研究背景及動機

第一章探討本論文的研究動機、研究目的以及進行此研究的意義。第一節

介紹本研究的動機與目的，解釋相關且重要的背景知識，去檢視目前現有的相

關論文研究進行優劣的比較，並提出本論文研究所開發出的架構。第二節則說

明本論文的研究目的以及後面的研究目標。第三節會條列顯示本論文各章的內

容。

第一節 研究背景及動機

近年來隨著醫學技術的進步，以及硬體方面技術的成長，人類對於大腦的

研究技術和知識越來越蓬勃發展，相關的研究與討論在世界各地也越來越熱

絡。而當我們談到人類對於大腦的研究，腦波可以說是大腦研究中近幾年最為

人所感興趣的其中一項，也是很熱門的研究議題。而這是因為人類的思考運作

以及生活上各種的行為動作，都與腦波息息相關，隨著人的行為不同，腦波所

呈現的波型也會跟著有所變動，因為腦波就是人在活動時，腦神經細胞活動所

引起的電位差。

假如我們有某種方法可以去解讀腦波的所提供的資訊，來去對應到人的行

為模式上，則將會在各個領域上打開一到新的大門，突破到一個新的境界上，

例如透過腦波分析可以幫助因為意外而失去手臂或是雙腳的病人，透過解讀病

患大腦的思緒結合外部的輔助設備，如透過溝通來操控電動輪椅或是機器手

臂，將外部的設備取代成病患的器官，維持身體的功能。或是在教育領域上，

可以藉由偵測學生的腦波，透過腦波來分析學生的精神狀況，當透過腦波解讀

出學生處於精神疲勞的狀況，則課堂老師可以做適當的放鬆休息，或是調整難

易度，等到學生精神較集中的時候，再來給予難易度較複雜的教材，來達到更

好的學習成效，以此改善學習的效果。透過上述例子可以發現腦波研究的應用

範圍相當廣泛，並且也在近幾年當中不斷地蓬勃發展，雖然相關的演算法則以

及系統技術面還發展不夠成熟到可以大量生產的階段，但在世界各地的實驗室

已經陸續有測試產品出現。

我們在分析腦波之前，要先使用硬體設備從人腦中偵測腦波，而目前偵測

腦波的設備主要分為兩種方式，其一為侵入式裝置，主要是透過醫療手術在人

腦中埋入晶片或是透過探針深入人腦中，進行腦波的偵測，並取得腦波訊號，

另一種則是非侵入式裝置主要是使用腦波帽等等的儀器，透過腦波帽上的感測

器直接從外部去擷取腦波訊號，這兩種方式的差別在於侵入式因為需要將儀器

深入腦部，所以要擷取腦波的資料較不容易徵得受測者，因為畢竟是要動手術

將設備侵入人體，所以受測者會有所顧慮，較難取得受測者的意願，但好處是

所得到的腦波訊號比起非侵入式較為準確乾淨，不易受到雜訊的影響，而另一

種非侵入式裝置則為反之，好處是較容易徵得受測者進行腦波的偵測，來取得

資料，但壞處是容易受到頭髮、眼皮跳動等雜訊的干擾，影響腦波的波型。

在腦波分析的應用中，擁有效果好的棘波分類系統( Spike Sorting System )

動，稱為是「動作電位( Action Potential )」或稱為「棘波( Spike )」。透過探針

或是腦波帽等設備所蒐集到的波型，會因為人類進行不同的思維，做出不同的

行為模式，而產生不同的波形，因此我們只需要分析所蒐集到的棘波波形，便

可以得知這筆棘波波形訊號所代表的意義。之後將這些資訊整理歸納，得出訊

號與神經元的關聯，就能透過一些醫療上的知識協同下，了解這筆訊號在人類

行為模式下的意義，而這整套進行腦波擷取與腦波分析的系統，稱之為棘波分

類系統( Spike Sorting System )。

腦機介面( Brain-Computer Interface )的研究，在近幾年的發展都是由上述的

理論開始，而相關研究的也發現到如果從大腦的多個區塊中去蒐集腦波，對腦

波分析的成功率與辨識度有顯著的提升，也就是使用多隻探針的探針陣列去蒐

集腦波，所以棘波分類系統( Spike Sorting System )目前已經全面朝向多通道

( Multi-Channel )棘波分類系統[1]發展。

透過上面的敘述，我們可以歸納出一般棘波分類的流程如下：

1. 輸入腦波訊號：輸入由探針或是腦波帽蒐集到的腦波訊號

2. 棘波偵測：從輸入的腦波訊號中，找出棘波訊號

3. 特徵擷取：將找出的棘波訊號，透過分析擷取其特徵

4. 棘波分類：將棘波特徵做分類( Classification )，把同一神經元發出 的棘波訊號歸類為同一群

下圖 1.1 為上述流程之示意圖。常規的棘波分類系統通常包含棘波偵測單

元、特徵擷取單元以及特徵分類單元，會由個別的演算法則做專門處理，而每

個流程使用到不同的演算法，會對整個系統的效能產生明顯的差異。

圖 1.1 常規棘波分類系統流程

本論文的系統設計包含上述三個部分，分別為棘波偵測單元、特徵擷取單

測錯誤。因此在本論文選用非線性能量運算子( Nonlinear Energy Operator，簡稱

NEO ) [5] 作為棘波偵測的核心演算法則。NEO 是一個用來評估測量訊號能量值

中，最著名的是主成分分析演算法(Principal Component Analysis, PCA) [3]，並且

也有研究針對 PCA 設計出了硬體架構[4, 9]。但 PCA 的演算法則相當複雜，特

別是其中的共變異數矩陣以及特徵值分解的部分，運算式會消耗大量的硬體資

源，尤其是在多通道棘波分類電路中，每個通道都要有自己的記憶體單元來儲

存資料，與本論文的低面積目的不符合，因此本論文不採用 PCA 作為特徵擷取

法則。另一個著名的特徵擷取演算法為通用赫賓演算法( Generalized Hebbian

Algirithm, GHA ) [15, 16]。GHA 不用像 PCA 一樣儲存龐大的共變異數矩陣，可

達到本論文低面積、低功耗的目的，像是 Zero Crossing [17]，但其缺點是和

PCA 與 GHA 比較來容易受到雜訊的干擾，而影響之後的分類結果，但優點是複 雜度低，可以縮小硬體面積。因此本論文採用由 Zero Crossing 演化而來，新設

計的特徵擷取演算法，命名為峰值偵測與面積計算法(Peak Detection and Area

Computation, PDAC) [11, 18]，此法則優點和 Zero Crossing 同樣是運算式簡單複 雜度低，並且無須配置給每個通道額外的記憶體儲存空間，將一組運算單元分

享給所有通道，合乎本論文的低面積、低功耗目的，並且經過驗證和 Zero

Crossing 相比，最後的分類結果辨識度較好。

而最後的棘波分類演算法，通常分為兩個階段，一開始為學習階段，目的

是要透過非監督式的學習演算法學習出每群的中心點，當學習完成之後將群中

心點交給後面的分類演算法則，為之後輸入的特徵值做分類產生分類結果。在

FCM )、K-means、競爭學習演算法( Competitive Learning Algorithm )等等，FCM 演算法的缺點在於在運算過程中，需要去處理關聯係數(membership

最後的棘波分類器，本論文是使用最近鄰居分類法( Nearest Neighbor

Clustering )，其優點在於運算方式簡單，且競爭性學習法則在學習階段實的競爭 規則也同樣是採用最近鄰居分類法則做判斷，在學習階段就同時產生分類結

果。而最近鄰居分類法的運算規則只要將輸入的特徵值和每類的中心點去做距

離的比較，將輸入的特徵值透過像是歐氏距離( Euclidean distance )等距離運算

式，去找出輸入的特徵值資料和哪一類的中心點距離最接近，則將該輸入的特

徵值判斷屬於該一類。

本論文將硬體電路架構實作於 ASIC(Application-Specific Integrated Circuit)開

發流程。使用 ASIC 開發不同於 FPGA 的差別在於 ASIC 所開發出來的是專用晶

片，可以透過設計方式去掌握晶片的面積以及功耗。本論文使用 TSMC 90nm 製

程做電路的合成與模擬，並加入 clock gating 技術，進一步的降低電路的動態功

耗(Dynamic power)。