在传统人机交互领域,应用人体的手势及肢体运动表现人的意图,完成对计算机的控制,然而对于存在肢体障碍的人来说却无法完成操作。为解决此种人机交互中的问题,广泛采用生物电信号体现人的意图。本课题将眼部运动转化成电信号实现人的意图操控外部机械设备的目的。眼电信号(Electro-oculogram,EOG)是一种相对较弱的生物电信号,容易受到外界环境的干扰,由于无效的、无意义的电眼信号如无意识眨眼的干扰,导致眼电信号精度较差,识别率较低。而眼动信号识别率高,可弥补眼电信号识别率低的不足。本文提出一种通过眼动仪训练的方法,采集眼电信号数据时通过眼动仪对眼球运动轨迹的跟踪,去除无效的眼电信号以及无意识眨眼等无意义的眼电信号。经过眼动训练的眼电信号训练集准确率大幅度提升。然后对眼电信号进行小波阈值降噪、归一化处理、端点检测等预处理。其次,从时域、频域和时-频域角度提取降噪后的眼电信号特征,并定量对比分析各特征值间不同的关系。而基于小波分析的时-频特征与眼电信号存在着一定的关系,通过峰值检测的方法及设定阈值发现各类眼电信号的差异较大。最后,在模式识别过程中,分别选择BP神经网络、线性判别分析(Linear Discriminant Analysis,LDA)和支持向量机(Support Vector Machine,SVM)三种分类器,在每个分类器内输入提取的特征向量,以五种不同的眼部动作作为动作识别方式,进行分类识别。对比分析分类结果表明,经过眼动仪训练后的眼电信号识别率比未经训练的识别率高,对比三种分类器支持向量机的识别效率更好。