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
12 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 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 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 應用於腦電波量測之三維乾式電極製作技術開發(2007) 曾柏翔; Bo-Hsiang Tseng有鑑於近年來，腦電波雖然廣泛地應用於醫學臨床之診斷，與大腦人機界面系統，但其量測電極技術卻無顯著進步。故本研究提出一種新型腦波量測電極製造技術，利用微機電製程中，特有的矽基體型微加工技術、KMPR厚膜光阻微影、精密電鑄製程，並結合PDMS聚合物材料之選用。製造出於可撓曲基板上，擁有三維微探針陣列之乾式電極。有別於現今通用之銀/氯化銀電極，此新型量測電極，可於不需使用導電膠，且省略去角質等皮膚前處理的條件下，進行腦電波量測。 於實驗中，建立新型厚膜光阻KMPR 1050之相關製程參數，使得以一次旋轉塗佈的製程，便可得到厚度約130 um之光阻膜。配合KOH蝕刻、精密電鑄製程與本實驗所提出之二階段式光阻去除步驟，可製作出高度約170 um、寬為 50 um(深寬比為3.5)，且具出平面特性之微探針陣列。雖然此製程證明其製造上之可行性，但由於其製造良率低於50%。因此本研究中，提出三種改善良率之製程，藉以希望達到微機電製程中，特有的批次生產能力。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。