研究背景與動機

人類的大腦是一個產生意識、思想、情感和行為的器官，由神經元、膠質細

胞、上皮細胞和血管所組成，神經元（Neuron）被認為是大腦的重要成分[1]，腦

部包含大約 1000 億個神經元，每個神經元可與其餘神經元產生上千種不同的連

結。

多數的神經元發出動作電位（Action Potential）來彼此溝通，動作電位在研

究領域中又被稱為棘波（Spike），為一連串的離子通過細胞膜後，離子重新分配

所造成的電位差，產生短暫且特殊的波形，持續的時間約為 1~4 毫秒(ms)[2]。透

過分析和區別動作電位，也就是棘波排序（Spike Sorting），我們才得以更進一步

的解密人類大腦[3]。

棘波排序是設計腦機介面（BMI, Brain Machine Interface）所需的步驟之一[4]，

腦機介面是利用腦波來與外部設備溝通的介面，自 1970 年代，由UCLA開始研究

至今，從動物實驗到人體實驗，應用的領域包含醫療、運動訓練、遊戲、教育等

等，雖然腦機介面不斷地改良和推陳出新，但由於生物大腦是一個極為複雜的系

統，我們並未全面了解它的奧秘，腦機介面的發展也還未達到顛峰，仍尚有進步

第一章 緒論

網（EEG Net）或腦電波帽(EEG Cap)等等，直到 2008 年，美國NeuroSky公司開

發出第一款不需塗抹導電膠的乾電極腦波偵測器，並且可以過濾掉周圍雜音、電

器設備、眼動雜訊及交流電訊號的干擾[5]，腦機介面才開始獲得主流媒體的關注，

最廣為人知的例子是與NeuroSky合作的日本公司Neurowear所推出的「貓耳朵」

Necomimi。

第一章 緒論

雖然非侵入式的方法不需動手術，較符合大眾使用，但所蒐集到的訊號從神

經元傳至頭皮表層已經相當細微且混合，以目前的設備和技術，從訊號中獲得的

控制資訊相當有限，無法進行複雜的操作，也直接限制腦機介面的應用範圍，所

以腦電圖較常拿來診斷病人是否罹患疾病，如：檢視棘波和判斷腦中是否異常放

電，來確認病人是否罹患癲癇。

註：腦電圖（EEG）中的棘波與棘波（動作電位）意義不同，腦電圖是紀錄由數

以千計的神經元放電所造成的細胞外場電位變化，體表測得的電位，是多處的總

和，此棘波代表的意義為腦部異常放電所產生的訊號高凸現象，好發於癲癇病人

腦中。

但不管透過何種方式獲取腦部訊號，首要面對的問題便是大量的雜訊干擾，

由於體內、外雜訊與周圍神經元所發出的訊號干擾，直接影響棘波分類的正確率，

增加區分不同棘波的困難度，再者數小時蒐集到的資料量往往非常的龐大，在個

人電腦上運算也要耗時數小時甚至一天的時間，隨著腦機介面的發展，即時分類

也成為必要的條件之一，在講求正確率與效率的情況下，使得棘波分類被視為一

項不容易的工作。這也是 1929 年Hans Berger發明腦電圖和 1958 年Strumwasser

發明微電極陣列後，經過數十年，還有如此多研究人員投入研究的原因。

第一章 緒論

常用的特徵擷取方法為主成分分析（PCA, Principle Components Analysis）[7]

和小波轉換（Wavelet Transform）。PCA是一種簡化數據、降低資料維度的方法，

透過對共變異數矩陣進行特徵分解，來得出數據的主成分（即特徵向量）與權值

（及特徵值），此方法雖然能有效降低數據維度，但計算過程較於複雜。GHA

（Generalized Hebbian Algorithm）[8]為PCA的變形，藉由突觸權重向量w依公式

不停迭代計算後，w將趨近於輸入向量x的特徵值， x與w的內積為特徵擷取的結

第一章 緒論

以上簡要提出三種特徵擷取的方法，這些法則皆可搭配不同的分群演算法成

為一套特有的棘波分類系統，最基本的分群演算法為K-means分群法也可稱為

C-means分群法，從數據集中任選k個點作為群集的中心，將距離群集最近的數據

歸類到此群集，再重新計算群集的中心，重複上述步驟即完成分群，此法則簡單

快速，但缺點為對初始值敏感，對於不同的初始值k，可能導致差異極大的分群

結果，在雜訊高和有異常點（Outlier）的情況下分群效果也不佳。

FCM（Fuzzy C-means）是根據C-means分群法衍生而來的法則，加入模糊理

論的概念，使得數據不絕對的屬於任何群集而是以介於 0-1 之間的值來表示隸屬

程度，期望提升分群的效果。其他還有SPC（Superparamagnetic Clustering）[9]、

Bayesian Classification方法等等，這些法則雖然擁有一定的分群效果，但都有共同

的缺點──必須指定分群數目，由於我們無法明確地知道微電極蒐集到的棘波共

有幾種，為了增加分群的準確率，需額外利用分類指標（Cluster Validity Index）

來計算最佳群集數，如以FCM為主的分類指標法則[10]。

上述的棘波分類法則，不論是PCA和K-means、小波轉換和SPC、GHA和FCM的

搭配，皆需一段時間的離線訓練（Offline Training），雖有不錯的棘波分類精

第一章 緒論

PCA+K-means WT+SPC GHA+FCM OSort

可用於即時分類 否 否 否 是

二為電路Controller的設計，OSort演算法為一個有限狀態機（FSM, Finite State