基於P300腦波辨識系統軟硬體實現之研究

全文

(1)國立臺灣師範大學資訊工程研究所碩士論文. 指導教授：黃文吉博士. 基於 P300 腦波辨識系統軟硬體實現之研究 Software/hardware implementation of P300-based classification system. 研究生：楊孟蓉撰. 中華民國. 一百零五年七. 月.

(2) 中文摘要本論文希望能研究出一套適用於商業化發展之腦波擷取與分析之系統，其中包括擷取腦波、分析腦波、與腦波分類，其中在腦波資料較少的情況下我們希望能實做出快速分類腦波的硬體電路，使用廣義迴歸類神經網路(GRNN)來做分類，因其不需要太多資料即可做出很好的分類結果，然而腦波一次分析的資料量龐大，希望能加速 GRNN 分類之運算，故以硬體實作 GRNN 法則。硬體實作方面採用浮點數運算，以增加硬體電路運算之精準度，而 GRNN 分類結果在軟硬體實作上皆有良好之分類準確率。而實驗結果顯示軟體與硬體運算結果雖然有些微的誤差，但分類結果一致。本論文的研究目的為開發出一套能方便且快速應用 P300 腦波的系統，以期能用於特殊病患與外界溝通之用。. 關鍵字:腦波擷取、P300、類神經網路. I.

(3) 誌謝首先我要感謝多媒體通訊暨系統晶片實驗室的指導教授黃文吉教授，黃教授總是能適時的給我鼓勵與幫助，在研究遇到瓶頸時會給我意見，但讓我有很多獨立研究的空間，以培養獨立解決問題的能力，並且給我很多學習軟硬體實現方法的機會。再來我要感謝我的家人，願意包容我常常早出晚歸，並且在我感到人生不如意時給我很多鼓勵與建議，不管是研究方向還是人際關係的處理都給我很多寶貴的意見。最後我要感謝與我一起奮鬥的同學與好友們，元俊、育君、雅慶、松甫、凱文、書豪、林岳，謝謝你們讓我的研究生涯充滿歡樂，還有要感謝樂於給予幫助的畢業學長們，尤其是映綸學長、建廷學長與建旻學長，需要幫助時他們都不吝指教，真的非常感謝大家。. II.

(4) 目錄中文摘要 .................................................................................................................................... I 目錄 .......................................................................................................................................... III 圖目錄 ...................................................................................................................................... IV 表目錄 ....................................................................................................................................... V 第一章. 緒論.......................................................................................................................... 1. 第一節研究背景與動機 ..................................................................................................... 1 第二節研究目的與方法 ..................................................................................................... 3 第三節全文架構 ................................................................................................................. 5 第二章. 基礎理論與文獻探討.............................................................................................. 6. 第一節 P300 腦波與 Oddball 實驗之介紹 ......................................................................... 6 第二節類神經網路介紹 ................................................................................................... 11 第三節 GRNN (General Regression Neural Network) 介紹 ............................................ 15 第四節第三章. GRNN 演算法則 ................................................................................................. 16 系統架構................................................................................................................ 22. 第一節研究流程 ............................................................................................................... 22 第二節腦波擷取系統與腦波分類之軟體實作 ............................................................... 26 3.2.1 腦波擷取 ................................................................................................................ 27 3.2.2 腦波分析 ................................................................................................................ 30 第三節硬體電路架構 ....................................................................................................... 33 3.3.1 模式 (Pattern) 單元 ............................................................................................. 35 3.3.2 總和 (Summation) 單元 ....................................................................................... 36 第四章實驗數據與效能分析 ............................................................................................... 37 第一節開發平台與實驗環境 ........................................................................................... 37 第二節實驗結果與效能分析 ........................................................................................... 38 第五章結論 ........................................................................................................................... 46 參考文獻 ................................................................................................................................. 47 III.

(5) 圖目錄圖 2-1 為 ERP 之成分波……………………………………………………………………7 圖 2-2 P300 腦波可被偵測到之電極位置………………………………………………….9 圖 2-3 本論文所使用之乾式電極腦波帽，其提供之電極位置為此八個電極.………..10 圖 2-4 類神經網路方塊圖…………………………………………………………............11 圖 2-5 類神經網路架構圖…………………………………………………………............13 圖 2-6 GRNN 系統輸入輸出示意圖……………………………………………………....16 圖 2-7 GRNN 一般情況架構圖……………………………………….…………………...19 圖 2-8 GRNN 特例情況架構圖……………………………………….…………………...20 圖 3-1 研究流程圖…………………………………………………….………………......22 圖 3-2(a)為視覺刺激顯示之畫面 (b)OpenSesame 軟體撰寫顯示視覺刺激的程式 ..………………………………………………………………………….……………….…24 圖 3-3 為腦波帽接收軟體(a)電極與頭皮之接觸狀況 (b)為腦波帽接收軟體之設定選擇使用虛擬 port COM2…………………………………………………………………………25 圖 3-4 Virtual serial port 建立虛擬的 port: COM1、COM2……………...………….…..26 圖 3-5 實驗環境與設定…………………………………………………………………...27 圖 3-6 P300 視覺拼字系統………………………………………………………...............29 圖 3-7 視覺刺激示意圖…………………………………………………………….30 圖 3-8 P300 腦波之疊加平均示意圖……………………………………………....31 圖 3-9 GRNN 電路架構圖……………………………….………………………………...33 圖 3-10 模式(Pattern)架構圖……….………………………………………………...........35 圖 3-11 總和(Summation)單元架構圖………………………………………………….....36 圖 4-1 使用 FIR 濾波器前處理之結果，圖之上方為處理前，下方為處理後……..…..38 IV.

(6) 圖 4-2(a) 未經處理的原始腦波 EEG…………………..…………………………....…...39 圖 4-2(b) 以事件的發生時間做標記，擷取腦波區段.……………………..………...…40 圖 4-2(c) 疊加平均…………………………………….……………………..………...…40 圖 4-3 為受試者一次量測之結果…………………….…………………….…….….…...42. 表目錄表 4-1 實驗參數………………………………….…………….……………….…….….44 表 4-2 本論文實測之 P300 腦波軟體及硬體分類結果…….….……………..…….…..44 表 4-3 電路各單元與維度之關係圖…………………………..…………….…..….……45 表 4-4 硬體個單元消耗表……………………………………..…………….…….……..46. V.

(7) 第一章. 第一章緒論本章探討本論文之研究背景與動機，與研究目的與方法。第一節介紹研究背景與相關之知識，第二節說明研究目的與方法。第三節敘述本論文之各章節標題與內容概述。. 第一節研究背景與動機目前在腦科學領域中，主要使用兩種方法對腦部進行研究。(1) 功能性磁共振造影 (fMRI). (2).腦電圖(EEG)。. 但 fMRI 需要昂貴的設備，而 compress sensing 的技術也尚未普及，導致取樣過慢。同時，核磁共振多半是使用和器材配套的商用軟體進行分析，導致研究者無法對軟體的正確性進行驗證[1]。腦波儀有成本較低，省電以及體積小的優勢，可以和其他行動裝置做結合。. 有些意外的發生與生理疾病會影響大腦與肌肉的訊號連結，例如:漸凍人、腦部損傷、多發性硬化症、肌肉萎縮、腦部中風癱瘓等，使得病患無法與外界溝通，為了幫助這些病患科學家們致力於發展 BCI (Brain- computer interface) 腦機介面，旨在幫助這些病人與外界溝通，而 EEG (electroencephalographic)適合做為腦機介面的訊號來源，EEG 主要是在頭皮上放置電極量測腦波訊號，再依腦電圖分析腦波頻率其時域上的振幅變化。. 1.

(8) 第一章因為 EEG 的電極是置於頭皮上為非侵入式的量測腦電訊號的方式，所以較侵入式或半侵入式(將電極植入腦皮層與硬腦膜中間)的 ECoG(Electrocorticography)等，雖然其訊號較不清晰，但卻是更為安全的量測方式。然而現在量測 EEG 的的方式雖然較侵入式方便，但大多數是濕式電極，也就是需要在頭皮上塗上凝膠使電極與皮膚的接觸更穩定，本實驗希望將腦波的應用發展能更普及，故使用乾式電極腦波帽量測腦波，希望能夠有商業化的發展性。. 2.

(9) 第一章. 第二節研究目的與方法傳統蒐集 EEG 腦波的方法是在無刺激的狀況下收集腦波，在腦波未經處理的狀態下，觀察腦波時，腦波看起來是雜亂無章的，我們並無法從中得知訊息，而 ERP(event related potential)是在量測腦波的同時給予刺激，此刺激被稱為是一事件之發生，並以事件發生之時間點在腦波紀錄的同時作標記，再以標記為基準點擷取此時間區段之腦波，並將其疊加平均，以觀察腦波的變化，以此方式處理腦波，如此可以針對特定事件進行腦波的分析。. P300 是由 Chapman and Bragdon 在 1964 年所發現[2]，P300 為 ERP 之一種，這裡的 P 是指 Positive，也就是正向波(positive wave)，300 為此種波形的潛時為 300 毫秒，也就是當刺激出現後的 300 毫秒會出現此誘發波，P300 與人的認知能力有很大的相關性，包括訊息傳導、刺激評估、記憶、情緒、專心程度及清醒程度等，屬於高級大腦皮質的活動能力。在 1980 中期，P300 最常用於罪知測試 (guilty knowledge test)的討論[3]。在腦機介面 (Brain-Computer Interface, BCI)的發展上，P300 也有不錯的應用，因為它的波形容易被檢測出來，且在固定的時間範圍內會產生，這些都是理想的實際應用上的優點。. 3.

(10) 第一章而 oddball paradigm 為最常見之誘發 P300 腦波的實驗之一，使用兩種刺激物(高頻率與低頻率)交替出現，當受測者受到低頻率出現之目標時，就可觀察到明顯的 P300 腦波，而 P300 主要在頭皮上之中線位置之電極(Fz、 Cz、 Pz)可清楚觀察到。P300 波的潛時與人的認知能力有很大的相關性，所以因人而異，每個人的腦波量測結果皆有不同，我們希望能夠因應每個人的腦波的個體差異，希望能夠開發出一種客製化的方式，能將腦波應用於不同的個體，又因為大多數研究是以濕式電極量測腦波，在使用上不甚方便，局限於醫療應用與研究，我們希望能研究出一套適用於商業化發展之腦波擷取與分析之系統，在腦波資料較少的情況下我們希望能實做出快速分類腦波的硬體電路，故使用廣義迴歸類神經網路(GRNN)來做分類，因其不需要太多資料即可做出很好的分類結果。本論文的研究目的為開發出一套能方便且快速應用 P300 腦波的系統，以期能用於上述之特殊病患與外界溝通之用。. 4.

(11) 第一章. 第三節全文架構本論文共分為五個章節，以下為各章節概述: 【第一章】緒論說明本論文的研究背景、研究動機、研究目的、研究方法與本文架構。【第二章】基礎理論與文獻探討簡介本論文所使用之演算法、理論基礎、技術背景。【第三章】系統架構介紹所提出的腦波擷取系統與廣義迴歸類神經網路(GRNN)電路設計架構，並說明內部各電路所使用之元件。【第四章】實驗數據包含系統環境說明與相關實驗數據分析【第五章】結論對於所提出之硬體架構以及實驗的結果進行總結. 5.

(12) 第二章. 第二章基礎理論與文獻探討本章介紹系統架構與所使用之演算法。本論文分為兩個部分 P300 腦波擷取與腦波分類。第一節為 P300 腦波之介紹，第二節為類神經網路之介紹，第三節為 GRNN 類神經網路之介紹，第四節詳述 GRNN 演算法則。. 第一節 P300 腦波與 Oddball 實驗之介紹在介紹 ERP 與 P300 腦波之前，首先要來介紹 EEG(Electroencephalography)， EEG 為一種紀錄大腦活動的生理監測方法，雖然有一些需要將頭蓋骨打開的特殊應用，但通常是使用無創的方式(不需要將頭蓋骨打開)將電極置於頭皮上， EEG 為量測大腦神經細胞活動時放電產生的電位差，在臨床應用中，EEG 為使用多個電極放置頭皮上紀錄一段時間大腦活動的自發性放電情形，通常臨床應用專注在 EEG 的頻譜內容，這裡指的頻譜內容是指在 EEG 訊號中可以被觀察到的神經振盪(也就是我們所謂的腦波) [15]。. EEG 最常用於診斷癲癇(癲癇患者的大腦會有異常的放電情形)，也被用於診斷睡眠障礙、昏迷、腦死。曾經 EEG 為診斷腫瘤、中風等局灶性腦疾病的一線方法[17]，但這種應用隨著高分辨率解剖成像技術(例如:MRI)的出現而減少，不過儘管 EEG 的空間分辨率有限，但 EEG 還是一個在研究與診斷方面有價值的工. 6.

(13) 第二章具，因為它具有毫秒範圍的時間分辨率(Temporal resolution)，這是那些使用高分辨率解剖成像技術所無法做到的。. EEG 所衍生出的技術，包含誘發電位(evoked potential,EP)，這是指在呈現刺激(可能是聽覺、體感或視覺的刺激)時，將固定時間內的 EEG 平均。事件相關電位(ERP)是基於此平均 EEG 的方法，但有更複雜的刺激過程，ERP 被用在認知科學、認知心理學、心理生理研究等研究領域。. 事件相關電位(ERP)常被用於測量大腦對感覺或運動事件之特定認知，而其中一個腦機介面(BCI)的實作方式便是基於 ERP。ERP 為將 EEG 腦電圖之腦波依事件標記，擷取時間區段之腦波，疊加後產生之波形，並依照其振幅為正或負，潛時之時間範圍命名，如 N100、P300。如圖 2-1:. 圖 2-1 為 ERP 之成分波，此圖的 N1 即 N100 波與 P3 即 P300 波。圖中的負電壓為上，在 ERP 的研究中常見但不是普遍的表示法。. 7.

(14) 第二章如上述，P300 為 ERP 之一種，是 ERP 中常被探討的主要峰值(peak)之一，本研究主要以 P300 腦波為研究題材，P300 波的 P 是指 Positive，也就是正向波 (positive wave)，300 為此種波形的潛時為 300 毫秒，也就是當 Oddball 實驗中刺激出現後的 300 毫秒會誘發出此峰值，故在 EEG 中此引發的反應波形被稱為 ERP 的 P300 成分波。P300 與人的認知能力有很大的相關性，包括訊息傳導、刺激評估、記憶、情緒、專心程度及清醒程度等，屬於高級大腦皮質的活動能力。在腦機介面 (Brain-Computer Interface, BCI)的發展上，因為 P300 的波形容易被檢測出來，且在固定的時間範圍內會產生，這些都是理想的實際應用上的優點。. oddball paradigm 為最常見之誘發 P300 腦波的實驗之一，使用兩種刺激物(高頻率與低頻率)交替出現，當受測者受到低頻率出現之目標時，就可觀察到明顯的 P300 腦波，如圖 2-2，P300 主要在頭皮上之中線位置之電極(Fz、 Cz、 Pz)與大腦視覺區之枕葉可清楚觀察到，圖 2-3 為本論文中使用的乾式電極腦波帽所提供之電極位置，在本篇論文中選用之電極位置為枕葉之電極位置，因為受到眼動訊號干擾較少，有文獻指出: oddball paradigm 實驗中較高頻率出現之刺激物所產生之腦波其振幅較小[6]，而較低頻率出現的刺激物其振幅較大。. 8.

(15) 第二章. 圖 2-2 P300 腦波可被偵測到之電極位置. P300 波的潛時與人的認知能力有很大的相關性，所以因人而異，每個人的腦波量測結果皆有不同，我們希望能夠因應每個人的腦波的個體差異，希望能夠開發出一種客製化的方式，能將腦波應用於不同的個體，又因為大多數研究設備皆是濕式電極量測腦波儀，在使用上不甚方便，局限於醫療應用與研究，我們希望能研究出一套適用於商業化發展之腦波擷取與分析之系統，在腦波資料較少的情況下，我們希望能使用乾式電極腦波帽[5]擷取腦波，並與視覺刺激程式連結，擷取後的腦波能被快速分類，故使用廣義迴歸類神經網路(GRNN)來做分類，因. 9.

(16) 第二章其不需要太多資料即可做出很好的分類結果，在下兩節即做類神經與 GRNN 之介紹。. 圖 2-3 本論文所使用之乾式電極腦波帽，其提供之電極位置為此八個電極. 10.

(17) 第二章. 第二節類神經網路介紹生物的大腦是由神經細胞所構成的，神經細胞包含了神經核、軸突、樹突和突觸，而當樹突接收外部訊息時，也就是外部神經脈衝高於閥值時，神經元會被激發，產生新的神經脈衝至軸突，而依據此新脈衝所經過的突觸(也就是神經元與神經元之間聯絡的點)是興奮突觸還是抑制突觸，會改變脈衝的速率，也就是說影響大腦學習的主要關鍵在於神經元如何轉換脈衝與突觸的強度。. 類神經網路是一種模仿生物大腦的計算系統，如圖 2-4，是一種經驗的數學模式，旨在讓電腦具有生物大腦的學習能力，透過已知的訊息建立輸入資料與輸出資料的關係。類神經網路可用於識別、預測、最佳化問題、結合是記憶和控制領域。. 輸入. 類神經網路. 圖 2-4 類神經網路方塊圖. 11. 輸出.

(18) 第二章我們必須透過訓練(training)的方式才能使得類神經網路能運作正確，類神經網路經由反覆的學習，直到每個輸入都能正確對應到正確的輸出，我們必須依照實際系統輸入與輸出或是過往的經驗，建立出一個訓練模式（Training Pattern），使得類神經網路在學習的過程中能有參考，類神經網路訓練的目的，就是讓類神經網路的輸出越接近目標值，也就是相同的輸入進到類神經網路系統內，得到的輸出值也要相同。類神經網路未訓練前，其輸出是凌亂的，隨著訓練次數的增加，類神經網路的鍵結值會逐漸的被調整，使得目標值與神經網路的輸出兩者誤差越來越小。當兩者的誤差幾乎不再變化時，我們稱此類神經網路已收斂（convergence），此時類神經網路便訓練完成。通常我們會定義一個價值函數（cost function）作為神經網路收斂的指標，價值函數將會隨著網路的訓練次數越變越小最後幾乎不再變化。. 當類神經網路經由訓練模式完成後，雖然神經網路的輸出已經與我們所要求的數值接近，但對於新的輸入資料，也就是不是用於訓練模式的輸入資料，我們無法預測會得到何種輸出。因此，我們必須使用類神經網路從未見過的資料進入類神經網路系統中，測試其推廣性（generalization），以觀察是否與我們所期望的值接近，而此模式稱之為測試模式（Testing Pattern）。. 12.

(19) 第二章類神經網路的組成可以分為處理單元、層和網路三個層次。處理單元是類神經網路的基本單位，也稱為神經元。運算元的結構如同生物神經元的神經核一般，其功能為處理輸入和輸出的動作，透過運算元的運算，將輸入至運算元的訊號加以處理和轉換，輸出轉換的訊號，成為其它運算元的輸入訊號。. 層是由若干相同作用的處理單元集合而成。層分為輸入層、隱藏層和輸出層。輸入層的處理單元負責接收數據，隱藏層的處理單元負責計算，提供類神經網路表現處理單元之間的交互作用與問題內在結構的能力，介於輸入層和輸出層之間。輸出層的處理單元負責輸出結果。網路則由若干不同作用的層集合為成。以下圖 2-5 表示上述之類神經網路架構圖:. 圖 2-5 類神經網路架構圖 13.

(20) 第二章類神經網路可以以學習方式來分類，可分為監督式學習網路和非監督式學習網路。監督式學習為透過已知的輸入和期望的輸出來建立類神經網路，特點為以期望值和實際輸出值作比較，當實際輸出偏離期望輸出時，即修正網路內的連結權重，直到誤差降到最低才停止。此種網路須從問題領域中取得訓練模式，學習輸入變數和輸出變數的內在對映規則，以應用於新的案例。此網路所需要收集的資料分為訓練模式和測試模式。訓練模式是供類神經網路學習輸入變數和輸出變數間的內在對映規則，進行網路連結權重的修正。測試模式則是用來測試判別分類的資料。非監督式學習是在缺乏期望輸出值的情況下，取得輸入向量的規則性而建構模式，因此適合用來做資料的分群，並找出對應的法則。此網路所需要收集的資料分為訓練模式和測試模式。訓練範例只有輸入值，沒有輸出值，所以網路必須由訓練模式自行推估出這些變數之間的群聚規則，測試模式則是用來測試判別分類的資料。. 14.

(21) 第二章. 第三節 GRNN (General Regression Neural Network) 介紹在 1988 年時，Donald F. Specht 提出了機率類神經網路(Probability neural network, PNN)，此網路屬於監督式學習方式，其基本構想原理是從機率模型所啟發而來。但是，由於機率類神經網路只適合用於做分類問題，對於連續變數的問題去無法解決。在此所謂連續變數的定義如下:. 在一定區間內可以任意取值的變數叫連續變數，其數值是連續不斷的，相鄰兩個數值可作無限分割，即可取無限個數值，例如: 生產零件的規格尺寸，人體測量的身高、體重、胸圍等為連續變數，其數值只能用測量或計量的方法取得。. 因此，在 1991 年 Donald F. Specht 提出了廣義迴歸類神經網路(General Regression Neural Network，GRNN)為一種監督式學習網路。此廣義迴歸類神經網路 (GRNN) 是由機率類神經網路(PNN)所演變而來，可以用來學習動態模式並做預測或控制，且 GRNN 具有快速訓練以及分類準確等優點。[7]. 15.

(22) 第二章. 第四節. GRNN 演算法則. 設 Testing Pattern x 為廣義迴歸類神經網路 (GRNN) 類神經網路之輸入，且 𝐲 ∗ 為 GRNN 網路系統之輸出。則圖 2-6 為廣義迴歸類神經網路 (GRNN) 系統輸入和輸出方塊圖。. 圖 2-6 GRNN 系統輸入輸出示意圖. 假設在廣義迴歸類神經網路 (GRNN) 中已存有 p 個 Training Pattern 𝐱 𝑖 , i = 1,…, p，每一個 Training Pattern 𝐱 𝑖 皆可視為網路的一種輸入而這些 Training Pattern 之系統實際輸出分別為 𝐲𝑖 ，其中 𝐲𝑖 為 𝐱 𝑖 之實際輸出。輸入維度為 n 之 Testing Pattern x 和 Training Pattern 𝐱 𝑖 ，且假設 𝐲 ∗ 及 𝐲𝑖 之維度為 m。. 16.

(23) 第二章以下說明如何在給定 x 為輸入的情況下，利用 𝐱1 , … . . 𝐱 𝑝 以及𝐲1 , … . . 𝐲𝑝 來計算 𝐲 ∗ ，其中 𝑦𝑗∗ 和 𝑦𝑖𝑗 為向量 𝐲 ∗ 和 𝐲𝑖 之第 j 個元素， j = 1,…, m 。 Testing Pattern x 和 Training Pattern 𝐱 𝑖 定義 𝑥𝑗 和 𝑥𝑖𝑗 為向量𝐱 和 𝐱 𝑖 之第 j 個元素，其中 i 、 j = 1,……,m。首先計算出向量 x 和 𝐱 𝑖 中每個元素之平方差，並將所有元素之平方差進行累加，如式 2-1，以函式 𝐷(𝐱, 𝐱 𝑖 )表示。 𝑛. 𝐷(𝐱, 𝐱 𝑖 ) = ∑(𝑥𝑗 − 𝑥𝑖𝑗 )2 𝑗=1. 式 2-1 觀察式 2-1 可知，若 Testing Pattern x 和 Training Pattern 𝐱 𝑖 相似，也就是 x 與 𝐱 𝑖 所包含的各個元素距離接近，則𝐷(𝐱, 𝐱 𝑖 )的值越小，若越不相似則𝐷(𝐱, 𝐱 𝑖 )的值越大，當 Testing Pattern x 和 Training Pattern 𝐱 𝑖 完全一致時則𝐷(𝐱, 𝐱 𝑖 )=0。. 接著定義函數 𝑊(x, x𝑖 )，如下式 2-2: 𝑊(𝐱, 𝐱 𝑖 ) = exp. −𝐷(𝐱, 𝐱 𝑖 ) 𝜎2. 式 2-2. 其中𝑊(𝐱, 𝐱 𝑖 )的值為一 Exponential function，因為𝐷(𝐱, 𝐱 𝑖 )為平方相加故恆正，而在式 2-2 中乘上負號，故𝑊(𝐱, 𝐱 𝑖 )的值隨𝐷(𝐱, 𝐱 𝑖 )改變。其中若𝐷(𝐱, 𝐱 𝑖 )值越大，則 𝑊(𝐱, 𝐱 𝑖 )越小，反之，若𝐷(𝐱, 𝐱 𝑖 )值越小，則𝑊(𝐱, 𝐱 𝑖 )越大，若𝐷(𝐱, 𝐱 𝑖 ) = 0，則 𝑊(𝐱, 𝐱 𝑖 ) = 1。 17.

(24) 第二章而𝑊(𝐱, 𝐱 𝑖 )的數值亦受𝜎影響，𝜎為調整𝑊(𝐱, 𝐱 𝑖 )之恆正參數，若其越大則 Testing Pattern x 和 Training Pattern 𝐱 𝑖 間的差距影響較小，若其越小則表示越重視 Testing Pattern x 和 Training Pattern 𝐱 𝑖 間的差距。故𝜎 為調整分類準確率的一個重要參數。. 則𝑦𝑗∗ 之輸出如式 2-3 所示: 𝑦𝑗∗. =. ∑𝑝𝑖=1 𝑦𝑖𝑗 𝑊(𝐱, 𝐱 𝑖 ) ∑𝑝𝑖=1 𝑊 (𝐱, 𝐱 𝑖 ). 式 2-3. 若 Testing Pattern x 和 Training Pattern 𝐱 𝑖 越相似，則 Testing Pattern x 之輸出結果與 Training Pattern 𝐱 𝑖 應該越接近，也就是期望與 Training Pattern 𝐱 𝑖 的比較中， 𝐱 𝑖 的比較結果佔有比較重要的地位。因此，如上述式 2-3，若 Testing Pattern x 和 Training Pattern 𝐱 𝑖 之間的距離接近，則𝐷(𝐱, 𝐱 𝑖 )值為小，根據式 2-2，𝑊(𝐱, 𝐱 𝑖 )值為大。則從式 2-3 中可知，𝑊(𝐱, 𝐱 𝑖 ) 的值越大，與𝑦𝑖𝑗 相乘後之數值也越大，所以在𝑦𝑗∗ 裡，該次的運算結果佔有比較重的比重。因此就能從所有 Training Pattern 中對 Testing Pattern 找出一個代表他的 𝑦𝑗∗ 輸出。. 18.

(25) 第二章由式 2-3 可知廣義迴歸類神經網路 (GRNN) 之運作只需要知道輸入 Training Pattern 𝐱1 , … . . 𝐱 𝑝 ，以及這些 Training Pattern 之系統實際輸出分別為 𝐲1 , … . . 𝐲𝑝，便可以對於任意輸入 x 來計算出系統之輸出 𝐲 ∗ 。把上述公式以廣義迴歸類神經網路 (GRNN) 之架構圖呈現，如圖 2-7 所示，可以再加以詳細說明如下:. 圖 2-7 GRNN 一般情況架構圖. GRNN 架構是可以分成三層，擁有輸入層 (Input Layer) 、隱藏層和輸出層 (Output Layer) ，隱藏層又稱為特徵層，其可以再區分為模式層 (pattern Layer) 和總和層 (Summation Layer) 。可分為四個步驟: 步驟 1: 輸入 Testing Pattern x 和 Training Pattern 𝐱 𝑖 以上述式 2-1 計算出 19.

(26) 第二章 𝐷(𝐱, 𝐱 𝑖 )。步驟 2: 𝐷(𝐱, 𝐱 𝑖 ) 套入式 2-2 計算出 𝑊(𝐱, 𝐱 𝑖 )。步驟 3: 𝑊(𝐱, 𝐱 𝑖 ) 對應每一筆𝑦𝑖𝑗 ，代入式 2-3。步驟 4: 系統之輸出 𝑦𝑗∗ 。. 上述的廣義迴歸類神經網路 (GRNN) 架構圖是最一般的情況，呈現出輸入和輸出每一筆對應關係，如果把上述的架構圖改成特例的情況如圖 2-8 所示:. 圖 2-8 GRNN 特例情況架構圖. 20.

(27) 第二章可以看到輸入層和模式層都沒有改變，在總和層方面是分成兩部分，一個把模式層的運算結果給分子另一個把運算結果給分母，在輸出層部分只有一個系統之輸出，在代入上述所提到的公式 2-1、2-2、2-3，就會得到廣義迴歸類神經網路 (GRNN) 網路系統之輸出。. 21.

(28) 第三章. 第三章系統架構第三章主要敘述本論文的研究架構，會在第一節詳述本研究之前半段的腦波擷取實驗，在第二節詳述本研究之後半段用於腦波分類的廣義迴歸類神經網路 (GRNN) 硬體實作。. 第一節研究流程本論文包含了 P300 腦波資料之蒐集實驗，與後續用於腦波分類之廣義迴歸類神經網路 (GRNN) 演算法之硬體設計。圖如 3-1. 圖 3-1 研究流程圖 22.

(29) 第三章 P300 腦波資料之蒐集實驗包含了: 產生視覺刺激程式之設計如圖 3-2(a)，與解決腦波接收軟體(腦波帽開發公司所提供)之同步問題而設計的整體資料蒐集之軟體系統架構。而腦波蒐集之設備為群蘊公司生產之八通道乾式電極腦波帽，上述軟體運行平台為處理器 Intel i5 作業系統 Windows8.1 之個人電腦，使用 OpenSesame 軟體撰寫顯示視覺刺激的程式，另外，為使發送視覺刺激的程式與腦波帽接收程式如圖 3-2 的時間同步，使用 virtual serial port 連接八通道乾式電極腦波帽接收軟體與視覺刺激軟體圖 3-3、圖 3-4。. 腦波分類方面，先以 MATLAB，C++ 等軟體撰寫廣義迴歸類神經網路 (GRNN) 演算法程式，再透過多次實驗得到最佳分類結果，以制定相關參數，再以硬體實作廣義迴歸類神經網路 (GRNN) 演算法，並比較軟體與硬體分類結果，驗證硬體電路的正確性。. 23.

(30) 第三章. (a). (b) 圖 3-2(a)為視覺刺激顯示之畫面 (b)OpenSesame 軟體撰寫顯示視覺刺激的程式. 24.

(31) 第三章. (a). (b) 圖 3-3 為腦波帽接收軟體(a)電極與頭皮之接觸狀況 (b) 為腦波帽接收軟體之設定選擇使用虛擬 port COM2. 25.

(32) 第三章. 圖 3-4 Virtual serial port 建立虛擬的 port: COM1、COM2. 第二節腦波擷取系統與腦波分類之軟體實作本節主要介紹腦波擷取之系統與腦波分類之軟體實作，會在 3.2.1 小節詳述腦波擷取實驗流程，在 3.2.2 小節詳述後續之腦波分析與分類之軟體實作。. 26.

(33) 第三章. 3.2.1 腦波擷取本節敘述腦波實驗的一般流程為:受試者在黑暗的小室中接受實驗，受試者距離螢幕約 50 公分，且依照受試者感到舒適的姿勢進行整個實驗流程，開始本實驗前會先對受試者講解整個實驗流程，受試者因處於黑暗的環境下，為使受試者的眼睛不會感到不舒適，進行視覺刺激之字母閃爍之顏色都使用灰白色，使得黑白對比不會太強烈，實驗情境如圖 3-5。. 圖 3-5 實驗環境與設定. 27.

(34) 第三章 Oddball 是最常用於偵測 P300 之實驗，而 Oddball 實驗的實作細節在不同的論文中有些許差異。在[4]中提到它使用的流程可以有效的偵測出 P300，本實驗便是基於該流程設計。. 在做此視覺刺激實驗設計之前，因 P300 視覺拼字系統為熱門 P300 腦波之 BCI 應用，如圖 3-6，此為先前之設計，受試者必須注意特定的數字，視覺刺激之畫面會依照隨機之次序閃爍行與列，並且行與列交互閃爍。再依照每一行與每一列的閃爍時間做標記，將其疊加平均，觀察有無 P300 腦波，若某個數字所在之行與列皆產生 P300 時，即可得知受試者是注視此特定數字，但因實驗結果不佳，不能成功產生 P300 腦波，或許是因為受試者在注視特定之數字時，會受到旁邊的數字之干擾，無法專心之故，所以放棄此 P300 視覺拼字系統之設計，改為本實驗所設計的只在畫面中央顯示一個字母，如前述所示，圖 3-2(a)所示之畫面為腦波刺激之實驗畫面、圖 3-7 為腦波產生刺激的時間示意圖:. 28.

(35) 第三章. 圖 3-6 P300 視覺拼字系統受試者必須注意特定的數字，視覺刺激之畫面會依照隨機之次序閃爍行與列，並且行與列交互閃爍。. 本研究所採用的 oddball 實驗中之視覺刺激會出現兩種刺激物，一種為非目標刺激物:英文字母 A，另一種為目標刺激物:非英文字母 A 的其他英文字母 B、 C、D、E。為使受試者專心觀看螢幕，受試者被要求在看到目標刺激物，即英文字母 B、C、D、E 的同時，按下滑鼠左鍵。. 本實驗中目標刺激物與非目標刺激物均隨機出現，目標刺激物出現 12 次，非目標刺激物 48 次，出現的比率為:20%與 80%，每次英文字母閃爍的時間為 2 秒鐘，亮 75 毫秒，暗 1925 毫秒，圖如 3-7 所示，每次實驗為兩分鐘，總共 60 個英文字母。. 29.

(36) 第三章. 75ms 1925ms 圖 3-7 視覺刺激示意圖每次英文字母閃爍的時間為 2 秒鐘，亮 75 毫秒，暗 1925 毫秒。. 3.2.2 腦波分析 ERP (Event-Related Potential) 的提取與分析是將原始腦波做離線分析[6]，流程為: (1)使用濾波器前處理。(2)以事件的發生時間做標記，擷取腦波區段。(3)疊加平均。 (4)統計分析。以下詳述流程:. 首先使用 FIR 濾波器做前處理，去除雜訊，如此可以使得波形更加光滑且容易辨識，再以事件發生的時間設為 0ms ，擷取 0ms 到 1000ms 之時間區段，將相同事件之時間區段的腦波以 0ms 對齊，再將各個採樣點做疊加平均，因為一次刺激誘發之 ERP (Event-Related Potential) 振幅遠小於背景腦波 EEG 的振幅，但 ERP 有兩個恆定的假設 : (1)波形的恆定。(2)時間的恆定 (time-locked) 。相對於背景腦波之雜亂的變化，ERP 每次刺激的波形相同，會因為疊加平均的關. 30.

(37) 第三章係被放大，而其他與事件無關之雜訊(例如:眼動)會因為平均而被過濾，也就是平均會讓 ERP 之 SNR (Signal-to-noise ratio) 增加。許多文獻指出: 目標刺激物與非目標之刺激物皆會產生 P300 腦波，其振幅目標刺激物會比非目標刺激物大。. 本實驗中目標刺激物為 B、C、D、E，非目標刺激物為 A，以事件發生點為時間點 0 點，取 0-1 秒之腦波區段，因目標刺激物出現 12 次，非目標刺激物出現 48 次，故目標刺激物之 p300 腦波為疊加 12 次之結果，非目標刺激物亦然，為 48 次之疊加結果，圖 3-8 為 P300 腦波之疊加平均示意圖:. 圖 3-8 P300 腦波之疊加平均示意圖. 31.

(38) 第三章以上述方法得到的 P300 腦波以軟體實作廣義迴歸類神經網路 (GRNN) ，進行分類，得到的分類結果，即可知此腦波為受試者注視 A 或非 A 的 P300 腦波，但因腦波資料量太龐大，故以硬體設計實作廣義迴歸類神經網路 (GRNN) ，希望能加快處理資料之速度。. 32.

(39) 第三章. 第三節硬體電路架構第三章說明本論文如何實現廣義迴歸類神經網路 (GRNN) 之硬體架構。共分為模式(Pattern)單元與總和(Summation)單元，而模式單元與總和單元的電路架構與資料流程會在以下兩小節逐一介紹。如圖 3-9 所示:. 圖 3-9 GRNN 電路架構圖. 在電路一開始的 Buffer 是為了將一筆資料依照資料的維度，將資料完整的蒐集後，逐一連續送進模式單元中，因 buffer 連接著 counter，故可以計數一筆資料的維度。而這裡的分類資料為 P300 腦波，一筆腦波有一千個採樣點，故 Buffer 單元會蒐集一千個浮點數(floating point)表示的採樣點，再連續的送進模式 (Pattern)單元中。. 33.

(40) 第三章在模式(Pattern)單元輸出計算結果(權重)到總和(Summation)單元之前，因為一筆腦波的維度為一千，故必須等一千個數字進入累加器算完結果，才能將運算結果送入總和(Summation)單元，所以在兩塊電路中間加入一個 buffer，此 buffer 會將測試資料與訓練資料在模式(Pattern)單元算完之權重全部蒐集完，再將權重連續輸入總至和(Summation)單元，buffer 同樣的連接著 counter，依照訓練資料之筆數計數權重數量，此 buffer 大小會因為訓練資料的數目改變而改變。. 34.

(41) 第三章. 3.3.1 模式 (Pattern) 單元輸入資料的格式都是浮點數 (floating point) ，模式 (Pattern) 單元的組成元件為圖 3-10 所示，累加器 (ACC) 、減法器 (SUB) 、乘法器 (MULT) 、除法器 (DIV) 、EXP(exponential) ， Delay 元件都是以浮點數的格式運算。 Testing pattern x 和 Training pattern xi 都是 n 維的向量，每個輸入之單位皆為 32 bits 之浮點數，將其輸入減法、乘法與累加器元件，也就是以公式 2-1 算出 D(x, xi) ，而 D(x, xi) 是一個 32 bits 的浮點數，在經過 inverse 元件時，只需要將 sign bit 改變就能轉換成 - D(x, xi) ，將 - D(x, xi) 輸入除法器，與 𝜎2 相除得到. − 𝐷(𝐱,𝐱𝒊 ). σ2. ，再將. − 𝐷(𝐱,𝐱𝒊 ). σ2. 輸入 EXP ，得到公式 2-2 之 W(x, xi) 後送入總. 合單元，而這裡使用的 delay 元件是為了計算這些用於計算的元件之 latency 總合，以達到送入下一個單元的資料是正確的之目的。. 圖 3-10 模式(Pattern)架構圖. 35.

(42) 第三章. 3.3.2 總和 (Summation) 單元本節所使用的元件也皆為浮點數的格式，如圖 3-11 所示，使用的元件有: 累加器 (ACC) 、除法器 (DIV) 、 delay 元件。將模式 (Pattern) 單元得到之 W(x, xi) 輸入總和單元，會分為分子與分母兩個部分，也就是以公式 2-3 計算出 y*，分子為∑𝑝𝑖=1 𝑦𝑖𝑗 𝑊(𝐱, 𝐱 𝒊 )，因為這裡的 𝑦ij 只有兩類，也就是 1 與-1，所以這裡的相乘以 inverse 元件取代，以多工器判斷是否為 1 或-1 改變 W(x, xi) 之第一個 sign bit ，即為乘以 1 或-1 之結果，而這裡的 delay 也與模式 (Pattern) 單元一樣，是為了計算這些元件的 latency 總和以得到計算完成之正確資料。. 圖 3-11 總和(Summation)單元架構圖. 36.

(43) 第四章. 第四章實驗數據與效能分析第一節開發平台與實驗環境本論文使用了 Altera Quartus Prime 15.1 作為撰寫 Verilog 硬體描述語言的平台，其提供了語法檢查、邏輯元件的自動配置、電路合成與繞線布局等功能。另外，使用 Modelsim 軟體產生 gate-level 與 RTL-level 之模擬訊號之波形圖，觀察電路合成之結果。除了使用 verilog 硬體描述語言來設計 GRNN 硬體電路架構，也使用 MATLAB 作為軟體設計 GRNN 演算法之設計平台，使得硬體電路之設計能夠與軟體能夠互相比較執行之分類結果。MATLAB 是由美國 MathWorks 公司推出的商業數學軟體，採取直譯的方式，可以查取工作區（Workspace）的變數數值，提供很好的程式開發除錯環境，並提供許多研究領域的 Toolbox，如訊號處理、類神經網路、影像處理等等，大量的函式庫，讓使用者能節省大量的撰寫鑽寫法則的程式開發時間，因為上述的優點，本論文使用 MATLAB 2014a 作為軟體實作的工具。. 37.

(44) 第四章. 第二節實驗結果與效能分析本節主要呈現出 P300 腦波之擷取過程與結果，與 GRNN 訓練電路的硬體資源消耗，軟硬體分類準確性。我們於 QUARTUS Prime 15.1 採用 Altera Stratix IV EP4SGX230DF-29C2X 開發板之電路開發環境和 Modelsim 的 simulation 來當. 作硬體架構設計的實驗平台。首先在進行腦波分析之前，進行腦波訊號之前處理，ERP 的腦波分析結果如圖 41，ERP 的流程如第三章所述，前處理時，為了不使擷取之腦波數據失真，故使用 FIR 濾波器，前處理後腦波變得稍微平滑。. 10 0 -10 -20 -30 400. 410. 420. 430. 440. 450. 460. 470. 480. 490. 500. 410. 420. 430. 440. 450. 460. 470. 480. 490. 500. 10 0 -10 -20 -30 400. 圖 4-1 使用 FIR 濾波器前處理之結果，圖之上方為處理前，下方為處理後 38.

(45) 第四章在原始未經處理的腦波是雜亂無章的，如圖 4-2(a)我們無法經由原始腦波理解此生理訊號所代表的意義，經由疊加平均後如圖 4-2(b)，ERP 之波形就顯示出來如圖 4-2(c)此為得到的 P300 腦波。. 1 2 3 4 5 6 7. Scale 30 +. 8. 0. 1. 2. 3. 圖 4-2(a) 未經處理的原始腦波 EEG. 39. 4. 5.

(46) 3. 100. 2. 100. 1. 100. 100. 100. 第四章. 4. 5. fp1 fp2 fz c3 c4 pz o1. Scale 36 +. o2. 250 500. 0. 250 500. 0. 250 500. 0. 250 500. 0. 250 500. 圖 4-2(b) 以事件的發生時間做標記，擷取腦波區段. 40 30. Potential (V). 20 10 0 -10 o2. -20 -30 -40 0. 100. 200. 300. 400. 500 Time (ms). 600. 圖 4-2(c) 疊加平均. 40. 700. 800. 900. 0.

(47) 第四章而一次腦波實驗所得的兩種刺激物之 P300 腦波，依第三章實驗方法所示，我們設非 A 的英文字母(BCDE)為目標刺激物(target)，字母 A 為非目標刺激物 (non-target)，如圖 4-3 受試者一次實驗量得之腦波處理後得到的 P300 腦波，X 座標軸為時間(秒)，Y 座標軸為量測之腦波電壓 Potential 單位為 mV，圖中顯示目標刺激物之 P300 振幅大於非目標刺激物。. 0.02 target nontarget. 0.015. Potential(mV). 0.01. 0.005. 0. -0.005. -0.01. 0. 100. 200. 300. 400. 500 time(s). subject1. 41. 600. 700. 800. 900. 1000.

(48) 第四章. 0.025 nontarget target 0.02. 0.015. potential(mV). 0.01. 0.005. 0. -0.005. -0.01. -0.015. 0. 100. 200. 300. 400. 500 time(s). 600. 700. 800. 900. 1000. subject2 圖 4-3 為受試者一次量測之結果，上方為受試者 1，下方為受試者 2，非 A 的英文字母(BCDE)為目標刺激物(target)，字母 A 為非目標刺激物(nontarget)，目標刺激物與非目標刺激物之 P300 腦波振幅. 在前半段腦波擷取實驗為應用群蘊公司所開發的乾式電極八通道腦波帽與其它軟體工具的結合達到腦波資料收集之目的，蒐集腦波後，因 P300 腦波在不同刺激物之間會有差異，我們希望能將蒐集到的 P300 腦波做即時的分類，故使用 GRNN 進行分類，為了使其分類速度更快，我們將 GRNN 實作成硬體電路。. 42.

(49) 第四章接下來在看 GRNN 分類結果前，定義實驗的重要參數:如表 4-1 表 4-1 實驗參數維度(P300 樣本點數). 1000. 測試資料. 8. 訓練資料. 4. 類別. 2. 在設計 GRNN 訓練電路時，我們使用 floating point 的格式儲存資料來提升硬體計算結果的精準度。本論文之腦波維度 n=1000、測試資料 4 筆、訓練資料 8 筆，以 P300 腦波為資料實作 GRNN 軟體 (Matlab)，並與相同腦波資料之硬體輸出(ModelSim 模擬)驗證結果。表 4-2 本論文實測之 P300 腦波軟體及硬體分類結果 p300. Matlab Software. GRNN Hardware (50MHz). n(維度). 1000. 1000. 分類準確率. 87%. 87%. 執行時間(秒). 0.016861. 0.000162630000. 43.

(50) 第四章. GRNN 電路中 Buffer 的 Registers 會隨著實驗資料的維度增加而成正比，所以複雜度是 O(n)，Pattern Layer Circuit 單元由於公式 2-1、公式 2-2 在處理 Aaccumulator 和 Multiplier 的動作，如果實驗資料的特徵越多則要處理的 Aaccumulator 和 Multiplier 數量不變，所以複雜度都是 O(1)，總合(SLOL)單元處理公式 2-3 的計算，由於每次只要處理一組𝑊(𝐱,𝐱𝑖)和𝑦𝑖 𝑊(𝐱,𝐱𝑖)，只需要一組元件處理計算的動作，所以在 Aaccumulator、Dividers，複雜度都是 O(1)，總共 Register 是 O(n)、Aaccumulator 是 O(1)、Multiplier 是 O(1)、Divider 是 O(1)。將上述之描述整理如下表 4-3: 表 4-3 電路各單元與維度之關係圖 Buffer. Pattern Circuit. layer SLOL Circuit. Total. Registers. O(n). 0. 0. O(n). Aaccumulator. 0. O(1). O(1). O(1). Multiplier. 0. O(1). O(1). O(1). Divider. 0. 0. O(1). O(1). Exponential. 0. O(1). 0. O(1). 在討論 Altera FPGA 開發板的資源消耗測量時，我們根據 Altera 官方的計算方式使用三種單位作為評估資源消耗 (area cost) 的依據，分別是 Logic utilization(Combinational ALUTs 、 Memory ALUTs 、 Dedicated logic registers) Embedded memory bits 和 DSP block，其中 Logic utilization 被用來實現暫存器以及運算單元；Embedded memory bits 主要用於實現暫存器或記憶體元件；而 DSP 44.

(51) 第四章 block 則被用來實現數值運算的元件。表 4-4 為本論文之硬體實做所花費的各單元消耗表，其中腦波輸入之腦波維度為 1000。在本論文所設計的電路 Input 個數是 1，此運算結果為每筆測試. 資料都與一筆訓練資料做運算，總共有 4 筆訓練資料。表 4-4 硬體個單元消耗表 P300(n=1000) Combinational ALUTs. 10,678. Memory ALUTs. 191. Dedicated logic registers. 73107. Dsp block. 26. Total block memory. 451. 45.

(52) 第五章. 第五章結論本研究實現一適用於乾式電極腦波擷取與分類之系統，透過第四章之實驗結果，此實驗方式可以量測出 P300 腦波，而在腦波分類上，GRNN 演算法則軟體與硬體之分類結果一致，而硬體相較於軟體之優勢為可以更快速的辨識與分類，且硬體架構之運算單元為浮點數之運算，有效提高硬體運算之精準度，且 GRNN 演算法具有少量資料就能進行分類之優點在腦波應用上可以顯現出來，GRNN 在分類正確率也很優秀。本實驗是基於乾式電極腦波帽所設計的腦波偵測方式，以英文字母之 ABCDE 進行 P300 之偵測，雖然看似過於單純，但其可應於於簡單之開關設計。未來可發展成拼字系統，可有更多元之應用。. 46.

(53) 參考文獻 [1] A. Eklund. T. E. Nichols. H. Knutsson. Cluster failure: Why fMRI inferences for spatial extent have inflated false-positive rates, Neuroscience, 113(28): 7900–7905. Jul 2016. [2] J. K. Olofsson. S. Nordin. H. Sequeira. J. Polich. Affective picture processing: An integrative review of ERP findings. Biol. Psychol., 77, 2008, 247–265 [3] L.A. Farwell. S.S. Smith. "Using brain MERMER testing to detect knowledge despite efforts to conceal." J Forensic Sci 46 (1): 135-143 Jan 2001. [4] 王婉茹, 多通道行動與無線 EEG 系統之新式設計,國立交通大學電控工程所,2011 [5] BRAIN RHYTHM INC. Available online: http://www.bri.com.tw/index.html [6] 孫光天、汪昌賢、曾瑞敏、連悅珊, 運用 P300 訊號於偵測大腦印象之研究, 2008年台灣國際醫學資訊聯合研討會 [7] Y.C. Tung. and W.J. Hwang. and C.H. Ho. A Novel QoS Mapping Algorithm for Heterogeneous Home Networks Using General Regression Neural Networks, IEEE 17th International Conference on Computational Science and Engineering, 2014, 519526. 47.

(54) [8] Polat, O. Yildirim, T. FPGA implementation of a General Regression Neural Network: An embedded pattern classification system. Digital Signal Process. 2010, 20, 881–886. [9] Z.C. Fan. and W.J. Hwang. Efficient VLSI Architecture for Training Radial Basis Function Networks,sensors,2013 [10] C.A. Joyce. I.F. Gorodnitsky. and M. Kutas. Automatic removal of eye movement and blink artifacts from EEG data using blind component separation, Psychophysiology,2004 [11] Altera Floating-Point IP Cores User Guide,2014 [12] Documentation: Quartus II Development Software. Available online: http://www.altera.com/ ,2015 [13] OpenSesame tutorials. Available online: http://osdoc.cogsci.nl/ [14] S. Amiri.. A. Rabbi.. L. Azinfar. and R. Fazel-Rezai. A Review of P300,. SSVEP, and Hybrid P300/SSVEP Brain- Computer Interface Systems, ISBN: 978953-51-1134-4, InTech. chap.10 ,2013 [15] Electroencephalography Wikipedia. Available online: https://en.wikipedia.org/wiki/Electroencephalography [16] Event-related potential Wikipedia [17 ] EEGLAB toolbox 48.

(55)