學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73894
Browse
6 results
Search Results
Item 想像幾何旋轉動作與數學心算之腦電波分析(2009) 廖宇璁大腦進行運作的機制一向是科學與醫學的研究重點，本論文使用快速傅立葉轉換(FFT)和多尺度熵(MSE)的方法，分析大腦進行數學認知行為的空間能量分佈特徵，兩類分析方法的實驗結果同時指出，大腦前額葉與頂葉為數學認知行為的主要激發區域，大腦枕葉的能量特徵相對較不顯著，而四類基礎數學運算以加法及乘法運算對大腦負荷度較低，減法及除法對大腦負荷度則相對較高。本研究另外探討當我們數學計算時，常伴隨出現的空間旋轉概念(如：建築工程、向量計算…等)的空間能量特徵，發現其大腦特徵與數學運算時高度相似，都是以大腦前額葉為顯著特徵區域，而我們也使用適用於非穩態訊號的經驗模態分解法(EMD)進行濾波，及線性鑑別分析法(LDA)與最近鄰居法(NNR)辨識想像順時針旋轉與逆時針旋轉的腦電波，實驗結果以FZ電極與FCZ電極的組合辨識率最高，四位受測者平均辨識率可達80.7%，辨識率較想像四肢活動雖無顯著提升，但證實了想像幾何旋轉動作為有效的想像辨識標的。Item 希爾伯特黃轉換應用於單筆腦電波訊號(2009) 石曜嘉; Yao Chia Shih大腦人機介面為近幾年來很活躍的研究領域，然而腦電波包含著許多雜訊，並且具有非線性、非穩態等特性，所以腦電波的「特徵擷取」和「分類」為世界各國相關研究團隊共同努力的方向。本研究針對「特徵擷取」提供一套單筆腦電波分析法，可應用於大腦人機介面。此方法同時結合了獨立成份分析法和希爾伯特黃轉換來分析腦電波訊號。整個分析方法可以分為兩個階段：第一階段是利用獨立成份分析法的盲源分離特性把腦電波紀錄分解成具有時間、空間特性的成分；第二階段是利用一種時頻分析法，希爾伯特黃轉換將第一個階段所得到的成分做時頻分析。其中希爾伯特黃轉換的前半段架構被稱為經驗模態分解法，在本論文中用於訊號重建以及雜訊去除。當腦電波經過前面兩個階段的處理後，將可以同時保留腦電波的時間、頻率、空間特徵，建立時頻空間樣本。另外，本研究同時比較三種時頻分析法在處理腦電波訊號上的表現，分別為希爾伯特黃轉換、短時距傅立葉轉換、莫雷轉換。實驗結果為希爾伯特黃轉換在頻譜圖上不論高頻和低頻皆有較佳的解析度。 在研究流程的最後一個階段，選擇支持向量機分類四種想像動作(想像左手動、想像右手動、想像腳動、想像舌頭動)的腦電波資料，對於想像右手動可到達83.33%的辨識率，而整體四種想像動作的平均辨識率為54.17%。另外，本研究結合經驗模態分解與快速獨立成份分析法定位想像動作之訊號源，平均準確率可達到72.12%。Item 多通道腦電波量測系統之研製(2008) 許育財; Yu-Cai, Syu腦機介面(BCI, Brain Computer Interface)提供一個全新的通訊方式，使因神經肌肉受損或患有肌肉萎縮性脊髓側索硬化症等病患，可以透過腦部的活動直接控制外部的裝置，而不需經過神經及肌肉的媒介。但是腦機介面的相關設備，不僅昂貴且體積龐大，對於腦機介面的普及，實不是一項優勢。 因此，本研究目的在於研製一多通道、低成本、小體積及模組化之腦電波擷取系統。本系統包含基本的電子電路，可調適增益放大器、交換式電容濾波模組及以LabVIEW為平台所設計之應用軟體。 硬體設計上，以驅動右腳線路消除共模雜訊，以單晶式交換式電容濾波器，取代傳統主動RC濾波器降低頻率偏移，以數位電阻器取代傳統可變電阻，提高精確度，去除人為調整造成之誤差。印刷電路板佈局上，加入模組化的概念，使腦電波放大電路可進行堆疊，擴充通道數。 製作完成後，將本系統與腦電波專業量測儀器NuAmps進行比較。結果顯示，誤差評估在時域上的誤差平均值與標準差分別為0.1809伏，及0.1153；在頻域上誤差平均值與標準差分別為0.0606伏及0.167。趨勢相似度評估的相似度平均為83.25%。相關評估的相關係數可達0.8以上。 根據實驗結果，說明所研製之多通道腦電波量測系統具可行性。未來期望能將本系統與嵌入式系統做結合，可協助行動不便之使用者獲得更好的生活品質。Item 以主成份分析法和線性鑑別分析法辨識想像左右手動(2007) 方偉力腦電波是從人類的頭皮所量測到的訊號，經由放大、濾雜訊、特徵擷取、分類、辨識，藉由大腦人機介面，可用來控制義肢，或訓練人們的專注力。本研究是提出一個結合主成份分析法及線性鑑別分析法對腦電波訊號做特徵擷取，來提昇辨識想像左右手動的辨識率。本論文中的實驗共有四名受測者，年齡約在二十三歲到二十六歲之間，而實驗主要的內容，是讓受測者想像左手動及右手動並擷取腦電波訊號。在腦電波訊號處理的過程中，利用主成份分析法及線性鑑別分析法做特徵擷取，接著使用最近鄰居法則做資料分類，實驗結果顯示四位受測者的平均辨識率可達85.75%，此辨識率結果優於其他相關方法。Item 改良式對角化主要成份分析法應用於兩類別想像動作腦電波的分類(2007) 陳致仰本論文提出一個有效的方法，對受測者在意圖抬起左手小指頭與意圖吐舌頭時的腦電波做辨識。腦電波辨識是否成功的關鍵，在於特徵擷取與分類兩個議題。過去文獻將重點放在分類演算法的改良上，然而找出更簡單而重要的特徵，也可以獲得高辨識率。對角化主要成份分析法(DiaPCA)可以從腦電波高維度的時-頻-空域資料矩陣中找出主要的成份。被挑選出來的主要成份可構成一個較低維度的特徵矩陣，但仍保有兩種想像動作的腦電波之間主要的特徵差異。因此，藉由計算特徵矩陣間的歐氏距離就可分類腦電波。這個方法比起其他分類演算法，如支持向量機(SVM)，不但較為簡單，而且不會降低辨識率。本論文提出利用「改良式對角化主成份分析法」對腦電波擷取特徵並辨識，結果顯示，腦電波辨識的準確率大幅提升了10.07%。Item 用線性鑑別分析法做冥想四個方向的分類(2005) 沈世評; Shi-Ping Shen大腦人機介面(Brain-computer interface)是一種利用腦部訊號跟外界溝通的新技術，其目的是能夠幫助因神經肌肉損傷而行動受阻礙的人。對於內部刺激—想像左右手和腳動—已經有研究過了，但冥想四個方向是值得去研究。有鑑於此，本研究建立一套系統，它以冥想四個方向實驗的腦波訊號作為輸入訊號並利用快速傅立葉分析法找出腦波的特徵，然後利用線性鑑別分析法來分辨這些特徵。最後找出一組可以分辨冥想四個方向的腦波。 經由實驗結果得知，此系統可以利用實驗中分辨率最高的資料做為參考腦波，最佳的分辨率可達80%以上。未來可預計將此運用於人機介面上以造福神經疾病患者或行動不便人士。