EEG 頻譜和受測者警覺性的關係

我們利用 Correlation Coefficient 的方法，在 40 個 EEG 的頻率（1∼

40Hz）求出 EEG 功率和車子偏移量的關係值，如圖 4-5 為五個受測者共十 次實驗中，各頻率之 Correlation Coefficient 之值。可以看出在 20Hz 之前都 是正相關，而在 7、12、16 及 20Hz 其值較大，把這幾個頻率之各點的 EEG 和車偏移量關係值，在腦殼之俯視圖上用顏色表示如圖 4-6，顏色越深關 係越強。可發現關係較強的地方在頭的中間和後面，而實際之應用上，以 越少的點能知道駕駛者的狀況越實用，所以我們取 Pz 和 Cz 來分析。

接下來比較各實驗之關係值的相關性，在圖 4-7 與圖 4-8 為兩個受測 者各兩次的實驗中，在 Fz、Cz、Pz 及 Oz 各頻率之相關值。從兩者可以看 出，同一受測者相關值曲線類似，而每個受測者會不同，因此針對同一受 測者建構心理負荷模型以實行即時精神狀況的分析較為可行的。

圖4-5、五個受測者各頻率之 Correlation Coefficient 之值

圖4-6、腦殼之俯視圖

圖4-7、受測者一在 Fz、Cz、Pz 及 Oz 各頻率之相關值

圖4-8、受測者二在 Fz、Cz、Pz 及 Oz 各頻率之相關值 4.2.5 行車狀況的估計與預測

在我們的研究中，採用 Cz 及 Pz 兩點之 EEG power spectrum 和車子之 偏移量加上 multiple linear regression model 估計和預測行車的狀況，只使 用此兩點是因為其 EEG power spectrum 和車子之偏移量的關係值較高，此 外，使用較少的電極可提高實用性。在時間和頻率的分析後，我們得到各 時間的 EEG power spectrum，取實驗中連續 45 分鐘的時間，每隔兩秒（500 點）的區間中，會有 1350 個 EEG 功率的估測在 60 個頻率上（1∼60Hz）。

接著在所有取對數值的 EEG 頻譜中，使用 PCA 找出最大變化的方向（軸）， 藉由將 EEG 頻譜資訊投影在 PCA 主軸的方式，取出相對應最大特徵值排 序的投影量，做訓練行車狀況模型的輸入值。

所有的模型都是由各受測者的一次實驗中訓練得到，另一次實驗的資 料則用來測試，而從訓練時得到之 PCA 的參數，將會在測試的資料時以相 同的方法使用。而線性回歸模型是用 50 階的線性多項式，成本函數（cost function）用誤差的最小平方（least-square-error）。

圖 4-9 為在一次實驗中訓練出模型，再用同一筆資料作測試，估測出 各時間之行車的狀況（車子離車道中心之偏移量），並與真實的情形比較，

兩者再取 Correlation Coefficient 的值 r 約為 0.88。若是用另一次實驗 數據當測試為圖 4-10，算出之 r 值約為 0.7。

在十次的實驗中，以訓練的資料當測試得到 r 值的平均為 0.90±0.034，

而以另一次實驗當作測試得到之 r 值的平均則為 0.53±0.116，這結果顯示 我們使用少數的 EEG 來估測行車狀況雖然尚可改善，然其可行性相當高。

圖4-9、訓練資料之估測

圖4-10、測試資料之估測