第五章 實驗結果與討論
5.3 四種想像動作分類結果
本研究結合獨立成份分析法(ICA)、希爾伯特黃轉換(HHT)進行資料前 處理，同時利用統計子時頻空間樣本的平均值、標準差、最大值與最小值的 方式建立特徵向量，最後利用支持向量機(SVM)來分類國際 BCI 競賽腦電波 資料集 IIIA(受測者代號：l1b)，想像左手動、右手動、腳動以及舌頭動的 腦電波資料。此處，選擇估計辨識率的方式採用Overall accuracy (OA)的方 式，如式(5.1)所示：
Informax ICA(時間、空間分析)搭配 Welch spectra(時間、頻率分析)。從參 考文獻[37]，還可以發現 Gao 等人使用同樣的特徵擷取方法和分類方法，然 而，實驗結果卻相當不穩定，同一資料集內三位受測者，辨識率最高可達
95%，最低卻為 41%，這表示多類別腦電波資料分類仍有很大的挑戰空間。 (Mean square error)和訊雜比(Signal-noise ratio, SNR)，來達到完美重建訊號，
關於這部份，本研究仍有改進和參考的空間。除此之外，時頻空間樣本的特
Resampling 100Hz,
Informax ICA, Welch spectra PCA SVM 64.17%
Gao [37]
Suface Laplacian,
8-30 Hz band-pass filter, CSP
SVM, KNNR,
LDA
52%
本研究 FastICA, coherence estimation, HHT
Statistics feature extraction
RBF-SVM 54.17%
第六章 結論
有不穩定且發散的現象，而普遍來說Informax ICA對於多通道的獨立成份分 析具有較佳的表現。
最後，以子時頻空間樣本內的平均值、標準差、最大值、最小值來建立 特徵向量，或許，其內部特徵值包含具有鑑別力的資訊仍然不足，所以特徵 擷取的選擇也是未來需要改進的方向之一。本研究以單筆腦電波分析的方式 結合希爾特黃轉換和獨立成份分析法，並利用支持向量機來分類四種想像動 作的腦電波資料，雖然相較於Gao等人的研究，辨識率提升了2.17%，但是根 據上述所提及的種種缺點，未來仍有很大的進步空間。
參考文獻
[1] Guest Editors, “Guest editorial the third international meeting on brain-computer interface technology: making a difference,” IEEE Trans.
Rehabil. Eng., vol. 14, no. 2, pp. 126-127, 2006.
[2] F. Cincotti, L. Bianchi, G. Birch, C. Guger, J. Mellinger, R. Scherer, R.
N. Schmidt, O. Y. Suárez, and G. Schalk, “BCI meeting 2005—workshop on technology: hardware and software,” IEEE Trans.
Rehabil. Eng., vol. 14, no. 2, pp. 128-131, 2006.
[3] A. Kübler, V. K. Mushahwar, L. R. Hochberg, and J. P. Donoghue, “BCI meeting 2005—workshop on clinical issues and applications,” IEEE Trans. Rehabil. Eng., vol. 14, no. 2, pp. 131-134, 2006.
[4] G. Dornhege, J. d. R. Millán, T. Hinterberger, D. J. McFarland, and K. R.
Müller, “Toward brain-computer interfacing,” Cambridge, Mass.: MIT Press, 2007.
[5] S. G. Mason and G. E. Birch, “A brain-controlled switch for asynchronous control applications,” IEEE Trans. Biomed. Eng., vol. 47, no. 10, pp. 1297-1307, 2000.
[6] J. d. R. Millán and J. Mouriño, “Asynchronous BCI and local neural classifiers: an overview of the adaptive brain interface project,” IEEE Trans. Rehabil. Eng., vol. 11, no. 2, pp. 159-161, 2003.
[7] A. Kübler, B. Kotchoubey, T. Hinterberger, N. Ghanayim, J. Perelmouter, M. Schauer, C. Fritsch, E. Taub, and N. Birbaumer, “The thought translation device: a neurophysiological approach to communication in total motor paralysis,” Experiment Brain Research, vol.124, no.2, pp.
223-232, 1999.
[8] R. Caton, “The Electric Currents of the Brain,” British Medical Journal, Vol. 2, pp. 278, 1875.
[9] H. Berger, “Über das Elektrenkephalogramm des Menschen,” European
Archives of Psychiatry and Clinical Neuroscience, vol. 87, pp. 527-570, 1929.
[10] H. Jasper, “Report of committee on methods of clinical exam in EEG,”
Electroencephalogr. Clin. Neurophysiol. , vol. 10, pp. 370-375, 1958.
[11] E. H. Chudler, “Neuroscience for kids,” available at the links for on-line courses at the author’s homepage at
http://faculty.washington.edu/chudler/1020.html, 1996-2008.
[12] L. Hu, B. H. Jansen, and N. N. Boutros, “Is P50 an epiphenomenon?”
Proc. of 27st Annual International Conference of the IEEE EMBS, pp.
1166-1169, 2005.
[13] S. Sanei and J. A. Chambers, “EEG Signal Processing,” John Wiley &
Sons, Ltd, 2007.
[14] J. Bhattacharya and H. Petsche, “Phase Synchrony analysis of EEG during music perception reveals changes in functional connectivity due to musical expertise,” Signal Processing, Vol. 85, pp. 2161-2177, 2005.
[15] A. R. Haig, E. Gordon, G. Roger, and J. Anderson, “Classification of single-trial ERP sub-types: application of globally optimal vector quantization using simulated annealing,” Electroencephalogr. Clin.
Neurophysiol., vol. 94, pp. 288-297, 1995.
[16] H. Yabe, F. Satio, and Y. Fukushima, “Median method for detecting endogenous event-related brain potentials,” Electroencephalogr. Clin.
Neurophysio., vol. 87, pp. 403-407, 1993.
[17] D. G. Childers, P. A. Bloom, A. A. Arroyo, S. E. Roucos, I. S. Fischler, T.
A. Apaopan, and N. W. Perry, “Classification of cortical responses using features from single EEG records,” IEEE Trans. Biomed. Eng., vol.
BME-29, 1982.
[18] T. P. Jung, S. Makeig, M. Westerfield, J. Townsend, E. Courchesne, and T. J. Sejnowski, “Analysis and visualization of single-trial event-related potential,” Hum. Brain Mapp., vol. 14, Issue 3, pp. 166-185, 2001.
[19] J. Kalcher and G. Pfurtscheller, “Discrimination between phase-locked and non-phase-locked event-related EEG activity,” Electroencephalogr.
Clin. Neurophysiol., vol. 94, pp. 381-384, 1995.
[20] H. Ramoser, J. M. Gerking, and G. Pfurtscheller, “Optimal spatial filtering of single trial EEG during imagined hand movement,” IEEE Trans. Rehab. Eng., vol. 8, pp. 441-446, 2000.
[21] B. Obermaier, C. Guger, C. Neuper, and G. Pfurtscheller, “Hidden Markov models for online classification of single trial EEG data,”
Pattern Recogn. Lett., vol.22, pp. 1299-1309, 2001.
[22] S. Lemm, B. Blankertz, G. Curio, and K. R. Müller, “Spatio-spectral filters for improving the classification of single trial EEG,” IEEE Trans.
Biomed. Eng., vol. 52, pp. 1541-1548, 2005.
[23] G. Pfurtsheller, C. Brunner, A. Schlögl, and F.H. Lopes da Silva, “Mu rhythm (de)synchronization and EEG single-trial classification of different motor imagery tasks,” NeuroImage, vol. 31, pp. 153-159, 2006.
[24] K. R. Müller, M. Tangermann, G. Dornhege, M. Krauledat, G. Curio, and B. Blankertz, “Machine learning for real-time single-trial EEG-analysis:
From brain-computer interfacing to mental state monitoring,” Journal of Neuroscience Methods, vol. 167, pp. 82-90, 2008.
[25] J. Britton, B. W. Jervis, and R. A. Grünewald, “Extracting single trial event related potentials,” IEE Proc. Sci. Meas. Technol., vol. 147, pp.
382-388, 2000.
[26] S. Makeig, A. J. Bell, T. P. Jung, and T. J. Sejnowski, “Independent component analysis of electroencephalographic data,” Adv. Neural Inf.
Process. Syst., vol. 8, pp. 145-151, 1996.
[27] T. P. Jung, C. Humphries, T. W. Lee, S. Makeig, M. J. Mckeown V.
Iragui, and T. J. Sejnowski, “Extended ICA removes artifacts from electroencephalographic data,” Adv. Neural Inf. Proc. Syst., vol.10, pp.894-900, 1998.
[28] T. Demiralp, J. Yordanova, V.Kolev, A. Ademoglu, M. Devrim, and V. J.
Samar, “Time-frequency analysis of single-sweep event-related potentials by means of fast wavelet transform,” Brain and Language, vol. 66, pp. 129-145, 1999.
[29] T. Wang, J. Deng, B. He, “Classifying EEG-based motor imagery tasks by means of time-frequency synthesized spatial patterns,” Clin.
Neurophysiol., vol. 115, pp. 2744-2753, 2004.
[30] N. Yamawaki, C. Wilke, and Z. Liu, “An enhanced time-frequency-spatial approach for motor imagery classification,” IEEE Trans. Neural Syst. And Rehab. Eng., vol. 14, pp. 250-254, 2006.
[31] A. Delorme and S. Makeig, “EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis,” Journal of Neuroscience Methods, vol. 134, pp. 9-21, 2004.
[32] N. E. Huang, Z. Shen, S. R. Long, M. Wu, H. Zheng, C. Yen, C. C. Tung, and H. H. Liu, “The empirical mode decomposition and the Hilbert spectrum for non-linear and non-stationary time series analysis,” Proc. of the Royal Society of London Series A—Math. Physic. And Eng. Science, vol. 454, pp. 903-995, 1998.
[33] Z. D. Xiang, X. P. Wu, and X. J. Guo, “The EEG signal preprocessing based on empirical mode decomposition,” The 2nd International Conference on ICBBE, pp. 2131-2134, 2008.
[34] M. Schwartz, W. Bennett, S. Stein, and W. R., “Communications systems and techniques,” New York: McGraw-Hill, 1966.
[35] P. Jahankhani, V. Kodogiannis ,and K. Revett, “EEG signal classification using wavelet feature extraction and neural networks,” IEEE 2006 International Symposium on Modern Computing, pp. 52-57, 2006.
[36] A. Schlögl, F. Lee, H. Bischof, and G. Pfurtscheller, “Characterization of four-class motor imagery EEG data for the BCI competition 2005,”
Journal of Neural Engineering, vol. 51, pp. L14-L22, 2005.
[37] B. Blankertz, K. R. Müller, D. J. Krusienski, G. Schalk, J. R. Wolpaw, A.
Schlögl, G. Pfurtsheller, J. R. Millán, M. Schröder, and N. Birbaumer,
“The BCI competition III: alternative approaches to actual BCI problems,” IEEE Trans. Neural Syst. And Rehab. Eng., vol. 14, pp.
100-107, 2006.
[38] B. Hjorth, “An on-line transformation of EEG scalp potentials into orthogonal source deviation,” Electroencephalogr. Clin. Neurophysiol., vol. 39, pp. 526-530, 1975.
[39] T. Wang, J. Deng, and B. He, “Classifying EEG-based motor imagery tasks by means of time-frequency synthesized spatial patterns,” Clin.
Neurophysiol., vol. 115, pp. 2744-2753, 2004.
[40] C. C. Chen, J. C. Hsieh, Y. Z. Wu, P. L. Lee, S. S. Chen, D. M. Niddam, T. C. Yeh, and Y. T. Wu, “Mutual-information-based approach for neural connectivity during self-paced finger lifting task,” Human Brain Mapping, vol. 29, pp. 265-280, 2008.
[41] Public editors, “Window function,” available at the links at Wikipedia, the free encyclopedia at
http://en.wikipedia.org/wiki/Window_function .
[42] F. Lotte, M. Congedo, A. Lécuyer, F. Lamarche, and B. Arnaldi, “A review of classification algorithms for EEG-based brain computer interface,” Journal of Neural Engineering, vol. 4, pp. R1-R13, 2007.
[43] S. Theodoridis and K. Koutroumbas, “ Pattern Recognition, ＂ ACADEMIC PRESS, second edition, 2003.
[44] C. C. Chang and C. J. Lin, “LIBSVM: a library for support vector machines,” Software available at
http://www.csie.ntu.edu.tw/~cjlin/libsvm , 2001.
附錄：四種想像動作同調性估計圖
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.3 第一筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.4 第一筆想像右手動同調性估計
圖5.5 第一筆想像腳動與 Cz 同調性估計
圖5.6 第一筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.7 第二筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.8 第二筆想像右手動同調性估計
圖5.9 第二筆想像腳動與 Cz 同調性估計
圖5.10 第二筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.11 第三筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.12 第三筆想像右手動同調性估計
圖5.13 第三筆想像腳動與 Cz 同調性估計
圖5.14 第三筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.15 第四筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.16 第四筆想像右手動同調性估計
圖5.17 第四筆想像腳動與 Cz 同調性估計
圖5.18 第四筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.19 第五筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.20 第五筆想像右手動同調性估計
圖5.21 第五筆想像腳動與 Cz 同調性估計
圖5.22 第五筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.23 第六筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.24 第六筆想像右手動同調性估計
圖5.25 第六筆想像腳動與 Cz 同調性估計
圖5.26 第六筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.27 第七筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.28 第七筆想像右手動同調性估計
圖5.29 第七筆想像腳動與 Cz 同調性估計
圖5.30 第七筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.31 第八筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.32 第八筆想像右手動同調性估計
圖5.33 第八筆想像腳動與 Cz 同調性估計
圖5.34 第八筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.35 第九筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.36 第九筆想像右手動同調性估計
圖5.37 第九筆想像腳動與 Cz 同調性估計
圖5.38 第九筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.39 第十筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.40 第十筆想像右手動同調性估計
圖5.41 第十筆想像腳動與 Cz 同調性估計
圖5.42 第十筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.43 第十一筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.44 第十一筆想像右手動同調性估計
圖5.45 第十一筆想像腳動與 Cz 同調性估計
圖5.46 第十一筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.47 第十二筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.48 第十二筆想像右手動同調性估計
圖5.49 第十二筆想像腳動與 Cz 同調性估計
圖5.50 第十二筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.51 第十三筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.52 第十三筆想像右手動同調性估計
圖5.53 第十三筆想像腳動與 Cz 同調性估計
圖5.54 第十三筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C4 平均同調性 圖5.55 第十四筆想像左手動同調性估計
右手動獨立成份與 C3 平均同調性
右手動獨立成份與 C4 平均同調性 圖5.56 第十四筆想像右手動同調性估計
圖5.57 第十四筆想像腳動與 Cz 同調性估計
圖5.58 第十四筆想像舌頭動與 Cz 同調性估計
左手動獨立成份與 C3 平均同調性
左手動獨立成份與 C3 平均同調性