實驗設備與環境

第三章實驗設計與流程

3.3 實驗設備與環境

在本研究中，測量腦電波所使用的器材與環境在本節逐一介紹，因為腦電波是大腦中很微弱的電位變化，所以量測儀器上必須更加地精確細微，操作儀器的過程也必須小心謹慎，以避免例如室電訊號等...的雜訊干擾，受測者在進行實驗時，也必須處於沒有外在干擾的環境下，才能準確地量測到有意義的腦電波資料。

(一) 實驗設備 (1) 電極帽：

NeuroScan公司的產品，依照國際10-20腦電波系統的電極分布準則，

放置有30個電極的彈性帽。將帽子上的Cz電極對準正確位置後，其他電極也會符合國際10-20腦電波系統規定的相對位置；若不使用電極帽，則電極需一個一個量測其標準位置並黏貼固定，相當耗時。

(2) 腦電波 A/D 放大器：

同樣是NeuroScan公司生產的「NuAmps」40通道腦電波放大器，與電極帽相連接，將電極帽量測到的類比腦電波訊號，以1000 Hz的取樣頻率轉換成數位訊號，並將訊號放大一萬倍，再傳送到個人電腦作後續的數位訊號處理，其類比轉數位位元數可選擇16位元或32位元。

(3) USB資料傳輸線：

連結電腦與腦電波放大器，傳輸腦電波資料至電腦。

(4) Keyport：

NeuroScan公司專屬的Keyport，使用軟體紀錄或處理腦波時，必須把它插在USB插槽方可正常運作。

(5) 導電用耗材：

為了降低頭皮與電極間的電阻值，我們需要以針筒在電極與頭皮之間注滿導電膠，以順利量到正確的腦電波訊號。

(6) 去角質用耗材：

除了電極帽上分布的電極以外，我們仍需要量測眼睛上方與耳後的量測參考的訊號，因為在這些部位皮膚的角質層較厚，因此在注入導電膠之前，要先去除角質層，我們使用棉棒與去角質凝膠來達成這個目的。

圖3.5 實驗設備

(二) 實驗環境

腦電波是一種非常微弱(基本單位為10^-6伏特)的電訊號，因此在實驗室環境中的各種電訊號，相對腦電波而言，是非常巨大的雜訊，為了減低外界雜訊對腦電波量測的干擾，我們在實驗室中搭建了一個隔絕空間，如圖 3.4所示。

第四章實驗方法

4.1 數學認知研究腦電波訊號前處理

我們在本研究中，腦電波擷取所設定的取樣頻率是1000Hz，也就是每秒擷取1000個腦電波資料點。經過實驗得到的腦電波訊號資料中含有許多的雜訊，其中以眼動訊號為影響最為顯著的雜訊，所以首先我們必需先將眼動雜訊去除才可以進行往後的分波析作業。以往眼動訊號只採用一個 VEOU電極進行量測，之後再將原始腦電波被眼動雜訊干擾的部分濾除，

此種採用單電極量測眼動訊號的方法雖然簡便，但因為眼動電極所量測到的眼動訊號中，實際上也含有腦電波訊號，以致將原始腦電波濾除眼動雜訊時，也將一部分不屬於眼動雜訊的腦電波訊號濾除掉了，可能造成腦電波訊號的不完整性。

本研究為了避免腦電波訊號的不完整性，將傳統量測眼動訊號的電極增加為四個電極VEOU、VEOL、HEOR、HROL，VEOU電極置於左眼眉毛上方，VEOU電極的位置垂直下方經過眼球的左眼下眼瞼位置，則是 VEOL電極的擺置位置，而HEOL電極則擺置於左眼與太陽穴中間，HEOR 電極則是擺放在右眼和右邊太陽穴中間，四個電極擺置位置如圖4.1所示。

圖4.1 眼動訊號電極擺置示意圖

眼動訊號的產生是由於眨眼與眼球移動所造成的，眨眼只有垂直方向的運動，而眼球除了垂直方向外還會有水平方向的運動，所以我們另外增加一組水平方向的電極HEOR、HROL，另外垂直方向也增加了VEOL電極。因為每一個眼動電極所量測到的眼動訊號都包含了腦電波，首先我們先將垂直方向的眼動電極組VEOU、VEOL的眼動訊號相減，眼動訊號相減後已將腦電波訊號扣除，剩餘的眼動訊後我們視為真正垂直方向的眼動雜訊，定義為VEOG眼動雜訊。水平方向的電極組HEOR、HROL也使用相減的方法，得到HEOG眼動雜訊，我們將之視為真正的水平眼動雜訊。

我們量測處理眼動雜訊的方法稱為線性誘導(Linear derivation)，此方法就是將水平和垂直的眼動訊號進行兩兩相減，去除所含的腦電波訊號後只剩下VEOG和HEOG訊號，分別代表垂直和水平的眼動雜訊，如圖4.2。

如前段所提到的，腦電波是相當微弱的訊號，所以如果我們沒將眼動訊號濾除乾淨，這樣我們之後所分析的腦電波資料將包含極高成分的眼動雜訊，有鑑於此，本研究將以往研究用來量測眼動雜訊的電極，由一個增加到四個電極，並以線性誘導處理，以利我們之後的腦電波分析的準確性。

經由線性誘導(Linear derivation)後我們得到垂直與水平的眼動雜訊，腦電波訊號是很微小的，所以眼動對腦電波所產生的雜訊相對是很大的，因此在進行所有腦電波訊號分析，一定要先做去眼動雜訊的工作。我們使用 NeuroScan 4.3中Transforms中的Ocular artifact reduction指令，接著在出現如圖3.10的指令框中的Trigger選項勾選Negative，此指令是依照眼動訊號發生時的峰值為正或為負來決定，而在此指令框的右邊有一名為Blink Value的欄位，需選取channel中的VEOG的電極選項，因為VEOG是實驗中經過線性誘導後的眼動雜訊，選取後才可以讓軟體依此點的訊號來做眼動訊號的消除，如圖4.3所示。在圖4.3指令框中的Output選項中，選取LDR+CNT選項，在Review欄位中則都不勾選，如此即設定好去眼動雜訊的流程。

圖 4.3 去眼動指令框

我們以其中一位受測者的腦電波訊號圖來看，上圖為尚未去除眼動雜訊的腦電波圖，在圖上最上方為眼動訊號，可以發現每當產生眼動訊號

時，會影響到其他正常腦電波的量測，但在經過去眼動訊號處理後，可以發現本來受干擾的腦電波訊後都變得更加平順清楚，如圖4.4 所示。

圖 4.4 去眼動前、後腦電波圖

色的背景，代表已成功濾除。

經過以上步驟後，我們進行腦電波的分段工作，使用的則是NeuroScan 4.3 軟體中 Epoch file 的功能，在 Epoching properties 指令框中，我們在 Mode 選項中選取no trigger，並且在腦電波時間段落中設定為 1024 個資料點，

因為當初本研究設定的腦電波取樣頻率為1000Hz，所以分段後的每段腦電波時間段落約為1 秒鐘，而經分段後的 1 秒鐘腦電波才是適合我們分析的腦電波長度且又同時包含足夠的資訊，如圖4.5 所示。

圖 4.5 各電極分段後腦電波圖

圖 4.6 單一電極分段後腦電波圖

我們經由量測所得到的腦電波資料中，除了眼動雜訊外，還包含著許多我們不需要的生理雜訊和室電訊號，這些生理雜訊與室電訊號我們使用

Artifact reduction 的功能來濾除，在 Operation 選項中選取 Reject on

criteria，而在 Criteria 選項中選取 Time domain，並將區將設定成符合腦電波範圍的-85 至 85 之間，如圖 4.7 所示，最後選取需要濾除生理訊號的電極，在這裡我們選取所有的電極，除了量測眼動訊號的電極VEOG 和 HEOG 除外。

圖 4.7 Artifact reduction 指令框

將分段後的腦電波濾除生理雜訊後，我們必須將每個電極的每段腦電波進行平均的工作，因為我們分析著重於腦電波頻譜上的特徵，在

Averaging 指示框中我們就選取 Frequency domain，並且選擇我們所要平均的Scaling 為 Amplitude，因為腦電波資料的振幅代表的電壓的大小值才是我們分析的重點，最後在Window 選項中必須選取 Hanning 視窗來進行平均腦電波的動作，如圖4.8 所示。經過平均後的每個電極的腦電波圖如圖

圖 4.8 Averaging 指示框

圖 4.9 各電極平均後腦電波圖

圖 4.10 單一電極平均後腦電波圖

經過以上腦電波的資料前處理工作後，我們大致上可以開始進行腦電波的分析作業，本研究部分的目的為探討進行數學四則運算時，大腦的活動特徵，為了明顯且有效率地達成此目的，我們必須先加以分析腦電波每個主要頻帶，我們將在大腦認知活動中經常被各研究團隊所探討的Delta、

Theta、Alpha、Beta 頻段，分別作平均處理得到每個電極的腦電波位於各個頻段的能量大小，並輸出成文件檔以利於我們進行之後的腦電波資料分析，如圖4.11 所示。

圖 4.11 輸出各頻帶腦電波指令框

4.2 數學認知研究腦電波訊號後處理

以複數型式表示傅立葉級數，將更為簡潔。整理(3.1)可得複數型式的

∑

⁻

exp ，N必須為2的次方。若N=8，則X(0)~X(7)可表示為：

多尺度熵(MSE)，是一種分析時間序列內含訊息之複雜度的數學方法，藉由計算系統在不同的時間-空間尺度下的熵值，提供檢驗訊號複雜度的一個量化標準。在傳統計算亂度的概念上，是以找出訊號的亂度特徵與量測訊號不穩定性為目標，然而，傳統計算亂度熵的定義只適用於無限長的資料，此類傳統計算亂度方法稱為sample entropy[28]。而在現實環境中並沒有這種無限長訊號的存在，2002 年，Coast 團隊將傳統 sample entropy 加入多尺度的概念，以計算多尺度熵(MSE)來辨別心臟健康與心臟患有疾病患者間的差異性，而亂度愈高，則訊號的自我相似度(self-match)則愈高。

近年來多尺度熵(MSE)除了應用在生理訊號分析外，也被使用於影像處理的研究上。

多尺度熵(MSE)是以傳統的 sample entropy 作為基礎的應用，我們首先介紹sample entropy 的理論，令一長度 N 的有限時間序列如式(4.6)所示:

{ } { ^X

⁼ ^x

₁

^, ^x

₂

^,...., ^x

}

(4.6) 式(4.6)可產生數量為 N-m+1 個，維度 m 的子序列，如式(4.7)所示:

^y

⁽ ⁱ ⁾ ⁼ { ^x

^, ^x

^,...., ^x

_i₊_m₋₁

} ^， ¹ ^≤ ⁱ ^≤ ^N ^- ^m ⁺ ¹

)

( (4.7)

而其中任兩個子序列y⁽^m⁾(i)與y⁽^m⁾(j)如果相互間的距離，如式(4.8)所示，

小於容忍值δ(tolerance level)則為相似。

^d ⁽ ⁱ ^, ^j ⁾ ⁼ ^max { ^x ⁽ ⁱ ⁺ ^k ⁾ ⁻ ^x ⁽ ^j ⁺ ^k ⁾ ^: ⁰ ^≤ ^k ^≤ ^m ⁻ ¹ }

(4.8)

) (m

n

i 表示在容忍值δ(tolerance level)下，子數列y⁽^m⁾(i)與y⁽^m⁾(j)相似的元素個數，同樣的，

n

_i⁽^m⁺¹⁾則表示子數列y⁽^m+¹⁾(i)與y⁽^m+¹⁾(j)相似元數的個數，則

度為τ ，則在尺度下的時間序列如式(4.10)所示:

文獻探討

實驗設計

擷取不同數學認知活動腦電

波

腦電波資料前處理

FFT MSE

4.3 想像幾何旋轉研究腦電波前處理

一般我們所量測到的生物訊號中，經常包含了許多不必要的雜訊，雜

在文檔中想像幾何旋轉動作與數學心算之腦電波分析 (頁 37-0)

第三章 實驗設計與流程

3.3 實驗設備與環境

第四章 實驗方法

∑

{ } { X

= x

, x

,...., x

}

y

( i ) = { x

, x

,...., x

} ， 1 ≤ i ≤ N - m + 1

d ( i , j ) = max { x ( i + k ) − x ( j + k ) : 0 ≤ k ≤ m − 1 }

n

n

第三章實驗設計與流程

第四章實驗方法

{ } { ^X

⁼ ^x

^, ^x

^,...., ^x

^y

⁽ ⁱ ⁾ ⁼ { ^x

^, ^x

^,...., ^x

} ^， ¹ ^≤ ⁱ ^≤ ^N ^- ^m ⁺ ¹

^d ⁽ ⁱ ^, ^j ⁾ ⁼ ^max { ^x ⁽ ⁱ ⁺ ^k ⁾ ⁻ ^x ⁽ ^j ⁺ ^k ⁾ ^: ⁰ ^≤ ^k ^≤ ^m ⁻ ¹ }