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 以小波轉換鑑別人類情緒腦電波(2011) 洪偉哲人類情緒的正確鑑別存在著許多的困難，根據每個人所經歷的事物與心情狀態，影響著即使面對相同的事件，所呈現的情緒強度也有所不同。而現今對於人類腦波的研究逐漸盛行，藉由大腦人機介面(Brain computer interface)收集腦電波(Electroencephalogram)訊號，經由訊號分析、特徵擷取以及分類器，來鑑別腦電波訊號的情緒類別。本研究的受測者為六位男性，四位女性。年齡介於20歲至28歲。實驗流程為撥放六種情緒的臉部圖片，分別為高興、驚訝、生氣、厭惡、難過和恐懼，每種情緒有20張圖片，共有120張圖片。使用NeuroScan大腦人機介面，藉由非侵入式的腦電波訊號量測，共有30個通道。紀錄完成後，進行腦電波訊號前處理降低腦電波訊號的雜訊，使得腦電波訊號更接近真實的訊號，接著繪製出大腦空間能量頻譜圖，用以了解腦電波訊號的頻帶能量分布差異。將腦電波訊號進行小波轉換(Wavelet transform)分解訊號，選取能量分布差異較大的θ波為分類波段，接著計算各種的特徵，共有八類特徵，分別為最大值(Max)、最小值(Min)、全距(Range)、標準差(Standard deviation)、絕對中位差(Median absolute deviation)、絕對平均差(Average absolute deviation)、能量(Energy)及特徵向量(Eigenvectors)，將各種特徵投入支持向量機(Support vector machine)進行分類，訓練的方式將隨機抽取出60%的腦電波訊號區段為訓練資料，40%為測試資料，以隨機投入支持向量機作各種情緒的鑑別，得到情緒鑑別從最高到最低的正確辨識率分別為87.50%和62.50%，平均值為76.25%。 研究中發現當使用無效的特徵或是相似的特徵，無法增加情緒的鑑別率，但是若增加有效的特徵，鑑別率會隨之提高，不過也會增加複雜度，經由比較其中較為有效的特徵為全距、標準差、絕對中位差、絕對平均差、能量及特徵向量，可較為明顯增加鑑別的效果。Item 基於K-means 演算法、小波轉換及支持向量機之心電訊號辨識系統(2011) 張家熏本論文利用小波轉換(Wavelet transform) 、K-means分群法(K-means clustering)及支持向量機(Support vector machine)等方法，建立一個辨識各種心律不整的心電辨識系統。本論文所提的方法可以大致區分為三個階段；第一階段使用K-means分群法把屬於同一類別但相異性卻很大的心律不整訊號分成數個次類別，在每一個次類別，各樣本會有較高的相似性。第二階段則把各次類別裡的每一個心搏樣本利用小波轉換擷取時頻特徵向量。第三階段以每一個心搏樣本的時頻特徵以及形態特徵為訓練資料，並運用支持向量機來建立本辨識系統的模型。為了驗證本系統的有效性以及可靠性，本論文利用MIT-BIH心律不整資料庫進行了三個實驗。實驗的結果本論文所提的方法具有相當高的辨識率達98.2%，最後與各相關辨識系統文獻比較差異。Item 結合顏色刺激及閃光頻率刺激實現四類方向辨識之研究(2011) 林詠翔; Yung-Shiang Lin近年來，腦電波常被用來幫助肢體障礙或者脊椎受損的人們作為輔助的用具，但因腦電波裝置太過龐大以及昂貴，以至於並非普及，因此本研究為開發設計一套價格低廉的線上即時大腦人機介面系統。透過腦電波訊號處理技術應用於四方向辨識之研究，提供肢體障礙人士利用大腦意識做出控制的實用輔具。本研究利用顏色以及閃光頻率刺激的視覺回授來達成四方向的辨識，其採用的電極位置包含了大腦的頂葉(Cz)以及大腦的枕葉(Oz, O1, O2)。利用收集到的腦波資料經過前處理(數位濾波器以及獨立成分分析)將其雜訊先做去除，再利用快速傅立葉轉換觀察其顏色以及閃光頻率刺激的差異性，並採用統計方法、主成分分析法以及獨立成分分析法抽取特徵，最後投入機器學習中的支持向量機，達到辨識四方向的效果。本實驗共採用3名受測者進行測試，其離線分析最高分類率可以達到77.5%，而平均也有75%；線上即時分類率平均也可以達到68.33%，已具初步的實用價值。Item 結合多尺度主成分分析法與支持向量機在想像彩色圖像與中文文字之腦電波差異分析(2010) 劉昀松; Liu yun-sung大腦人機介面大多以想像左手、右手、腳與吐舌等體感動作為主，然而，以想像彩色圖像和中文文字作為大腦人機介面的媒介，目前少有相關研究團隊從事這方面研究，所以本研究在此試驗性地探討想像彩色圖像和中文文字的腦電波差異，並設計適合這種認知實驗的提示，此為本研究的主要動機和貢獻。 腦電波記錄時會包含著許多雜訊，例如:市電干擾、生理雜訊…等，而且腦電波訊號具有時變、非穩態等特性，所以腦電波的「特徵擷取」以及「分類」這兩個方面一直是主要的研究課題。本研究在「特徵擷取」方面，是採用多尺度主成分分析法來分析腦電波訊號，本分析方法分為兩個階段：第一階段是利用離散小波轉換中的多貝西小波，來分解腦電波訊號變成數個子頻帶，以增加特徵數量；第二階段是用主成分分析法，來得到最顯著的特徵值及其對應的特徵向量。本研究在「分類」方面，選擇具有高度辨識率的支持向量機，使用此來分類本研究所使用的彩色圖像與中文文字兩類想像內容。實驗受測者總共有13位，實驗結果發現以受測者S4為例，分類正確辨識率可高達88.89%，而平均正確準確率可達到72.65%。本研究更進一步探討圖像-動物類和文字-非動物類這兩種差異提示想像，實驗結果發現在圖像-動物類的平均分類正確率為74.08%，而文字-非動物類的平均分類正確率則達到84.21%，顯示對大部份受測者而言，文字-非動物類的平均分類正確率比圖像-動物類的平均分類正確率高。 本研究還有歸納出P300及N400在彩色圖像及中文文字提示的電位變化關係，N400事件相關電位在370ms~520ms間會出現一個負向的波峰，在負波峰後通常會有一個低頻的負波，這是腦電波感受到新奇刺激的反應，以及大腦空間能量分佈圖能量差異較大的頻帶位於Alpha2頻帶(11-14Hz)及Beta1頻帶(14-25Hz)，也就是常見的Beta頻帶。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 以多尺度分析為特徵之多轉速齒輪箱錯誤診斷之研究(2014) 鄭景逢工具機在工業的生產上是不可或缺的，而齒輪箱是工具機常用的零組件，若是齒輪箱故障可能會導致生產線不可預知的損失，因此過去幾年來已經有許多業界與學界的研究人員投入齒輪箱錯誤診斷的研究。一般而言，要建立錯誤診斷系統的數據資料庫有三個基本步驟：擷取振動數據，特徵抽取和錯誤狀態分類。在本論文中，討論四種多尺度分析算法，包括組合式多尺度熵（CMSE），組合式多尺度排列熵（CMPE），多頻帶頻譜熵（MBSE），和多尺度奇異值分解熵（MSVDE），用來抽取不同轉速以及不同錯誤的齒輪箱振動訊號的特徵。而支持向量機（SVM）和類神經網絡（NN）是作為分類器來區分齒輪箱的錯誤類型。本論文的實驗平台是由工業技術研究院（ITRI）提供。 實驗四種不同的條件，包括正常，不平衡，齒輪磨損和齒輪斷裂，收集不同的齒輪轉速從446 rpm開始，並以12 rpm為區間，一直到2121 rpm的齒輪振動訊號。 為了評估演算法在多轉速齒輪箱錯誤診斷的可行性，對振動數據進行分組辨識，每一組共取五個不同的齒輪轉速，本論文設計兩個實驗：（1）五個不同的轉速數據同時用來訓練分類器; （2）只用一個特定轉速的數據來訓練分類器。實驗結果表明，如果訓練數據來自各個不同的速度，所提出的錯誤診斷演算法預測精度非常的高（高達99.8％）。然而，如果訓練數據僅來自一個轉速，錯誤診斷演算法的預測準確率會大大降低。本論文希望這項研究可以提供一些貢獻在開發一個多轉速齒輪箱的錯誤診斷系統。