過去文獻中有相當多癲癇預測與癲癇偵測的方法，大致上分為頻率域、時域、小波 域、獨立成分分析、主成分分析相關之方法。然而在進行癲癇偵測或癲癇發作預測前，
必須將資料做前置處理，如果不將雜訊去除會影響後續癲癇偵測或癲癇發作預測的準確 度，近年來腦波雜訊處理的研究相當多，本章節將介紹過去各種關於癲癇發作預測與癲 癇偵測的方法，以下所有方法的靈敏度(Sensitivity)、錯誤預警率、以及準確性(Accuracy) 可由以下算式定義[26]:
(1)
TP 代表樣本被判斷為癲癇發作前，實際上確實是癲癇發作前的樣本，FP 代表樣本被判 斷為癲癇發作前，實際上不是癲癇發作前的樣本，TN 代表樣本被判斷為一般狀態實際
上確實為一般狀態的樣本，FN 代表樣本被判斷一般狀態，實際上不是一般狀態的樣本。
錯誤預警率 = 𝐹𝑃
𝑇𝑃 + 𝐹𝑃× 100% (3)
圖二 [4] 利用光體積變化描述訊號之去除雜訊後結果
一、 腦波雜訊
在第一章介紹到腦波測量時遇到的雜訊，這些雜訊包含肌肉雜訊、眼動雜訊等雜訊，
種類相當多。近年來關於腦波雜訊處理的研究非常多，雜訊的處理大致分為去除雜訊與 減少雜訊干擾等方向;不去除腦波雜訊方面 Zandi et al. [3]在其研究中取正零越點區間 (positive zero-crossing-interval;PZCI)做癲癇預測，在過去文獻中發現𝑃𝑍𝐶𝐼能夠有效減少 雜訊對結果的干擾，首先先取腦波中的正零越點(positive zero-crossing)，並以 15 秒進行 分段，並計算每段分段的正零越點的區間，一段正零越點區間可由以下算式定義[3]:
( 4 )
𝑇𝑙為第l 個正零越點，l=1,2,3,…,L，L 為整段腦波的正零越點總共的數量，𝑃𝑍𝐶𝐼為一段 正零越點區間，另一種作法則是將腦波雜訊去除;唐雅雯等人[4]在其研究，使用光體積 變化去除腦波雜訊的方法，其透過適當配置的光感測器擷取光體積變化描記圖訊號 (photoplethysmography;PPG)，藉此可以提取出眼動與脈波訊號，進一步將雜訊從腦波訊 號中濾除，光體積變化描述訊號屬於一種非侵入式光學測量方法[4]，主要原理是利用光 感元件，紀錄光在血管內的變化，以判斷血液流動的方法，透過相關經驗模態分解法，
透過萃取、關連與重建方式取得較無雜訊的腦波訊號。實驗結果如圖二[4]所示，左邊的 圖是尚未去除雜訊的腦波原始訊號，右邊是經由光體積變化去除腦波雜訊後的訊號。
𝑃𝑍𝐶𝐼 = {𝐼𝑙|𝐼𝑙= 𝑇𝑙+ 1 − 𝑇𝑙}
二、 癲癇偵測
(一) 時間域方法
為了利用時域分析法偵測癲癇發作，首先必須分析腦電圖區間(EEG epochs)的離散 時間序列，利用這些時間序列來做癲癇特徵的擷取，以下將介紹過去研究利用時域分析 方法所作的癲癇預測。
Runarsson et al. [11]提出的簡易時域之癲癇偵測方法[2]，這個方法主要基於追蹤連續 峰值和最小值的訊號段，以直方統計對幅度差和時間間隔的峰值及最小值之間作統計，
這個特徵包含有癲癇發作以及沒有癲癇發作的腦波區間，最後在使用支持向量機 (support vector machines ; SVM)分類這些資料，這個方法癲癇偵測的平均 Accurac 為 90%，
除了直方統計之外，也能透過分析腦波訊號能量大小發現癲癇。YOO et al. [12]提出取子
頻訊號的能量特徵，他使用七個帶通濾波器於 8 個腦電波頻道，頻率範圍為 2 到 26hz
取得子頻訊號，最後利用 SVM 對頻帶作分類取得癲癇特徵，Accuracy 為 84.4%，這個 方法是透過癲癇發作與癲癇未發作時的能量作分析來擷取癲癇發作特徵的時域分析方 式，此方法相較於原本取整段訊號的能量的方式更能夠得到更多離散的特徵向量，除上 述方法之外，也能將腦波訊號資料經過統計方法，將時域的訊號資料透過統計方法找出 特徵，做癲癇的偵測。Dalton et al. [13]開發一套體感裝置，它基於統計運算過後的時域 訊號進行監測與檢測癲癇是否發作，這些統計運算包含均值、變異數、亂度等等……，
之後利用動態時間規劃對訊號區段中的樣本訊號及被測試的訊號之間做校準以取得其 自相關性，這個方法的Accuracy 為 91%。
(二) 頻率域方法
癲癇偵測可以透過頻率域方法偵測，將訊號透過傅立葉轉換，訊號由時域轉為頻 率域，利用強度(magnitude)和相位(phase)做癲癇偵測的判斷，以下將介紹過去利用頻率 域方法做癲癇預測之研究。
首先介紹利用相位進行癲癇偵測之方法，Rana et al. [14]提出一種利用頻率域方法的 癲癇預測方法，他們利用相位斜率指標(phase-slope index; psi)分析電極間的因果關係，
通過 psi 找癲癇發作與未發作的電極活動大小，其實驗經由五名病患，時間長度為 258
小時，共發作 47 次，這個方法成功偵測全部的發作，測試的 Accuracy 為 100%，結果 表示該訊號有強烈的活動就能被偵測到;除此之外 Khamis et al. [15]利用相位微分找到瞬 時頻率將其用來做癲癇發作偵測，經過收集癲癇發作時與未發作的腦電訊號資料，然後 透過濾波器找出電極的電位差，經由測量出來的頻譜大小判斷是否有癲癇發作，將這些 頻譜作分類，這個方法的癲癇預測 Accuracy 為 91%，由於腦波訊號是複雜的非平穩與 非線性訊號，不容易經由固定的數學模型來描述這些非線性訊號特徵。Acharya et al. [16]
提出一個改進方法用於偵測腦波訊號的正常(normal)、發作前(pre-ictal)、發作中(ictal)三 種區間內的非線性訊號，他將腦波訊號透過四種相位亂度特徵選取，再將特徵放入多種 分類器，透過這些亂度特徵與分類器，更有效的提取非線性的特徵，並於研究中發現搭 配模糊分類器效果最好，分類這些非線性特徵的 Accuracy 達到 98%，能夠有效的將發 作與未發作的特徵分類。
三、 癲癇預測
(一) 時間域方法
Zandi et al. [3]其對腦電波訊號片段取零越率(zero-crossing rate)，開發一個的癲癇預 測方法，其架構流程如圖三所示，首先他建立許多不同的視窗區間統計圖並且選擇特定 的直方圖組距(bins)，並將腦波資料分成正常狀態(inter-ictal)和發作前(pre-ictal)等發作狀 態，然後將這兩個狀態作為比較的直方圖透過貝葉思高斯混合模型分群，透過分類之後 找到癲癇發作的特徵值，最後將此特徵值當作門檻，以發出癲癇發作警報，這個方法測 試於 561 個小時共包含 20 位病人及總共 86 次的癲癇發作，最後達到的預測成功率為 88.34%。Aarabi et al. [20]利用更多種的特徵來取癲癇發作特徵，如圖四所示，先將訊號 透過濾波器範圍為0.5 到 100Hz，之後將訊號以 10 秒不重疊做分段，用於關聯維度，相 關熵、李亞普諾夫指數(Lyapunov exponent)、李亞普諾夫複雜度(Lempel-Ziv complexity)
以及非線性獨立做特徵分析，其癲癇預測率為90%，過去研究中發現大部分的癲癇發作
預測方法容易受到生理週期的影響。Schelter et al. [21]提出了一種改善錯誤預警率的方 法，他們將輸出的值經過平均關聯演算法(mean phase coherence; MPC)，減少生理週期導
致的錯誤預警機率，此方法減少了40%的錯誤預警率。
圖四 [20] Aarabi 癲癇發作預測特徵
圖三 [3] Zandi et al. 基於正零越點區間分析架構圖
(二) 小波域方法
小波域訊號分析可用於癲癇偵測更可延伸到癲癇預測上，利用發作前的資料來做癲 癇預測，以下介紹過去文獻關於小波域的癲癇域發作預測方法，Hung et al. [17]設計基於 小波轉換癲癇預測演算法的超大型積體電路(very large scale integration; VLSI)，利用關聯 維度(correlation dimension; DC)與相關係數，這個系統包含運算功能與控制單元，運算功 能單元包含，小波轉換、相關性、維度、關聯維度與癲癇預測。小波轉換分解腦波訊成 四個子帶(0 to 63 hz, 64 to 128 hz, 0 to 1 hz, and 32 to 64 hz)，利用相關維度和相關係數於
相位空間計算癲癇發作預測特徵。他們使用IEEG data 的資料庫，這個資料庫共包含十
一個病人取樣頻率為256hz，這個方法平均預測 Sensitivity 達到 87%，Rojas et al. 他們 則是利用大腦的活躍度當作發作判斷，低頻取delta: 0.5 to 33 hz、 theta: 3 to 8 hz，高頻 取low gamma: 40 到 70 hz、 high gamma: 70 到 140 hz，這個方法的平均預測 Sensitivity 為98%，錯誤預警率為 1.84/hour。Wang et al. [22]使用由小波轉換後的腦波訊號做赫斯 特指數、關聯維度、李亞普諾夫指數(Lyapunov exponent)及亂度特徵運算，之後利用近 似 最 鄰 近(K-nearest neighbor algorithm: KNN)進 行 特 徵 分 類 ， 找 到 癲 癇 發 作 預 測 的 門 檻 ， 最 佳 預 測 Sensitivity 為 73%。 Chiang et al. [18]開發增進癲癇發作預測特 徵的訓練速度，他們的方法基於Mirowski et al. [19]，他們利用非線性相依性、交互相關 性(cross-correlation)、李雅普諾夫指數(Lyapunov exponent)，如果連續兩段訊號都被判斷 為發作前時則對資料做後置處理，以減少錯誤的警報率，他們的預測Accuracy 為 74.2%
並提高29%的訓練速度。Soleimani et al. [23]提出簡易且快速檢驗發作前的方法，主要他 們同時利用時間域與小波域特徵，並利用類神經模糊系統合併這些特徵，取得癲癇發作
(三) 主成分分析與獨立成分分析法
主 成 分 分 析(principal components analysis; PCA) 與 獨 立 成 分 分 析 (independent components analysis; ICA)近年來有許多相關的研究。PCA 利用正交變換把訊號轉換到另 一個平面座標，進而降低資料的維度，用在癲癇發作預測上面，可以有效的減少特徵量，
然後透過ica 將需要的資料獨立出來，以下將介紹其他學者提出的相關方法。
Miri et al. [24]提出一種基於混沌理論與非線性動態癲癇發作預測方法，這個方法基本九 個步驟，從六個頻道取原始腦波資料、透過濾波器降噪、將訊號每五分鐘切割成一個區
塊、訊號經過pca 分解、第一次 pca 時計算零越率、第二次基於上次計算的零越率、製
作Poincare' Map、做特徵擷取，最後得到發作特徵。這個方法的 Sensitivity 為 86.6%，
錯誤預警率為0.067/小時，另外 Williamson et al.[25]則是計算腦波訊號的空間延遲相關 性與協方差矩陣特徵，並搭配SVM 做分類，這個方法的 Sensitivity 為 85.5%，錯誤預警 率為0.033/h。
圖五 [1] 癲癇偵測應用流程圖
四、 癲癇發作預測應用
癲癇偵測應用，Ramgopal et al. [1]提出一篇關於醫療照護之循環系統，其架構如圖 五[1]所示。首先這個系統提供一個活動式的反饋式循環系統，經由穿戴式的裝置，如 智慧手表、攜帶式的腦波耳機，進行自動或半自動監控病人的生理訊息，再來將資料 透過無線網路送到個人電腦或其他運算裝置上面，最後在發現異常狀況時，自動啟動
癲癇偵測應用，Ramgopal et al. [1]提出一篇關於醫療照護之循環系統，其架構如圖 五[1]所示。首先這個系統提供一個活動式的反饋式循環系統，經由穿戴式的裝置，如 智慧手表、攜帶式的腦波耳機，進行自動或半自動監控病人的生理訊息，再來將資料 透過無線網路送到個人電腦或其他運算裝置上面，最後在發現異常狀況時，自動啟動