機電工程學系

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/84

系所沿革

為迎合產業機電整合人才之需求,本校於民國 91年成立機電科技研究所,招收碩士班學生;隨後並於民國93年設立大學部,系所整合為「機電科技學系」,更於101學年度起招收博士班學生。103學年度本系更名為「機電工程學系」,本系所之發展方向與目標,係配合國家政策、產業需求與技術發展趨勢而制定。本系規劃專業領域包含「精密機械」及「光機電整合」 為兩大核心領域, 使學生不但學有專精,並具跨領域的知識,期能強化學生之應變能力,以適應多元變化的明日社會。

教學目標主要希望教導學生機電工程相關之基本原理與實務應用的專業知能,並訓練學生如何運用工具進行設計、執行、實作與驗證各項實驗,以培養解決機電工程上各種問題所需要的獨立思考與創新能力。

基於建立系統性的機電工程整合教學與研究目標,本系學士班及研究所之教育目標如下:

一、學士班

1.培育具備理論與實作能力之機電工程人才。

2.培育符合產業需求或教育專業之機電工程人才。

3.培育具備人文素養、專業倫理及終身學習能力之機電工程人才。

二、研究所

1.培育具備機電工程整合實務能力之專業工程師或研發人才。

2.培育機電工程相關研究創新與產業應用之專業工程師或研發人才。

3.培育具備人文素養、專業倫理及終身學習能力之專業工程師或研發人才。

News

Browse

Search Results

Now showing 1 - 5 of 5
  • 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。
  • Item
    適應性類神經模糊推論系統辨識腦波P300
    (2005) 黃津操; Huang Chin-Tsao
    大腦人機介面是一種利用大腦直接控制外在儀器(操作手臂、控制輪椅)的一項技術,經由腦波辨識系統讓使用者可以透過思想就達到與外界溝通的目的,希望藉由這項技術能有效的幫助因中樞神經或肌肉受損而無法擁有自主行為的病人(如中樞神經系統損傷、重度中風、有思想和意識而無行為能力的病人等)直接利用知覺以及認知能力功能都健全的大腦來進行與外界溝通,而大腦人機介面就是很好的媒介。 本研究利用視覺誘發回溯系統誘發腦波,擷取誘發的腦波P300訊號再透過適應性類神經模糊推論系統(Adaptive Neuro-Fuzzy Interface System, ANFIS)做分類,分類結果可以做為大腦人機介面控制源,並以有效提升腦波P300訊號之辨識率為目標。從實驗結果得知,利用適應性類神經模糊推論系統來分類腦電波,單筆腦波平均辨識率為79%,最高正確率為83%。將二筆腦波平均後作辨識則平均辨識提高為87%,最高可達95%。然而本研究之受測者均為四肢健全腦部功能無受損者來進行實驗,且實驗資料濾除過程嚴謹,凡是受到干擾之腦波訊號皆去除。期待本篇研究能對致力於發展大腦人機介面的研究者或有興趣的學者提供幫助。