第一章 緒論
1-1 研究背景與動機
大腦負責處理人類的一切感官資訊，是人類身體中最精密且複雜的器官。
人類可以動作、記憶、學習、還有透過五感去感受這世界的一切，都是利用佈滿 腦內的神經元(Neuron)所互相聯絡完成的。人類的神經元大概有十億個，因為有 如此龐大數量的神經元，我們人類可以完成許多複雜的動作，還有產生多元的情 感。即使是科技發達的現在，人類對於大腦的了解還是相當有限，有研究指出我 們終其一生也只發揮了大腦 5%左右的能力而已。所以我們打算透過研究神經元 訊號，進一步的了解大腦的運作，也許可以用來開發大腦的能力或是去重建且創 造人們的感官。
神經元，是一種能被電流訊號激發的神經系統核心單元，它能透過電流 和化學能信號交替轉換的過程來傳遞信息。 神經元所發出的訊號，其實就是 細胞膜內鈉鉀離子變化所產生的電位差，我們稱之為動作電位(Action Potential)。
而偵測棘波的方法一般有兩種方式(1) 透過植入體內的微電殛探針(2)體外的有 線裝置來偵測訊號。將偵測到的這一連串動作電位組合起來，就形成了所謂的棘 波序列(Spike Train)。
棘波排序這項技術的目的就是把偵測到的混合訊號中將來自不同神經元細 胞的訊號給區分出來。主要可分為棘波偵測、特徵擷取、棘波分類這三個部分。
2
1-2 研究目的與方法
前面有提到棘波排序(Spike Sorting)[1]的技術主要分成棘波偵測、特徵擷取、
棘波分類這三個部分。因為棘波偵測是棘波排序演算法中的第一個階段，所以棘 波偵測效能的好壞就直接影響整個系統的優異了。所以本論文主要是提出一個新 的回饋式棘波偵測演算法來提升棘波偵測的準確度，進一步的提升整個棘波排序 的效能。
而要決定方法之前，我們先從了解預計要偵測的資料來源開始，接著再介紹 各部分所用到的技術。棘波排序的資料來源通常是透過腦機介面(Brain Machine
Interface，BMI)[2]所獲得。腦機介面獲得棘波的方式主要可以分成兩種，(1) 侵 入式 (2) 非侵入式。其優缺點如下表所示。
侵入式 非侵入式
優點 偵測正確率高 安全性高
缺點 危險性較高 正確率低
表格 1-1 獲得棘波序列的方法
3
(1) 侵入式
所謂的侵入式腦機介面，就是指在顱內植入微電極探針，並利用探針偵測周 圍的神經元細胞所發出的訊號，其好處是用這種方式獲得的訊號可靠度較高，比 較不會受到雜訊的干擾。相對的壞處就是要將探針置入腦內的危險性較高，通常 需要有專業的外科醫生在旁協助。
(2) 非侵入式
所謂的非侵入式腦機介面，是指利用外部的有線裝置來獲得腦部的神經元活 動資訊，這種方式的好處是對人體的危害程度低，也不需要專業的外科醫生在旁 協助，只是相對來說，偵測出來的訊號受雜訊的影響就比較嚴重。
不管是用哪種方式偵測，所獲取的棘波序列都是由不同的神經元細胞所發出 的訊號的集合，且難免都會受到雜訊的干擾，所以一個好的棘波排序系統，其第 一階段的棘波偵測的準確率相當重要，若第一階段的時候就能將受雜訊跟重疊干 擾的棘波序列處理好，那後續的棘波分類階段就能更準確的分辨出來該棘波是不 是屬於同個神經元細胞所發出的。
而現行的棘波偵測方法中[3]，大致上可以分成兩種偵測方式(1) 振幅偵測 (Amplitude) 跟 (2)能量計算(Energy)。其比較如下表。
4
表格 1-2 棘波偵測的兩大種類
(1) 振幅偵測(Amplitude)
最基本的振幅式棘波偵測方法，是訂定一個閥值，然後對棘波序列取絕對值，
若棘波序列上有超過該閥值的部分，就判斷該部分為棘波。這個偵測法則的缺點 就是準確率偏低。
(2)能量計算(Energy)
能量計算式的棘波偵測，主要是計算各點之間的關聯性，例如 NEO[4]，其 演算法的核心為計算棘波序列中各點的平方與相鄰此點左右兩點的乘積之能量 差，然後再判斷該能量是否大於閥值。這樣的優點在於偵測結果不會被突然出現 的雜訊給影響。除了 NEO 之外還有 SWT(Stationary Wavelet Transform)[8,9]也都 是屬於計算能量式的棘波偵測。以上提到的這些方法的運算複雜度都很低，效能 也不錯，但是閥值難訂定，就算搭配了其他自動定義閥值的演算法[4,6,10]。而 且當雜訊值逐漸增大的時候，偵測效能也會急速下降。
方法 Amplitude Energy
運算複雜度 低 略高
偵測效果 雜訊:低 弱 好
雜訊:高 弱 弱
5
比較上面兩種偵測方法，我們新提出來的演算法基本上就使用了(2)能量計 算式的棘波偵測法。但是為了改善(2)計算能量式的棘波偵測的缺點，我們也使 用了另一種利用模板來偵測棘波的演算法。這種利用模板來偵測的演算法中，最 典型的例子就屬於 Matched filter[5,11,12]了。
Matched filter 演算法是利用特定的棘波產生一組模板，並利用此模板與棘波 序列做摺積後的值來進行偵測，若值大於閥值，就是偵測到棘波。這演算法可以 視為是一種 correlator。 Matched filter 已經被廣泛運用在通訊系統中的雜訊偵測，
而它的缺點在於效能太過依賴模板的選擇了，當模板與棘波序列中的波型相差太 多的時候，偵測錯誤的機率就會大幅的提升。而且由於無法預測出棘波序列中所 包含的棘波種類，所以也無法得知該準備幾種模板來偵測棘波序列。
為了改善以上的缺點，有人提出了自動模板生成的 Matched filter[13]，該演 算法的模板是利用高於閥值的棘波的中間值計算所獲得，而獲得的模板可以對應 於不同的神經元發出的訊號。 該演算法雖然解決了模板產生的問題，但是只會 產生一個模板，而靠這單一個模板要偵測所有的棘波訊號似乎略顯不足。
不管是振幅式或是能量式的棘波偵測，以上那些現有的棘波偵測方式的共同 特點就是只在棘波偵測階段處理有雜訊的棘波序列，偵測完的結果就丟到特徵擷 取階段，從此以後這些資訊就不會再被棘波偵測階段給使用。所以我們提出了一
6
種新的回饋式棘波偵測系統。其系統會利用特徵擷取階段的結果產生出模板，再 回饋給棘波偵測階段來提升棘波偵測的準確率。因為在特徵擷取階段的結果通常 含有許多棘波序列的資訊。例如: 該棘波序列中所含的棘波個數和所含棘波的峰 值，這些資訊有助於幫助模板的產生以及知道必頇產生的模板個數，並估計出各 種波型的平均值。
在棘波擷取的演算法[14-16]上，有許多是使用 Principal Component Analysis(PCA)[17]或是其相似法則。 而在分群方面，則是 K-means、Fuzzy C-mean(FCM)[18]這兩種演算法較為廣泛使用，但是他們都需要經過長時間的離 線訓練才可以達到一定的分群效果，所以很難用於即時的回饋式棘波偵測系統上。
根據上述原因，我們新提出的回饋式棘波偵測系統在特徵擷取方面是使用 Osort 演算法。我們利用 Osort 演算法經過非監督式的棘波分類產生出模板，所以它並 不需要經過特徵擷取跟分群的訓練，而在分群方面的效能也比 WaveClus[10] 和 KlustaKwik[14]這兩種演算法優異，所以我們的回饋式棘波偵測系統選擇使用了 Osort[19]法則。
我們結合了 Osort 演算法解決了模板的產生問題後，接下來要解決棘波偵測 系統中，閥值不好訂定的問題。我們詴著將模板和棘波序列做 Normalized correlator，並計算兩者的平方誤差(squared distance)，再經過一些簡單的推導來 制定出適當的閥值。
7
到這邊為止，我們解決了模板的產生跟閥值的訂定這兩大問題。但是因為我 們新提出來的架構，對模板跟棘波序列多做了 Normalized correlator 運算，所以 會比傳統的 Matched filter 更加耗時。於是我們提出了一個加速計算的演算法，
改善了這個缺點，此加速演算法是透過將能量過低的棘波序列過濾掉，使其不進 行 Normalized correlator 的計算，進而降低整個系統的計算時間。
統整一下上面所講的，我們提出的回饋式棘波偵測系統的主軸是使用由
Osort 演算法提供的模板來進行 Matched filter 棘波偵測。而在一開始的初始階段，
因為還沒有棘波分類的結果回饋給 Matched filter 棘波偵測運用，所以我們是使 用 generalized likelihhod ratio test(GLRT)[7]的動作來進行偵測。
為了評估系統，我們使用由 Professor Leslie S. Smith 所開發的神經元訊號模 擬器[21]，來產生各種雜訊干擾下的棘波序列。根據實驗結果顯示，我們提出的 回饋式棘波偵測系統，可以有效的利用由 Osort 產生的模板來提升偵測的準確度，
而且該演算法在高雜訊的影響下，跟其他基於能量計算的棘波偵測演算法比較下，
還是有很好的表現。
8