。
把一個或者多于一個面部肌肉運動檢測算法應(yīng)用到生物信號的 步驟可以包括，將來自 一對或者多對生物信號檢測器的生物信號的和 或者差與該簽名相比較。
把一個或者多于一個面部肌肉運動檢測算法應(yīng)用到生物信號的 步驟還包括，比較來自一對或者多對生物信號檢測器的每一對的生物 信號和該簽名。
比較步驟包括
求來自一對或者多對生物信號檢測器的每一對的生物信號中的 一個或者多于一個的導(dǎo)數(shù)，以及來自 一對或者多對生物信號檢測器的 生物信號的和或者差。
比較步稞還可以包括
將來自一對或者多對生物信號檢測器的每一對的生物信號中的 一個或者多于一個的梯度和幅度中的一個或者兩個與來自 一對或者多 對生物信號檢測器的生物信號的和或者差相比較；和
確定梯度和幅度中的一個或者兩個分別在什么時候超過了預(yù)定 的梯度和幅度的閾值。
比較步驟還可以包括
計算來自一對或者多對生物信號檢測器的每一對的生物信號之 間的相關(guān)性；和
確定該相關(guān)性在什么時候超過預(yù)定的相關(guān)性閾值。把一個或者多于一個面部肌肉運動檢測算法應(yīng)用到生物信號的
步驟可以包括，比較來自 一個或者多個預(yù)定生物信號檢測器的生物信 號的功率和該簽名。
比較步驟可以包括，計算來自 一對或者多對生物信號檢測器的生
物信號的功率與該簽名的和；和
確定該和是否超過了指示第一面部肌肉運動類型的預(yù)定閾值。 比較步驟可以包括計算來自第一組生物信號檢測器的生物信號
的功率和來自第二組生物信號檢測器的生物信號的功率的比值；和 確定該比值是否超過了指示笫二面部肌肉運動類型的預(yù)定閾值。 在本發(fā)明的一個或者多個實施例中，生物信號可以包括腦電圖 (EEG)信號，眼電圖(EOG)信號和肌電圖(EMG)信號中的任
何一個或者多個。
該方法還可以包括步驟
對于在電子娛樂應(yīng)用或其他應(yīng)用中的輸入，產(chǎn)生代表被檢測面部 肌肉運動類型的輸出信號。
本發(fā)明的另外一個方面，提供了 一種用于檢測和分類面部肌肉運 動的設(shè)備，包括
處理器和使處理器實施上面所述方法的相關(guān)聯(lián)的存儲裝置。
本發(fā)明還有另外一個方面，提供了一種計算機程序產(chǎn)品，可有形 地存儲在機器可讀的介質(zhì)上，該產(chǎn)品包括使處理器實施上面所述方法
的指令，
本發(fā)明還有另外一個方面，提供了一種包括使處理器實施上面所 述方法的指令的計算機程序產(chǎn)品，


參考下面的描述、附加的權(quán)利要求書和相關(guān)附圖，本發(fā)明的這些 和其他特征、方面與優(yōu)勢將會被更好的理解，它們描述了該裝置的視 圖和實施例，和本發(fā)明的方法的特定實施例中的一些步驟，其中
圖l是根據(jù)本發(fā)明的用于檢測和分類面部肌肉運動的設(shè)備的示意圖。
圖2是闡明了形成被用于圖l所示設(shè)備的頭戴式裝置(head set) 的一部分的頭皮電極(scale electrode )位置的示意圖。
圖3是闡明了被圖1所示設(shè)備執(zhí)行的廣義功能步驟的流程圖。
圖4和圖5表示的是在預(yù)定面部運動期間來自圖2所示的被選擇 電極的示例性信號。
圖6表示的是在大量面部運動期間來自圖2所示頭皮電極的信號。
圖7是闡明了在簽名產(chǎn)生過程中執(zhí)行的步驟的流程圖，所述簽名 在檢測和分類面部肌肉運動期間被用于圖l的設(shè)備中，定義了預(yù)定面 部肌肉運動類型的獨特的信號特征。
圖8是在至少一個操作模式下，把來自圖2所示傳感器的信號分 解成被圖1所示設(shè)備執(zhí)行的預(yù)定分量的概念表示。
圖9是在一系列眨眼期間來自圖2所示傳感器中的一個傳感器的 信號表示'
圖10是闡明了在至少一個操作模式下，在生物信號檢測和分類 期間和之前由圖l所示設(shè)備執(zhí)行的步驟的流程圖。
圖11是示明了在一個示例性的眨眼期間，存在于從圖2所示傳 感器獲得的生物信號之中的眨眼分量矢量的示意圖。
圖12是用于將面部肌肉運動檢測和分類為眨眼的一個示例算法 的流程圖。
圖13所示的是從圖2所示的示例性傳感器檢測的生物信號和在 該生物信號上執(zhí)行的后續(xù)分析的表示。
圖14表示的是用于將面部肌肉運動檢測和分類為眨眼的另一個 示例算法的流程圖。
圖15是用于將面部肌肉運動檢測和分類為微笑和皺眉的一個示 例算法的流程圖；和
圖16是在一個微笑期間來自圖2所示傳感器的信號的表示。
具體實施例方式
現(xiàn)在參見圖1，這里大致圖示了一個用于檢測和分類面部肌肉運
動的設(shè)備100。該設(shè)備100包括一個生物信號檢測器的頭戴式裝置102, 能檢測來自對象的各種各樣的生物信號，具體來講是由身體產(chǎn)生的電 子信號，例如腦電圖(EEG )信號，眼電圖(EOG )信號，肌電圖(EMG ) 信號或者類似的信號。設(shè)備100也可以包括能檢測其他生理信號、例 如皮膚電導(dǎo)的生物信號檢測器。在圖示中的典型實施例中，頭戴式裝 置102包括一系列用于從使用者那里獲取EEG信號的頭皮電極。該 頭皮電極可以直接接觸頭皮，或者是不需要直接放置在頭皮上的非接 觸類型。不像提供高分辨率的3-D腦掃描(例如MRI或者CAT掃描) 的系統(tǒng)，該頭戴式裝置一般來講是輕便的和不受約束的。
被頭皮傳感器系列檢測到的頭皮上的電波動主要歸因于處于頭 骨或者在頭骨附近的腦組織。其來源是大腦皮質(zhì)的電子活動，該大腦 皮質(zhì)的大部分位于頭皮下面的大腦的外表面上。頭皮電極拾取由大腦 自然地產(chǎn)生的電子信號，并且可以觀測穿越大腦表面的電子脈沖。盡 管在這個典型實施例中，頭戴式裝置102包括幾個頭皮電極，在其他 的實施例中，僅有一個或者更多的頭皮電極(例如16個電極)可能被 用于頭戴式裝置中。
傳統(tǒng)的EEG分析僅僅專注于來自大腦的信號。其主要應(yīng)用是 探索性的研究，其中不同的節(jié)律(a波，p波等等)被識別；病理學(xué) 檢測—癡呆的發(fā)病或物理損傷能被檢測到；自我完善裝置——利用 這種裝置，生物反饋被用來輔助各種不同形式的思考.傳統(tǒng)的EEG 分析認為來自例如眨眼的面部肌肉運動的信號是偽信號(artefacts)， 其掩蓋了期望要被分析的真正的EEG信號。各種不同的程序和操作 被施行以把這些偽信號從被選擇的EEG信號中濾除出去。
申請人已經(jīng)開發(fā)了一種技術(shù)，該技術(shù)使得能夠從頭皮電極感測和 采集電子信號，并能運用信號處理技術(shù)來分析這些信號，以檢測和分 類人類面部表情，例如眨眼(blink)、眨一只眼(wink)、皺眉、微 笑、大笑、談話等等。這樣的分析結(jié)果能被用于各種其他應(yīng)用之中，包括但不限于電子娛樂應(yīng)用、計算機程序和模擬器，
被頭戴式裝置102的電極檢測到的每一個信號通過一個傳感器接 口 104 (其可以包括一個放大器以加強信號強度和一個濾波器以消除 噪聲)被饋送，然后再被一個模擬數(shù)字轉(zhuǎn)換器106數(shù)字化。被每一個 頭皮傳感器捕獲的信號的數(shù)字化樣本在設(shè)備100操作的過程中被儲存 進一個數(shù)字緩沖器108以用于后續(xù)處理。
設(shè)備100還包括處理系統(tǒng)109，其包括數(shù)字信號處理器112、協(xié) 處理裝置110和相關(guān)的存儲裝置以儲存一系列指令(或者名為計算機 程序或計算機控制邏輯)，以使處理系統(tǒng)109執(zhí)行預(yù)期功能步驟。很 明顯，所述存儲器包括一系列指令，該指令定義至少一種要被數(shù)字信 號處理器112執(zhí)行的算法114，以檢測和分類預(yù)定的面部肌肉運動的 類型.在檢測到面部肌肉運動的每一個預(yù)定類型后，對應(yīng)的控制信號 在這個典型的實施例中被傳輸?shù)捷斎?輸出接口 116，以經(jīng)過一個無線 傳輸裝置118傳輸?shù)狡脚_120以被電子娛樂應(yīng)用、程序、模仿器或者 類似物作為控制輸入使用。
在一個實施例中，算法被實現(xiàn)在軟件之中，指令系列被存儲在處 理系統(tǒng)的存儲器中，例如處理系統(tǒng)109的存儲器之中。指令系列使得 處理系統(tǒng)109像此處描述的那樣執(zhí)行本發(fā)明的功能。在裝栽進存儲器 之前，指令能被有形地包含在機器可讀的存儲裝置之中，例如計算機 盤或存儲卡，或者傳播信號中。在另一個的實施例中，算法主要被實 現(xiàn)在硬件中，例如使用硬件元件，比如專用集成電路(ASIC)。硬件 狀態(tài)機器的實現(xiàn)以執(zhí)行此處所描述的功能，對于在相關(guān)領(lǐng)域里技術(shù)人 員來講將非常清楚。在另外的實施例中，算法被使用軟件和硬件的組 合實現(xiàn)。
設(shè)備IOO的其他實現(xiàn)也是可能的。取代數(shù)字信號處理器，F(xiàn)PGA (現(xiàn)場可編程門陣列)可被使用。不是由分離的數(shù)字信號處理器和協(xié) 處理器來完成處理功能，而是由一個單獨的處理器執(zhí)行處理功能。緩 沖器108可以被去掉或者被一個復(fù)用器(MUX)所取代，數(shù)據(jù)被直接 存儲在處理系統(tǒng)的存儲器中。MUX能被放置在A/D轉(zhuǎn)換器之前，使得僅需要一個單獨的A/D轉(zhuǎn)換器。設(shè)備100和平臺120之間的連接可 以是有線連接而不是無線連接。
盡管在圖1中被闡明的設(shè)備IOO在一個單獨的裝置(其處于平臺 的外面)中帶有所有的處理功能，但是其他的實現(xiàn)是可能的。例如， 設(shè)備可以包括頭戴式裝置組件(assembly)，其包括頭戴式裝置， MUX， A/D轉(zhuǎn)換器(MUX之前或者之后)，無線傳輸裝置，供電的 電池，和一個控制電池使用、從MUX或A/D轉(zhuǎn)換器向無線芯片發(fā)送 數(shù)據(jù)等等的微控制器。該設(shè)備也能包括一個單獨的處理器單元，該單 獨的處理器單元包括無線接收器，以接收來自頭戴式裝置組件的數(shù)據(jù)； 和處理系統(tǒng)，例如數(shù)字信號處理器和協(xié)處理器。該處理器單元能通過
有線或者無線連接被連接到平臺。作為另一個例子，設(shè)備能包括一個 如上描述的頭戴式裝置組件，平臺能包括一個無線接收器以接收來自 頭戴式裝置組件的數(shù)據(jù)，專用于面部肌肉運動的檢測的數(shù)字信號處理 器能被直接集成進平臺里。作為另外一個例子，設(shè)備能包括一個如上 描迷的頭戴式裝置組件，平臺能包括一個無線接收器以接收來自頭戴 式裝置組件的數(shù)據(jù)，面部肌肉運動檢測算法被同一處理器在平臺中執(zhí) 行，所述的同一處理器(例如通用數(shù)字處理器)執(zhí)行應(yīng)用、程序、模 仿器以及類似物。
圖2闡明的是構(gòu)成頭戴式裝置102的一部分的頭皮電極的定位系 統(tǒng)200的一個例子。圖2所示的電極布置系統(tǒng)200被稱為"10-20"系統(tǒng)， 并且被建立在電極的定位和大腦皮質(zhì)之下區(qū)域之間的關(guān)系的基礎(chǔ)之 上。電極布置系統(tǒng)200上的每一個點表明一個可能的頭皮電極位置. 每一個位點包括一個字母以識別波瓣(lobe),和一個數(shù)字或者其他 字母以識別大腦半球位置。字母F、 T、 C、 P、 O代表前部(Frontal)、 顳部(Temporal)、中心(Central)、側(cè)部(Parietal)、枕部(Occipital)。 偶數(shù)表示大腦右半球，奇數(shù)表示大腦左半球。字母Z表示中線位置的 電極。中線是一條線，其沿著頭皮在子午面上以鼻根點開始，在頭部 后面的枕外隆凸點結(jié)束。"10"和"20"表示中線劃分的百分率。中線被 劃分成7個位置，它們是鼻根點、Fpz、 Fz、 Cz、 Pz、 Oz和枕外隆凸點，相鄰位置之間的間隔角分別是中線長度的10%、 20% 、 20%、 20%、 20%和10%。
頭戴式裝置102 (包括根據(jù)系統(tǒng)200定位的頭皮電極)，被放置 在對象的頭上以檢測EEG信號。就像圖3所示，在步驟300， EEG 信號被神經(jīng)生理學(xué)信號采集裝置獲得，然后在步驟302用模數(shù)轉(zhuǎn)換器 106被轉(zhuǎn)換到數(shù)字域。在步驟304，來自每一個傳感器的一系列的數(shù)字 化信號然后被存儲進數(shù)據(jù)緩沖器108.在步驟306， 一個或者更多的面 部肌肉運動檢測算法被應(yīng)用以檢測和分類不同的面部肌肉運動，包括 面部表情或者其他肌肉運動。每一個算法產(chǎn)生一個結(jié)果來表示對象的 面部表情。在步驟308，這些結(jié)果被傳遞到輸出模塊116,在這里它們 被各種不同的應(yīng)用所使用.
在傳統(tǒng)的EEG研究中，許多來自眨眼和其他面部肌肉運動的信 號被認為是偽信號，其掩蓋了需要分析的真正的EEG信號。圖4所 示的是，在一系列眨眼動作期間，來自電極Fpl或者Fp2 (在圖2中 所示的電極定位系統(tǒng)200中所看到的)的信號的表示400。相似地， 圖5所示的是來自電極T7或者T8 (來源于對象的一系列微笑動作) 的信號的表示500,
圖6所示的是，當對象執(zhí)行各種各樣的眼部運動的時候，來自在 頭戴式裝置102中的每一個電極的信號的表示600。上、下、左、右 的眼部運動的影響(impact)能從信號表示的劃圃圍的部分被觀察到， 設(shè)備IOO隔離這些波動，然后應(yīng)用一個或多個算法以對面部肌肉運動 (其負責產(chǎn)生這些波動)劃分類別，而不是認為來自面部肌肉運動的 對EEG信號的影響是污染了 EEG信號質(zhì)量的偽信號。i殳備100向生 物信號的一部分應(yīng)用至少一種面部肌肉運動檢測算法114，以檢測預(yù) 定類型的面部肌肉運動，其中所講的生物信號由受預(yù)定類型的面部肌 肉運動影響的頭戴式裝置102獲取。為了做到這些，定義了預(yù)定面部 肌肉運動類型的 一個或多個獨特的特征的數(shù)學(xué)簽名被存儲在存儲裝置 112中。受預(yù)定類型的面部肌肉運動影響的生物信號的相關(guān)部分然后 和該數(shù)學(xué)簽名作比較。為了給每一種面部肌肉運動產(chǎn)生所述的數(shù)學(xué)簽名，就像圖7中所 示的一樣，在步驟700中，刺激(stimuli)被開發(fā)以得出該特殊的面 部表情。 一般來講，該刺激采取聲像表示的形式或者一組指令的形式。 在步驟702中，該組刺激被測試直到在被開發(fā)的刺激和所得到的期望 面部肌肉運動之間得到高度關(guān)聯(lián)。在步驟704, —旦一組有效的刺激 被開發(fā)，EEG信號記錄就會生成，其包含許多期望的面部肌肉運動的 例子。理想地，這些面部肌肉運動應(yīng)該盡可能自然，
一旦EEG信號記錄被收集，信號處理操作隨后在步驟706中被 執(zhí)行，以識別每種預(yù)定面部肌肉運動類型的一個或多個獨特的信號特 征。在每一種EEG信號記錄中識別出這些獨特的信號特征，使得在 一個對象中的面部肌肉運動的類別在步驟708中被劃分，代表被檢測 的面部肌肉運動類型的輸出信號在步驟710中被輸出。在步驟712中， 輸出信號的測試和驗證使一個魯棒的數(shù)據(jù)集被確定。
在某些實施例中，為每一個對象開發(fā)一個數(shù)學(xué)簽名可能是必需 的。在本發(fā)明的其他實施例中，可以為每一種類型的面部肌肉運動開 發(fā)通用的數(shù)學(xué)簽名(例如用有限數(shù)量的對象)，然后被存儲進數(shù)字信 號處理器112的存儲器中，不需要像前面所提到的步驟一樣被每一個 對象實施。
在其中一個操作模式下，受預(yù)定類型的面部肌肉運動所影響的生 物信號部分主要被發(fā)現(xiàn)存在于來自有限數(shù)量的頭皮電極的信號中。例 如，眼部運動和眨眼能通過使用眼睛附近的僅兩個電極被檢測，例如 圖2中所示的Fpl和Fp2通道，在這種情況下，可以將來自這些電極
的:學(xué)i名直接進行比較。 ' 各
也可以把來自一個或者更多電極的信號組合在一起，然后再把該
一個或者多;數(shù)學(xué)簽名進行比較.在信號組合操作之前，權(quán)重能被應(yīng) 用于每一個信號以提高面部肌肉運動檢測和分類的精確度。
在其他操作模式下，設(shè)備100把頭皮電極信號分解成一系列分量，然后將來自頭皮電極的生物信號在一個或更多的預(yù)定的分量矢量上的 投影與定義了每一種類型的面部肌肉運動的信號特征的數(shù)學(xué)簽名進行 比較。
在這方面，獨立分量分析(ICA)已經(jīng)被發(fā)現(xiàn)對于定義橫越整個 頭皮的勢能函數(shù)(potential function)的特征形式非常有用。獨立分 量分析用 一 系列對比函數(shù)在輸出之間最大化統(tǒng)計學(xué)獨立性的程度。像 圖8中所示的一樣，在ICA中，輸入矩陣X的行代表在不同的電極上 記錄的來自頭戴式裝置102中的生物信號的數(shù)據(jù)樣本，而列是在不同 的時間點上記錄的測量結(jié)果。獨立分量分析發(fā)現(xiàn)一個"分離" (unmixing)矩陣W，其分解或者線性地把多通道頭皮數(shù)據(jù)分離成臨 時獨立的和特別固定的分量的總和。輸出數(shù)據(jù)矩陣U=WX的行是激活 ICA分量的時間進程。逆矩陣W-l的列給出來自頭皮電極的每一個信 號在各自的分量矢量上的相對的投影強度。這些頭皮權(quán)重給出每一個 分量矢量的頭皮拓樸圖。
另一種用于把生物信號分解為分量的技術(shù)是主要分量分析 (PCA)，其確保輸出分量是不相關(guān)的。在本發(fā)明的各種不同的實施 例之中，獨立分量分析和主要分量分析中的任意一種或者這兩者能被 使用以檢測和分類面部肌肉運動。
在其他操作模式之中，設(shè)備100可以把期望的付里葉變換運用到 來自頭皮電極的生物信號中。該變換也可以是小波變換方式或者任何 適合的信號變換方式。 一種或者更多不同的信號變換方法的組合也可 以被使用。然后，受預(yù)定類型面部肌肉運動影響的部分生物信號可以 用 一種神經(jīng)網(wǎng)絡(luò)被識別出來。
上面描述的每一種用于檢測和分類面部肌肉運動的技術(shù)可以被 合并到面部肌肉運動檢測算法中，其被存儲進數(shù)字信號處理器112的 存儲區(qū)并且被數(shù)字信號處理器112執(zhí)行。 一旦一種特殊的面部肌肉運 動檢測算法被完全開發(fā)，該算法可以作為一段實時軟件程序被實施， 或者被傳輸?shù)綌?shù)字信號處理器或其他合適的環(huán)境。
作為一個能被設(shè)備100檢測和分類的面部肌肉運動類型的例子，用于檢測眨眼的面部表情算法現(xiàn)在將要被描述。我們可以這樣理解， 的檢測和分類，例如眨眼和眼球運動。眨眼存在于所有的前部的電極
中，但是在前面的Fpl和Fp2兩個通道中特征最突出。圖9所示的是 在3次典型的眨眼期間，在頭皮電極Fpl上記錄的生物信號的表示 900。從來自前面的通道Fpl的生物信號的902、 904和906信號部分， 我們可以看出，3次眨眼中的每一次對生物信號有明顯的影響。在這 個例子中，來自前面的電極Fpl和Fp2的生物信號在預(yù)定分量矢量 上的投影被用來將生物信號中的波動檢測和分類為眨眼。
在本發(fā)明的一個實施例中，預(yù)定分量矢量從以前從大量對象和/ 或者在大量不同的會話中被收集的數(shù)據(jù)中被識別出來。像圖10中所示 的一樣，在步驟1000,當期望的面部肌肉運動被對象產(chǎn)生的時候，來 自大量不同對象和/或者在大量不同的會話中的EEG數(shù)據(jù)被記錄下 來，在步驟1002,在被記錄的EEG數(shù)據(jù)上執(zhí)行獨立分量分析；在步 驟1004,產(chǎn)生于相關(guān)面部肌肉運動的EEG信號中的波動被投影在其 上面的分量矢量被確定。然后，被使用在后續(xù)數(shù)據(jù)記錄和分析中的相 關(guān)分量矢量依面部肌肉運動的類型被記錄在存儲裝置112中。在這種 情況下，面部肌肉運動的三種典型類型能被劃分，它們是步驟1006 中的垂直眼部運動、步驟1008中的水平眼部運動和步驟1010中的眨 眼.
獨立分量分析是一種很消耗計算時間的活動，并且在許多情況下 在某些應(yīng)用、例如實時應(yīng)用中是不適當?shù)?。盡管獨立分量分析能被用 來產(chǎn)生平均分量矢量以用于各種不同面部肌肉運動類型的檢測和分 類，而不同電極的信號的平衡隨著不同的會話和使用者輕微地不同.
因此，在實時數(shù)據(jù)檢測和分類期間，利用以前搜集的數(shù)據(jù)的獨立 分量分析所定義的平均分量矢量可能不是最佳的。在設(shè)備IOO實時操 作期間，可以在實時數(shù)據(jù)上執(zhí)行主要分量分析，并且其結(jié)果分量矢量 能被使用以更新被獨立分量分析貫穿每一個會話產(chǎn)生的分量矢量。用 這種方式，得到的面部肌肉運動檢測算法相對于電極移動和電極接觸強度變化可以是魯棒的。
如在步驟1012中可以看到的，在面部肌肉運動檢測算法114中， 以前被收集的數(shù)據(jù)在矢量分量上的投影最初被用作參考。但是，當數(shù) 據(jù)在步驟1014被收集和被存儲進數(shù)據(jù)緩沖器108中，在步驟1016在 被存儲數(shù)據(jù)上實施主要分量分析，并且產(chǎn)生于步驟1018的分析結(jié)果然 后被利用以更新在離線獨立分量分析期間開發(fā)的分量矢量。
如前所述，分量矢量能被利用以使正確的權(quán)重被應(yīng)用到來自每一 個相關(guān)電極的信號的貢獻。眨眼分量矢量的例子被表示在圖11中的矢 量圖1100中。從這個矢量圖，我們可以看出對該分量的最大貢獻實際 上是來自兩個前面的電極Fpl和Fp2。但是，很明顯眨眼并不對稱. 在這種情況下，電極Fp2周圍的電位比電極Fpl周圍的大。這種不同 可能是由于很多原因，例如肌肉不對稱、電極不是對稱地分布在對象 頭部或者接觸頭皮的電極阻抗不同。這個圖闡釋的是期望在每一個會 話期間優(yōu)化分量矢量，例如通過應(yīng)用在圖10中示出的步驟。
圖12所示的是一個被用于檢測眨眼的面部肌肉運動檢測算法 1200的例子。該算法1200可能被應(yīng)用于激活分量矢量，或者可能被 應(yīng)用于來自單個頭皮電極的信號或是來自多于一個的頭皮電極的信號 的組合。在一個實施例中，在步驟1202, EEG信號在和眨眼相關(guān)的 分量矢量上的投影最初被傳遞到一個低通濾波器。在步驟1204， 一階 導(dǎo)數(shù)運算然后在信號上執(zhí)行。簡短而言，函數(shù)f關(guān)于x的無窮小改變 的一階導(dǎo)數(shù)被定義為代x)slimh/(針 —f00。對于單一的眨眼的處
理結(jié)果表示在圖13中。最初分量矢量標為1300，而產(chǎn)生于低通濾波 器和一階導(dǎo)數(shù)運算的信號分別標為1302和1304。
特別引人注意的是一階導(dǎo)數(shù)信號中的零交叉點，其被分為兩類 正零交叉點和負零交叉點。零交叉點的符號(即或正或負)表示，信 號在穿過軸之后是增加還是減少。對于每一次眨眼，有兩個正零交叉 點，分別在圖13中標為1306和1308。這兩個正零交叉點定義了眨眼 的邊界條件。負零交叉點1310定義了眨眼的峰值。因此，在步驟1206， 算法1200確定在存儲于數(shù)據(jù)緩沖器108中的數(shù)字化數(shù)據(jù)中是否出現(xiàn)零
18交叉點。如果情況如此，在步驟1208確定交叉類型是正零交叉還是負 零交叉。如果檢測到負零交叉，對應(yīng)信號的峰值幅度在步驟1210被檢 查，以校驗信號幅度中的這個過渡性的上升是否來自真正的眨眼。如 果檢測到正零交叉點，如果在步驟1212確定沒有先前的負零交叉點被 存儲在序列中(其對應(yīng)信號幅度滿足峰值條件)，算法在步驟1214 把這個信息存儲進狀態(tài)隊列。如果有先前的負零交叉點被存儲在狀態(tài) 隊列里，在步驟1212作出存在眨眼的斷言。如果被發(fā)現(xiàn)的負零交叉點 不能滿足峰值條件或者眨眼檢測斷言被做出，所述算法復(fù)位。
因此， 一旦零交叉點被識別，算法就校驗是否存在一個被夾在兩 個正零交叉點之間的負零交叉點；以及眨眼峰值是否通過幅度閾值。 幅度閾值的默認值在開始的時候被作出，但為了增加算法的精確度， 在步驟1218，閾值幅度在個體眨眼峰值的強度的基礎(chǔ)上可選擇性地被 調(diào)整，
在這個例子中，眨眼簽名定義了代表眨眼的獨特的信號特征，也 即在被濾波信號的一階導(dǎo)數(shù)中被夾在兩個正零交叉點之間的負零交叉 點，和大于被濾波信號中的預(yù)定閾值的信號幅度。在面部肌肉運動檢 測和分類的過程中，通過改變形成簽名的獨特的信號特征的部分的閾 值，該簽名被有選擇性地更新。在其他實施例中，數(shù)字簽名可以定義 其他幅度或信號特征，其超出一個或更多預(yù)定的閾值。在面部肌肉運 動檢測和分類的過程中，通過改變一個或更多這種閾值，該簽名可以 被更新.更一般地講，在面部肌肉運動檢測和分類的過程中，預(yù)定面 部肌肉運動類型的任何一個或者多個獨特的信號特征(其形成數(shù)字簽 名部分)可以被更新，以提高被設(shè)備IOO實現(xiàn)的面部肌肉運動檢測算 法的可行性和精確度。
被利用來檢測和分類各種不同面部表情的特定通道(channel) 根據(jù)所考慮的特殊的面部表情可能不同，除了利用來自個別的通道的 信號或者激活分量矢量，通道對的和或者差可以被用在面部肌肉運動 檢測算法中。圖14所示的是被用來檢測眨眼的面部肌肉運動檢測算法 1400的另一個例子。該算法1400涉及檢查通道對之間的信號的相關(guān)性，也涉及檢查來自通道對Fpl和Fp2中的每一個的信號的幅度和梯 度，也涉及檢查來自該對通道的生物信號的和。在這個示例性的算法 中，在步驟1402,來自在圖2中示出的傳感器的生物信號以256Hz 的速率被采樣，導(dǎo)致32個通道中的每一個每秒鐘產(chǎn)生256個樣本。在 步驟1404，分別對應(yīng)來自傳感器Fpl和Fp2的生物信號的通道1和通 道30針對一個數(shù)據(jù)窗口被提取，其對應(yīng)于l/32秒、包含8個樣本。 在步驟1406，來自通道1和通道30的樣本被相加。
在步驟1408，三階無限沖擊響應(yīng)(IIR)低通濾波器以10Hz被 應(yīng)用，同時在步驟1410， 一階IIR高通濾波器以0.125Hz被應(yīng)用.
在步驟1412，在來自通道Fpl和Fp2的生物信號的總和上執(zhí)行 一階導(dǎo)數(shù)運算。類似于前面提到的算法1200，眨眼峰值被一階導(dǎo)數(shù)的 負零交叉點跟蹤。眨眼信號峰值的上升和下降分別被一階導(dǎo)數(shù)的在該 負零交叉點前面和后面的正零交叉點界定。 一個評價被做出，其關(guān)于 在步驟1414，對于由正零交叉和負零交叉界定的數(shù)據(jù)窗口的峰值的上 升(或相反為峰值的下降)，通道Fpl和Fp2的被濾波信號之間的相 關(guān)性是否超過了第一預(yù)定閾值；在步驟1416，來自單獨的通道Fpl和 Fp2其中之一的眨眼峰值信號的上升或者下降的較小幅度是否超出了 第二預(yù)定閾值；在步驟1418，由來自通道Fpl和Fp2的總和信號的 一階導(dǎo)數(shù)的峰值和槽谷確定的最大梯度是否超出了第三預(yù)定閾值。如 果這三個值不管在什么情況下都在它們各自的閾值之上，則在步驟 1420，崢眼或者閉眼事件被檢測到(取決于最大梯度是正還是負)。
類似的算法能被用來識別眨一只眼、眼球運動或者其他相關(guān)的面 部肌肉表情。其他算法可能使用信號相關(guān)性、幅度位移和信號梯度測 量的不同的組合，以及評價與使用在圖14所示算法中不同的一個或者 更多的不同的通道對的生物信號的和與差。
被用來檢測和分類面部肌肉運動的其他算法依賴于確定特殊通 道上的信號功率、 一對或者多對信號通道上的信號功率的總和、 一對 或者多對通道之間的信號功率的差和/或者一個或者多個通道或一對 或者多對通道上的信號功率和一個或多個其他通道或一對或者多對其他通道的信號功率的比，通過使用圖15所示的示例算法1500，微笑 或者皺眉能被檢測到。該示例算法確定了一個尺度，其通過使用特殊 通道上的信號功率、特殊通道上的生物信號的總和的信號功率和信號 通道對上的信號功率的總和的比被計算出來。在步驟1502，來自圖2 所示的每一個檢測器的生物信號，以256Hz被采樣。在步驟1504，來 自幾個通道對的數(shù)據(jù)被提取，也即來自對應(yīng)于檢測器T7和T8的通道 6和11、對應(yīng)于檢測器AF3和AF4的通道2和15、對應(yīng)于檢測器FC5 和FC6的通道4和13和對應(yīng)于檢測器F7和F8的通道3和14的數(shù)據(jù)。
在步驟1506，為這些通道中的每一個創(chuàng)建數(shù)據(jù)窗口，其中，64 連續(xù)樣本(對應(yīng)于四分之一秒)被考慮。在步驟1508，由每一個通道 的數(shù)據(jù)窗口中的64連續(xù)樣本所代表的信號的功率被計算出來，并且在 步驟1510為每一個通道計算出信號功率值。
為了確定步驟1502中的EEG數(shù)據(jù)樣本中是否出現(xiàn)微笑，通道對 T7和T8上的功率和通道對AF3和AF4與通道對FC5和FC6上的功 率的平均值的比值在步驟1512被計算出來。在步驟1514，低通濾波 器被應(yīng)用到在步驟1512中得出的計算結(jié)果。在步驟1516,確定在步 驟1512中被計算出來的比值是否超出了指示微笑的預(yù)定的閾值。如果 情況如此，則在步驟1518檢測到微笑，否則步驟1506被再次執(zhí)行于 來自在步驟1504被提取的每一個通道的下面的64個數(shù)據(jù)樣本。
在步驟1512被計算以確定在生物信號數(shù)據(jù)中是否存在微笑的同 時，通道對FC5和FC6上的平均功率在步驟1522被計算以確定生物 信號中是否存在鈹眉.如果在步驟J526確定這個被計算的平均功率超 過了指示皺眉的預(yù)定的閾值，則在步驟1528檢測到皺眉。在步驟1526， 如果在步驟1522被計算出來的平均功率不超過指示皺眉的預(yù)定的閾 值，則在步驟1512被計算出來的功率比值被拿來和指示微笑的閾值做 比較以確定在生物信號中是否存在微笑。
為了提高依靠信號功率檢測的算法的效率，可以利用所有通道上 的信號功率創(chuàng)建信號功率輪廓，以創(chuàng)建一個信號功率的輪廓，其作為 一個32通道矢量，有好幾種可以為表情創(chuàng)建信號功率輪廓的方法。例如主要分量分析，簡單統(tǒng)計學(xué)(像平均值)、中值和人工測量的組合， 能被用來創(chuàng)建信號功率輪廓。為了度量簡單，該輪廓然后能被規(guī)范化 成一個單位矢量。信號功率輪廓和所有通道上的規(guī)范化的信號功率的 點積然后能被用作信號以識別何時發(fā)生特殊的面部表情。
在關(guān)于圖15所描述的算法之中， 一個通道上的信號功率通過計 算通道信號的一階導(dǎo)數(shù)被計算出來，這里所述的通道信號有時候首先 通過高通濾波器。通道信號的一階導(dǎo)數(shù)的絕對值被得到，并且某些最 低值和最高值部分被舍棄。這些值通常是最低值的3/8和最高值的1/8。 然后，沒有被拋棄部分的平均值被計算出來。被用來計算信號功率的 數(shù)據(jù)窗口 一般是1/4秒的量級。
另外的可替換的計算信號功率的方法能被用在本發(fā)明的其他實 施例中。這些方法可能是以存在于通道上的特殊頻段上的信號功率， 或者兩種不同頻段或兩種不同通道上的功率的比值為基礎(chǔ)的。這些可 能是相同頻段上的不同通道、相同通道上的不同頻段或者不同通道上 的不同頻段。
根據(jù)表達式sum ( xy ) /sqrt (sum ( x2) +sum (y2))， 關(guān)于 圖14中所示的相關(guān)算法執(zhí)行的通道相關(guān)性被計算出來。在本發(fā)明的某 些實施例中，另一種可替換的相關(guān)性的測算方法能被實施sum(xy) /sqrt (sum (max (x， y) 2)。在兩個前述的表達式中，x項和y項 對應(yīng)于兩個正在被計算的信號。后一相關(guān)方法有減小兩個信號中的值 的優(yōu)勢，所述兩個信號有相似輪廓但是一個比另一個大得多。
上面所描述的面部表情檢測算法可能有幾個和其相關(guān)的閾值。這
些閾值調(diào)整起來可能不直觀，因此把這些閾值轉(zhuǎn)換成一個或者多個直 觀的"靈敏度"參數(shù)是有用的。
例如，眨眼在來自任何一個或者多個圖2所示的檢測器的EEG 信號上的影響能被簡單理解成大量前面通道上的并行向上的偏轉(zhuǎn).這 些偏轉(zhuǎn)能用以下內(nèi)容被表征偏轉(zhuǎn)的最小高度，偏轉(zhuǎn)的最小梯度和不 同通道上的信號的最小相關(guān)性。這三個閾值如何被結(jié)合對非專家使用 者來講不一定是直接的。為了把多個閾值轉(zhuǎn)化成單一的靈敏度參數(shù)，為每一個閾值評估一個合理的范圍是我們需要的。然后，每一個閾值 可能被插值(或者線性或者其他)在合理范圍的最小值和最大值之間。
相應(yīng)地，如果單個的參數(shù)的最小的閾值是thresh一min、最大值是 thresh_max。給出一個靈敏度參數(shù)S，其在0 1的范圍內(nèi)變化，用線 性插值，那個參數(shù)的閾值將會是
閾值-thresh—max+ (thresh—min- thresh一max ) *S 另外，靈敏度閾值可能被任何單獨的閾值推斷出，這種推斷建立 在這樣的基礎(chǔ)之上
S= (threshold- thresh_max) / (thresh_min- thresh—max) 由于不同的人的肌肉組織的變化，通過噪聲輪廓分析而被檢測到 的表情可能有不同的值。這些算法的自動校準能被執(zhí)行以適應(yīng)這種變 化。校準能通過記錄中性狀態(tài)被執(zhí)行，該中性狀態(tài)被定義為任何亊情 但除了正在被校準的表情。噪聲值在這個時期被計算，被獲得的值被 存儲并且該值的較低的50%被拋棄。剩余值的平均值然后被作為一個 基線使用，高于這個基線，我們就能推斷有少量的表情發(fā)生了。
表情的最大閾值的校準能通過使用較低閾值的倍數(shù)被實現(xiàn)，例如 較低閾值的2或者3倍?；蛘?，對象能被要求來執(zhí)行該表情，并且在 這個期間被得到的值能用來確定面部表情范圍的上限。應(yīng)該仔細，因 為被強迫的表情所導(dǎo)致的波動可能不像自然發(fā)生的表情那樣大，因此 在這個校準期間被發(fā)現(xiàn)的最大值應(yīng)該被設(shè)定在該范圍的50%。
盡管該發(fā)明已經(jīng)參考特定的優(yōu)選實施例在大量的細節(jié)上被探討， 但是其他實施例是可能的。因此，所附的權(quán)利要求的范圍不應(yīng)該限于 被包含在本公開中的優(yōu)選實施例中的描述。這里所有的被引用的參考 應(yīng)該被集合在它整個參考之內(nèi)。
權(quán)利要求
1、一種檢測和分類面部肌肉運動的方法，包括步驟a)從一個或者多于一個生物信號檢測器接收生物信號；和b)將一個或者多于一個面部肌肉運動檢測算法應(yīng)用到受預(yù)定類型的面部肌肉運動影響的一部分生物信號中，以檢測該預(yù)定類型的面部肌肉運動。
2、 根據(jù)權(quán)利要求1的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括，將該生物信號部分與定義 了該預(yù)定面部肌肉運動類型的一個或者多于一個獨特的信號特征的簽 名進行比較。
3、 根據(jù)權(quán)利要求2的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括，對來自 一個或者多于一個 預(yù)定的生物信號檢測器的生物信號與該簽名進行直接比較。
4、 根據(jù)權(quán)利要求2的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括a) 在一個或者多于一個預(yù)定的分量矢量上投影來自多個生物信 號檢測器的生物信號；和b) 將一個或者多于一個分量矢量上的生物信號的投影與該簽名 進行比較。
5、 根據(jù)權(quán)利要求4的方法，還包括在來自多個檢測器的生物信 號在一個或者多于一個分量矢量上投影之后，并且在將被投影的生物 信號與該簽名進行比較之前，對被投影的生物信號應(yīng)用期望的變換。
6、 根據(jù)權(quán)利要求4的方法，其中通過在先前收集的、在對應(yīng)于 該簽名的類型的面部肌肉運動期間產(chǎn)生的生物信號上應(yīng)用第一分量分 析來確定所述預(yù)定的分量矢量。
7、 根據(jù)權(quán)利要求6的方法，其中被應(yīng)用于先前收集的生物信號 的第一分量分析是獨立分量分析(ICA)。
8、 根據(jù)權(quán)利要求6的方法，其中被應(yīng)用于先前收集的生物信號的第一分量分析是主分量分析(PCA)。
9、 根據(jù)權(quán)利要求4的方法，其中一個或者多于一個分量矢量在 面部肌肉運動檢測和分類期間被更新。
10、 根據(jù)權(quán)利要求2的方法，還包括在面部肌肉運動檢測和分類 過程中更新簽名。
11、 根據(jù)權(quán)利要求10的方法，其中通過改變形成簽名的至少一 部分獨特的信號特征的閾值來更新簽名。
12、 根據(jù)權(quán)利要求2的方法，將一個或者多于一個面部肌肉運動 檢測算法應(yīng)用到生物信號的步驟包括a) 對生物信號應(yīng)用期望的變換；和b) 對期望的變換的結(jié)果與該簽名進行比較。
13、 根據(jù)權(quán)利要求12的方法，其中的變換是從由付里葉變換和 小波變換組成的組中選擇的一個或者多于一個變換。
14、 根據(jù)權(quán)利要求4的方法，還包括a) 對被檢測的生物信號應(yīng)用第二分量分析；和b) 在生物信號檢測期間利用第二分量分析的結(jié)果來更新所述的 一個或者多于一個預(yù)定的分量矢量。
15、 根據(jù)權(quán)利要求14的方法，其中的第二分量分析是主分量分 析(PCA)。
16、 根據(jù)權(quán)利要求l的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括把來自預(yù)定類型的面部肌 肉運動的生物信號與生物信號中的一個或者多于一個噪聲源相分離。
17、 根據(jù)權(quán)利要求16的方法，其中噪聲源包含從由電磁干擾 (EMI)和不是來自預(yù)定類型的面部肌肉運動的生物信號組成的組中選擇的一個或者多于一個源。
18、 根據(jù)權(quán)利要求2的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括，將來自一對或者多對生物 信號檢測器的生物信號的和或者差與該簽名進行比較。
19、 根據(jù)權(quán)利要求18的方法，其中將一個或者多于一個面部肌肉運動檢測算法應(yīng)用到生物信號的步驟還包括，對來自 一對或者多對 生物信號檢測器中的每一對的生物信號與該簽名進行比較。
20、 根據(jù)權(quán)利要求19的方法，其中的比較步驟包括求來自一 對或者多對生物信號檢測器中的每一對的生物信號中的一個或者多于 一個的導(dǎo)數(shù)，以及來自一對或者多對生物信號檢測器的生物信號的和 或者差。
21、 根據(jù)權(quán)利要求20的方法，其中的比較步猓還包括 對來自一對或者多對生物信號檢測器中的每一對的生物信號中的一個或者多于一個的梯度和幅度中的一個或者這兩者與來自 一對或 者多對生物信號檢測器的生物信號的和或者差進行比較；和確定梯度和幅度中的一個或者兩者分別在何時超過預(yù)定的梯度 和幅度閾值。
22、 根據(jù)權(quán)利要求20或者21的方法，其中的比較步驟還包括計算來自一對或者多對生物信號檢測器中的每一對的生物信號 之間的相關(guān)性；和確定該相關(guān)性何時超過預(yù)定的相關(guān)性閾值。
23、 根據(jù)權(quán)利要求2的方法，其中將一個或者多于一個面部肌肉 運動檢測算法應(yīng)用到生物信號的步驟包括，將來自一個或者多個預(yù)定 生物信號檢測器的生物信號的功率與該簽名進行比較。
24、 根據(jù)權(quán)利要求23的方法，其中的比較步驟包括計算來自一對或者多對生物信號檢測器的生物信號的功率與該 簽名的和；和確定該和是否超過了指示第一面部肌肉運動類型的預(yù)定閾值.
25、 根據(jù)權(quán)利要求23的方法，其中的比較步驟包括計算來自 第一組生物信號檢測器的生物信號的功率和來自第二組生物信號檢測 器的生物信號的功率的比值；和確定該比值是否超過了指示第二面部肌肉運動類型的預(yù)定閾值。
26、 根據(jù)權(quán)利要求1的方法，其中所述生物信號包括腦電圖 (EEG)信號。
27、 根據(jù)權(quán)利要求l的方法，還包括產(chǎn)生代表被檢測面部肌肉運 動類型的輸出信號。
28、 一種用于檢測和分類面部肌肉運動的設(shè)備，包括 處理器和使處理器實施根據(jù)權(quán)利要求1~27中的任何一項的方法的相關(guān)聯(lián)的存儲裝置。
29、 一種計算機程序產(chǎn)品，有形地存儲在機器可讀介質(zhì)上，該產(chǎn) 品包括使處理器實施根據(jù)權(quán)利要求1~27中的任何一項的方法的可操 作指令。
30、 包括使處理器實施根據(jù)權(quán)利要求1 27中的任何一項的方法 的可操作指令的計算機程序產(chǎn)品。
全文摘要
一種檢測和分類面部肌肉運動的方法，包括步驟從至少一個生物信號檢測器接收生物信號；和把至少一種面部肌肉運動檢測算法應(yīng)用到受預(yù)定類型的面部肌肉運動影響的一部分生物信號中，以檢測該預(yù)定類型的面部肌肉運動。
文檔編號G06Q50/00GK101310242SQ200680041584
公開日2008年11月19日 申請日期2006年9月12日 優(yōu)先權(quán)日2005年9月12日
發(fā)明者B·M·多里, E·德里克, M·K·D·托雷, W·A·金, 李丹氏泰, 杜南懷, 約翰森·帝, 維維安·羅, 范海河 申請人:埃默迪弗系統(tǒng)股份有限公司