一、資料收集
本實驗以 ADJUST 以及 ICMARC 的方式去做干擾訊號去除的結果和辨識、收集干 擾訊號的模組。對於本篇的干擾訊號收集針對眨眼、橫向眼動、肌肉、失真訊號，所使 用的資料來源CHB_MIT 頭皮腦電圖數據庫，資料庫中所測量的對象為具有癲癇疾病的 患者，總共 22 名受測者(5 名男性，年齡區間 3~22;17 名女性，年齡區間 2~19)所有訊 號是採用雙電極的方式採樣，每秒 256 個採樣點，在這個數據庫中使用了 23 個電極訊 號，其中一個電極為重複，另一個則是相反電極位置，下列表四是本篇收集的訊號資料 筆數以及選取哪些病人，訊號部分是經過獨立成分分析的處理後收集的獨立成分訊號。
表四 資料收集總表 病患
編號
總數 一般訊號 干擾訊號 眨眼 肌肉 橫向眼動 失真
Ch01 1350 865 485 180 196 42 67 Ch03 1367 876 491 232 184 33 42 Ch04 1376 878 498 187 207 50 54 Ch05 1359 871 488 262 181 14 31 Ch06 1409 894 515 260 172 32 51 Ch07 1368 868 500 222 201 28 49 Ch08 1399 896 503 235 194 41 33 Ch11 1349 877 472 221 183 27 41 Ch14 1347 864 483 234 177 34 38 Ch15 1363 897 466 217 165 30 54
24
二、實驗結果
(一) ANOVA 檢定
在變異數檢定中，本篇比較一般訊號與干擾訊號中針對每個特徵做單因子變異數檢 定，測試各個特徵對於兩種訊號之間的差異性，在檢定結果中以統計的角度來看當p 值 小於 0.05 時可以知道兩群之間有差異性的這件事是具有可信的，經由這點特性利用各
個特徵進行變異數檢定分析在兩種訊號之間是否具有差異性，結果如下表 5，以病患編
號Chb01 來說依序 TK、TS、MV、SAD、SED、GD、Hurst 計算的 p 值為 0.0244、0.0030、
0.0930、0.0026、0.0010、0.0413、0.0111，其中粗體字的數字代表 p 值<0.05 其結果是好 的，從表中可以知道TK、TS、SAD 和 GD 這四種特徵在所有病患和所有資料集裡是具 有明顯的差異性的，而 MV 和 SED 在一些病人中差異較不明顯，不過在所有資料集中 訊號的差異性還是有區別性，在Hurst 特徵中目前只在病患 CHB01 的受試者有區分性，
在CHB03、 CHB06、 CHB08、CHB11 和所有資料集除了 Hurst 以外的特徵，都可以得 到很好的差異表現。
25
表五 ANOVA 檢定之 p 值 病患
編號
TK TS MV SAD SED GD Hurst
Chb01 0.0244 0.0030 0.0930 0.0026 0.0010 0.0413 0.0111 Chb03 0.0480 0.0403 0.0317 0.0021 0.0294 0.0205 0.7155 Chb04 0.0185 0.0384 0.0024 0.0239 0.1555 0.0185 0.0502 Chb05 0.0283 0.0027 0.7109 0.0015 0.0009 0.0022 0.5449 Chb06 0.0159 0.0018 0.0040 0.0016 0.0085 0.0086 0.7665 Chb07 0.0030 0.0021 0.0390 0.0158 0.1766 0.0048 0.5964 Chb08 0.0194 0.0026 0.0003 0.0034 0.0062 0.0049 0.8369 Chb11 0.0071 0.0068 0.0229 0.0018 0.0036 0.0062 0.8424 Chb14 0.0059 0.0013 0.1036 0.0016 0.0069 0.3227 0.4253 Chb15 0.0020 0.0049 0.7100 0.0036 0.0227 0.0002 0.9869 ALL 0.0014 0.0029 0.0087 0.0039 0.0027 0.0098 0.1028
26
(二) 分類器結果
在實驗中會依各個病患的資料以及所以的資料作分類實驗，其中75%的資料為訊號 資料25%為測試資料，各個分類器中本篇以五種準確度來計算測試資料分類的準確度，
靈敏度(Sensitivity)計算的是將第一類真的分類為第一類準確性、特異性(Specificity)與靈 敏 度 相 似計 算 的是 針對 第 二 類真 的 分類 為第 二 類 準確 性 、ROC 曲 線 (Receiver operating characteristic curve)是 以 靈 敏 度 和 特 異 性 以 圖 示 的 方 法 結 合 所 示 y 軸 為 敏 感 度 x 軸 為 1-特 異 性、精確度(Accuracy)計算的是第一類真的分類為第一類以及 第二類真的分類為第二類的準確性、一致性(Kappa)計算測試資料與訓料資料兩者分類的 相似度，以上五種可以從分類後的結果中計算出來，下表六至表十九表示出在每個病人 的訓練資料結果與針對分類器在特徵的選取和測試資料的結果。
27
表六為 RF 分類器中所得到的結果，以病患編號 Chb01 來說依序特徵數、靈敏度、
特異性、精確度、一致性為5、100.00、99.07、98.71、99.40，從表中在 CHB06、CHB07 和CHB15 的結果是完美分類，10 位患者平均來說所挑選的特徵數為 5 標準差 1.25，靈
28
表七為 RF 訓練結果，以病患編號 Chb01 來說依序特徵數、ROC、靈敏度、特異性、
精確度、一致性為 5、100.00、98.06、99.85、99.21、98.26，ROC 在 Chb01、 Chb04、
Chb06、 Chb07 和 Chb11 做出來的訓練模型結果最好，平均來說特徵數為 5 標準差 1.25，
29
30
31
32
33
34
35
36
37
38
39
表十八為每個分類器所有病患的平均標準差，以RF 來說依序平均特徵數、靈敏 度、特異性、精確度、一致性為5、99.26、99.24、98.29、99.27，依序標準差為 1.25、
0.87、0.81、1.14、0.47，以綜合來說特徵最少、靈敏度、特異性、精確度和一致性最 好的結果依序為LR、KNN、RF、RF、RF，LR 的選擇最少但就最後分類結果來說並 不理想，RF 的特異性、精確度和一致性就最後結果來說分類的效果最好。
40
41
表二十 每個分類器挑選特徵的次數
Method TK TS MV SAD SED GD HS
RF 10 8 8 9 6 10 0
LDA 10 8 7 10 7 9 0
SVM 10 9 10 10 10 10 1
NB 10 10 8 10 8 10 3
LR 9 8 8 7 8 10 0
KNN 10 9 9 10 9 10 1
total 59 52 50 56 48 59 5
42