特徵分析

MER 訊號特徵方析大致上可分成兩類，第一類針對 MER 時域部分進行特徵分析，第二 類針對 MER 頻域部分進行特徵分析，最終目標都是希望透過不同的分析方法量化數據及結 果，用來協助外科醫師在手術中判斷 MER 訊號來自大腦中哪個區域，以便將電極植入預定目 標。

Simona et. al [17]提出在 STN、SNr 或其他區域中不同的位置特徵數值會有差異，並分析 在不同性別特徵數值是否依然存有差異。此方法在對誤置進行分析時可以得知在 STN 中 number of spike 與 average nonlinear energy 較高、rising time 與 duration time 較低。在對性別 分析時可得知男生有較高的 average nonlinear energy 與 rising time，女生有較高的 number of spike。以下為六種特徵值

(1) Number of spike：平均每秒鐘出現的 action potential 次數。

(2) Rising time：如圖 2.4 (a)所示，為某 action potential 起始點至 amplitude 最高點經過時間(a 點至 b 點)。

(3) Duration time：如圖 2.4 (b)所示，為某 action potential 起始點至結束點經過時間(c 點至 d 點)。

(4) Average nonlinear energy：定義為可將振幅及頻率轉變為單一變量：

E(n)= 1

N-2∑ x_i²-x_i-1*x_i+1

N-1

i=2

(5) Peaks

1

2∑ max⁡{0, 𝑠𝑔𝑛[𝑥_𝑖+2− 𝑥_𝑖+1] − 𝑠𝑔𝑛[𝑥_𝑖+1− 𝑥_𝑖]}

𝑛−2

𝑖=1

(6) Zero crossings

1

2∑|𝑠𝑔𝑛(𝑥_𝑖+1) − 𝑠𝑔𝑛(𝑥_𝑖)|

𝑛−1

𝑖=1

黃麒璋 [18]沿襲上段所使用的相同特徵值並先利用經驗模態分解法(empirical mode decomposition, EMD)分解 MER 訊號，接著利用本質函數(intrinsic mode function, IMF)觀察訊 號特徵，而結果 number of spike 在 STN 中與其他區域有較明顯的提升而 rising time 在 STN 中 較明顯的穩定，訊號利用經驗模態分解法降躁後計算的特徵值其特徵值隨不同位置變化更為 明顯，因此提高辨識的正確率。

Ciecierski et. al [19]與 Novak et. al [20-21]相較於以上文獻皆利用時域進行特徵值計算，

提出頻域特徵值計算方法。Ciecierski et. al 利用 MER 訊號在經過雜訊抑制號後 1 ~ 100 Hz 的 各個深度的頻譜能量加總，利用特徵值在 STN 中會出現明顯的提高進行 STN 位置的判斷，

利用此方法不僅可以判斷 STN 位置也可以判斷較好植入路徑，此方法輔助進行路徑挑選其結 果在 20 位病人中，有 71%可以挑選到更好的路徑。

(a) (b)

圖 2.4. 時域特徵值示意圖(a)動作電位之 rising time 及 rising time area 示意圖 (b) 動作電位之 duration 及 duration area 示意圖

Novak et. al [20-21]提出利用 MER 訊號中 multiunit activity (MER 訊號中 500 Hz ~ 2000 Hz 部分)的頻譜能量密度在 STN 中會出現明顯的提高，利用此方法與醫生判斷進行比較其結果 在 10 位病人 50 段訊號中判斷進入 STN 深度誤差為 0.31±0.84mm 離開 STN 深度誤差為 0.44±0.47 mm，彼此之間差異性只有 5.6%相關係數為 0.79，與醫生在術中臨床判斷相當吻合。

Wong et. al [22]提出為先分別對於微電極訊號以及動作電位進行特徵計算再利用多種特 徵在多維空間中 k-mean clustering 的歐基里德距離，再將其繪製出 activity map，利用 activity map 不僅可以判斷出整段訊號中 STN 的位置，更可區分不同深度錄製的訊號在何處神經元區 域中，如圖 2.5 所示，此結果在 39 位病人中判斷 STN 上緣邊界深度誤差為 0.0422 mm ± 0.3164 mm，STN 下緣邊界深度誤差為 0.0422 mm ± 0.3164 mm，有 95%以上誤差小於 1mm。

Gemmar et. al [23]提出利用三個層級對 STN 進行判斷，每個層級都會用不同的判斷方法 來判斷 STN，第一層先利用各 frame 點中中位數與平均的比例判斷是否有背景活動的增加並 標記出疑似 STN 的區域，第二層在將訊號進行小波分解計計算出典型 STN 會出現的不規則 變化進行疑似 STN 的標記，最後在第三層對於前兩層的結論進行整合得到確切的 STN 位置，

此方法與手術紀錄相比有 95%的正確性。

圖 2.5. Activity map 判斷之結果