應用於大腦人機介面的想像各類動作

大腦人機介面系統效能的優劣取決於資料的特徵是否能將真正的被擷 取出來，在特徵被擷取出來後分類方法的準確性和分類速度也是影響最終 結果的關鍵。除了特徵擷取和分類方法兩大影響大腦人機介面的因素外，

近年來也有團隊開始著重於想像不同行為的腦電波分析。過去大腦人機介 面多是以想像左手動、右手動、左腳動、吐舌等動作，Kamousi 團隊[18]

以ICA 演算法辨識想像左手動和右手動則為一典型的應用。Kamousic 與 Liu 等人以獨立成份分析法辨識想像左右手動，實驗流程如圖 2.9 所示，實 驗開始前兩秒時螢幕呈現空白狀態，使受測者穩定心情，思路保持清晰狀 態，空白螢幕持續至3.75 秒時受測者會接受到一個提示訊號，受測者接著 開始準備進行實驗，然後在第5 秒時告知受測者開始進行想像左右手動 作，想像時間約0.95 秒，至此一個實驗流程結束，而此實驗所量測到的想 像左右手的腦電波，經由獨立成份分析法辨識後，辨識率為80%。

圖 2.9 Kamousic 實驗流程圖

近期的文獻中，辨識想像四肢動作如「以主成分分析法和線性鑑別分 析法辨識想像左右手動」[19]，也是想像左手動與右手動對辨識目標，是 利用主成分分析法和線性鑑別分析法進行兩類想像行為的辨識。經由紀錄 後的腦電波資料量非常的龐大，此篇文獻利用主成分分析法將原始的腦電 波資料經由計算，選取出前n個較大的特徵值所對應的特徵向量，再將原

始資料投影在該特徵向量上，藉此將原始的腦電波降低維度，卻又可以保 留資料中重要的資訊。降維後的腦電波資料在以本研究也使用的線性鑑別 分析法將資料分開成兩類，讓資料的特徵更顯著的區分出來，最後以最近 鄰區法則分類。因為線性鑑別分析法和最近鄰居法對腦電波資料是簡單且 有效的分析方法，所以也將應用此兩演算法於本研究中。

圖2.10 主成分分析法示意圖

有別於以往想像四肢動作，日本的Phothisonothai團隊[20]在2006年利 用三層的類神經網路分類器，分類新的想像任務則是以辨識想像回答問 題”是”與”否”為主，總共使用15個通道如圖2.11 所示，利用事件相關同步 /去同步電位(ERS/ERD)來當特徵，並利用斜率與歐式距離(SCED)來做為特 徵擷取的方法，再藉由人工類神經網路來做分類的動作，此團隊在二維的 辨識率可達到80%。

近年來除了傳統的辨識想像四肢活動的研究外，也開始有團隊嘗試不 同的想像目標來做為分類的資料，日本團隊在2006 年就提出了想像是與 非的研究成果，而本研究是以想像幾何旋轉來作為想像標的，藉由實驗進 行驗證不同的幾何旋轉方向是否可以有效地辨識分類，更甚至比傳統想像 四肢活動或是想像是與非擁有更高的辨識成果，最後本研究的成果也會與 以上文獻進行比較與分析。