動作電位偵測

在過去的文獻中，區分 action potential 及背景噪音 (background noise)的方法大多以判斷 訊號的 spike 能量峰值是否超過所設定之 threshold。Threshold 計算方式多數將 MER 訊號切成 等大區段計算區段本身的均方根 (root mean square, RMS)[11]值並乘上一個適當倍率。此方法 雖然簡易且直觀，但 RMS 計算過程中含有平均概念，加上各神經部位放電量程度不相同，易 受到高峰值 spike 影響造成 RMS 值大小變化急遽，使得 threshold 值起伏較大，造成某些 action potential 無法被順利偵測，而某些 background noise 被錯誤偵測。因此希望找到一個穩定且適 當的 threshold，盡量偵測出所有的 action potential 與避免偵測出過多的 background noise。

Thakur et. al [12]提出 cap-fitting 演算法，如圖 2.1 所示。Cap-fitting 方法假設此段訊號中 純噪音(pure noise)能量分佈為高斯分佈 (Gaussian distribution)，利用此概念，將 MER 訊號切 分成數個連續相等長度 frame，計算每一個 frame 的能量分布，找出落在 99.87%分佈區間之 能量值，同時計算此段 frame 訊號之標準差 (standard deviation)。若某段訊號能量為 Gaussian distribution (pure noise)，其 99.87%分佈區間中的能量應約等同 3 倍標準差，根據以上原則可 判斷各 frame 是否為 pure noise，若訊號不屬於 background noise，將此段訊號的 action potential 移除並重複上述過程直到此段訊號滿足 Gaussian distribution。

Harrison et. al [13]提出一套適合嵌入式硬體偵測法 duty-cycle，如圖 2.2 為演算法之流程。

此篇將預設工作週期設定為 15.85%，接著計算每一段訊號的 RMS 值並乘上一個適當倍率來

做為判斷工作週期之閥值，將計算得到的工作週期與其預設工作週期相比較，若此段訊號工 作週期未超過其所設定之工作週期，則認定此段訊號為背景噪音。若此段訊號為背景噪音，

則將重新調整判斷工作週期閥值之倍率，並重新計算此段訊號工作週期直到符合預設之工作 週期。反之若訊號工作週期符合預設值，則計算此段訊號之標準差且搭配一個適當的倍率即 可做為偵測動作電位閥值。

圖 2.1. Cap-fitting 法之流程圖

圖 2.2. Duty-cycle 演算法之流程圖

Chan et. al [14-15]提出了 (max-min spread, MMS)方法，希望能降低運算時間，如圖 2.3 所 示。將訊號切分成相等長度前後 50%重疊的 frame，將每個 frame 之訊號能量最大值(max value) 與最小值(min value)相減，即可獲得該段 frame 之 MMS 值。將連續 200 個 MMS 值存入 buffer 中，並且由小到大排序並給予一個適當的α值作為擷取 MMS 值的範圍，預設的α值採用 0.6，

最後將排序過第α 5⁄ 至1 − α (即第 24 個至 80 個) MMS 值加總平均並乘上適當的倍率即為 threshold。，結果部分此方法可以得到一個最平滑的閥值並在利用高斯噪音與顏色噪音所模擬 的訊號中偵測率可以達到 80%以上。

俞仲麒 [16]提出混合 RMS 與 duty-cycle 的方法，希望能得到較穩定的 threshold。此方法 將訊號切分成連續相等長度的 frame 並將各個 frame RMS*2.5 為 threshold，計算各 frame 的 duty-cycle 若 duty-cycle 小於 1.5%則標記此 frame 為背景噪音。最後串聯所有標記為背景噪音 的 frame，計算其 RMS 做為偵測 action potential 之 threshold，利用此方法可以得到一個固定 的閥值此閥值不會隨著不同深度中訊號的變化而改變，本研究計算 threshold 方式與此方法相

圖 2.3. MMS 演算法之流程圖