實驗流程

本研究安排受測者聆聽音樂，量測受測者在接收音樂刺激狀態下，擷取約二十分鐘 長度之腦波資料。音樂刺激的選擇分別為經過重新編曲的Sonata 與 Metal，以及 Favorite 和No Music 總共四種情境。且實驗將受測者分為 A、B 兩實驗群組，A、B 實驗群組主 要差別於Metal、Sonata 呈現上有所差異(圖十)，群組 A 聆聽 A 音樂，為每段一分鐘並 重複五次之Metal 與 Sonata。而群組 B 聆聽 B 音樂，為 Metal 與 Sonata 交錯連續播放，

每段Metal 和 Sonata 皆為一分鐘。而每段情境間皆間格一分鐘之空白以便緩和前次情境 對接續情境所造成之干擾。而設立A、B 兩實驗之目的為方便 ICA 分析，由於 ICA 後 之獨立元件為時域狀態，本研究可藉此觀測單一情境較長(A 實驗)與單一情境較短(B 實 驗)之腦波訊號，經 ICA 後不同情境之交界是否會出現交錯之狀態，藉此實驗設計觀測 ICA 於腦波分析上之成效如何。

實驗進行的地點為一處安靜不受外界干擾的實驗室(圖十一)。當受試者來到實驗室 後並填寫腦波與音樂研究記錄表(見附錄一)，接著本研究者為受試者接上腦波機與戴上 耳機，並對受測者朗讀實驗指導語。

圖 十一 腦波實驗進行畫面

受試者坐在具靠背可自然放鬆的椅子上接受實驗情境。並為了觀察 Alpha 波的活 動，研究者將會要求受測者放鬆心情並輕鬆的闔眼接受實驗情境刺激。為了緩和實驗情 境播放順序所造成的誤差，故實驗情境採用隨機的方式呈現給予受測者主動刺激。

指導語：首先感謝你參與本次實驗。整個實驗約 20 分鐘，在這期間會有生理測量 儀器來測量你的反應。實驗進行中將會播放音樂，請你在聆聽音樂的同時閉上眼睛且保 持放鬆聆聽音樂，實驗的過程中音樂有時會出現有時則沒有，這為正常的現象。若有疑 問，我們在實驗結束後會替你解釋說明。謝謝您的合作。

3.3. 腦波信號分析方法

如圖十二顯示，腦波分析方法上運用頻譜分析(Spectral Analysis)、獨立元件分析法 (Independent Component Analysis, ICA)、叢集分析(Cluster Analysis)、相關係數(Correlation Coefficient)，統計上使用相依樣本 T 檢定（Paired-Samples T test）來檢驗在不同實驗情 境下的腦波頻譜是否有有所差異。

3.3.1.頻譜分析

當一個 N 點的序列而言，使用傳統離散傅利葉轉換（Discrete Fourier Transform, DFT）計算方式需 N 平方的計算量，可是當使用快速傅利葉轉換時，卻只要 N*N 之計 算量。故當 N 值很大時，這樣節省下來的計算時間是相當可觀的。這也是快速傅利葉 轉換至今被廣泛使用的原因。

而在本研究中，我們將腦波訊號輸入至 Matlab 軟體中，做時域轉頻域處理，並依 照頻率不同切分出Alpha、Beta、Gamma、Theta 不同頻帶，並作頻譜分析得到在不同頻 帶上之能量值，再由此值作為特徵進行其他分析。

3.3.2. 獨立元件分析(Independent Component Analysis, ICA)

獨立成份分析最早為Makeig 所提出(Makeig et al. 1996)。為一種尋找隨機型態信號 或變數中隱藏因子(hidden factor)的統計與分析方法。在研究者想研究的資料中，可先假 設所求模型裡資料形式由線性或非線性潛在變數(latent variable)組合而成。這些潛在變 數為非高斯分佈且互相獨立，被稱為觀察資料的獨立成份。且整個系統模式是允許研究 者對整個系統處於未知的狀態，而獨立成份分析就是運用來尋找這些獨立成份來源的方 法分析法。

獨立成份分析法主要被應用於未知訊號分離的領域，最典型且廣為人知的未知訊號 分離問題就是：在一密閉空間中，兩種樂器同時在演奏，並有兩隻不同位置的麥克風同 時進行收音動作，假設兩位種樂器發出的訊號定義為S¹、S²，兩隻麥克風收到的訊號分 別別為X1 及 X2。S1 及 S2 可視為獨立音源，以線性方程式描述就如下所示：

X1 = A11 × S1 + A12 × S2

X2 = A21 × S1 + A22 × S2

A¹¹、A¹²、A²¹及A²²等參數取決於兩種樂器分別與麥克風之間的距離，且是允許研 究者無法得知的。在無法得知 A¹¹、A¹²、A²¹及 A²²等參數，也就是兩種樂器與麥克風 之間距離的狀態下，可利用獨立成份分析法將混合訊號重建復原成原來獨立訊號。

工具在運用，各方面的研究也紛紛有研究報告出現。獨立成份分析被應用在生物訊號處 理(biomedical signal processing)、語音訊號處理(speech signal processing)、特徵擷取

一般而言，我們收集 EEG 是為了瞭解各部份腦神經的活動，而非眼球或是肌肉的 活動，但是往往這些訊號遠大於腦部訊號，造成許多 EEG 分析上的困難，尤其當我們 收集及研究受測者的 EEG 時，這些雜訊更是無所不在。ICA 一旦能把這些雜訊分離出 來，我們就可以只投影腦神經的訊號回到頭皮上，而得到乾淨(clean)的 EEG。且由於量 測EEG 訊號時，需利用放置頭皮上的電極(electrodes)去收集腦裏神經元的活動，但是因 為大腦、小腦據頭皮有一小段距離，這中間充滿了Volumn- conductance，所以頭皮上的 任何一個電極都會收集到在一個相當大區域內腦神經元的活動。當ICA 用來分析腦波訊 號時，在不同電極上收集的EEG 訊號是輸入的矩陣Ｘ，而 ICA 的輸出Ｕ代表不同的獨 立元素 (Independent Component)。Ｕ的每一列 (Row) 代表不同的神經網路或是腦外 (Extra-brain)訊號源（例如眨眼睛，臉面肌肉抖動）所產生的波型。因為 ICA 是一個十 分簡單的線性系統，Ｕ=ＷＸ，所以我們也可以將一個的獨立元素，單獨地投影到頭皮 上的電極，也就是Ｘ=Ｗ^-1Ｕ。

許多ICA 的應用結果，證明了 ICA 不只能清除 EEG 的雜訊，更能把腦部受到不同 刺激(stimuli)或是腦部在學習新的事物時，腦神經元的各種活動分離成不同的獨立元件 (Jung et al. 1998b; 1999; Makeig et al. 1999)。

3.3.3. 相關係數 (Correlation coefficient)

在許多調查研究中，常需要就實驗中的每一實驗單位觀察兩個或兩個以上的變數，

特定音樂在不同的受測者上會具有相同的反應趨勢嗎？本研究將腦波能量質作為

X

Y

將同一受測者中同個情境下之各頻帶中每組導程能量依頻帶區分所得能量值數列 作為相關係數公式中的Xi Yi 變數，由此計算受測者差異相關係數(受測者 01 vs. 受測者 02、受測者 01 vs. 受測者 03、受測者 01 vs. 受測者 04……受測者 31 vs. 受測者 32)，

並計算出大於0.7 相關係數之機率，藉此值繪製成圖觀測不同受測者對相同音樂的敏感 性 (個體對腦波之相似度)。

另一方面，本研究將Metal、Sonata、Favorite 情境下三十二位受測者各頻帶中各導 程能量質數列作為變數Xi、Yi，計算出 Metal vs. Sonata、Metal vs. Favorite、Sonata vs.

Favorite 三組相關係數，接著並將每個導程中所求得之三十二個相關係數取中位數，並 藉此值繪製成圖，觀察在受測者對不同音樂的敏感性 (音樂對腦波之相似度)。

3.3.4. 叢集分析(Cluster Analysis)

在叢集分析方法中，最普遍的就是階層式叢集法(Hierarchical Clustering)。叢集之意 義與目的就是使具有相似特性的資料聚成同一群，同群之間同質性高，不同群之間有顯 著性的差異。而階層式叢集法所呈現的是一種樹狀架構，比較能符合資料本身的特性進 行叢集。當階層式叢集法運用在腦波信號上，方法則為一開始的時候是將腦波每一點資 料視為分離的一個點，之後將達到相似度的水準的腦波資料相繼的結合成一群。

不過當叢集法運用在腦波分析上時，首要的工作就是定義與找尋腦波特徵值。過去 關於叢集法於腦波的研究中，研究者利用腦波主要波形振福、次數或腦波信號之行列次 數當特徵值去作叢集分析，在許多研究結果上證實叢集分析法對腦波信號可達到有效分 類之目的。