I-Shou University Institutional Repository:Item 987654321/21417

全文

(1)義資. 守. 訊. 工. 大程. 研. 學究. 所. 碩士論文基於時空特徵之頭皮腦波獨立成分分類 Classification of Independent Components of EEG Based on Spatial-Temporal Features. 研究生：王永在指導教授：歐陽振森博士中華民國 106 年 7 月.

(2) 基於時空特徵之頭皮腦波獨立成分分類 Classification of Independent Components of EEG Based on Spatial-Temporal Features 研究生 : 王永在. Student : Young-Zain Wang. 指導教授 : 歐陽振森. Advisor : Chen-Sen Ouyang. 義守大學資訊工程研究所碩士論文 A Thesis Sibmitted to Department of InformationEngineering I-Shou University in Partial Fulfillment of the Requiremants for the Master degree in Information Engineering July 2017 Kaohsiung, Taiwan, Republic of China. 中華民國一○六年七月.

(3)

(4) 基於時空特徵之頭皮腦波獨立成分分類. 研究生 : 王永在. 指導教授 : 歐陽振森義守大學資訊工程研究所. 摘要干擾波去除已成為許多腦波訊號應用之重要前置處理步驟，其中著名的方法之一即為獨立主成份分析。透過獨立主成份分析，可將腦波訊號分解成多個獨立成分。接著，如何進一步將這些獨立成分辨識為干擾波或正常波乃是一大關鍵問題，因此各種獨立成分時間或空間特徵相繼被提出來做為辨識依據。本研究主要利用統計檢定探討頭皮腦波獨立成分之四種時域與三種空域特徵對干擾波與正常波分類之鑑別性。此外，應用隨機決策森林、貝氏分類器、最近鄰居法、支持向量機、線性識別分析、邏輯回歸模型等六種著名分類建模方法分別建立干擾波與正常波獨立成分分類模型，並進行分類結果討論與比較。. 關鍵字:獨立成分分析、分類、干擾訊號、時域特徵、空域特徵.

(5) Classification of Independent Components of EEG Based on Spatial-Temporal Features Student : Young-Zain Wang. Advisor : Chen-Sen Ouyang. Department of Information Engineering I-Shou University. Abstract Artifact removal has been an important preprocessing step in many applications of Electroencephalography (EEG) signals. One of well-known Artifact removal approaches is independent component analysis (ICA). Through the ICA, EEG signals can be decomposed into several independent components. After that, how to identify each independent component as artifact or neural is a key problem. Therefore, several time-domain or spatial-domain features of independent components have been proposed Successively. This study focuses on discussing the discriminability of each of four time-domain features and three spatial-domain features for artifact or neural independent component classification. Moreover, five well-known classification modeling approaches, namely random forests, bayes classifiers, k-nearest neighbors, support vector machines, linear discriminant analysis and logistic regression, are employed to construct pre-ictal and inter-ictal stage classification models, and the corresponding classification results are discussed and compared.. Keywords: independent component analysis, time-domain features, spatial-domain features, Artifact, classification.

(6) 致謝這三年的碩士生活經歷許多的大小事，對於知識尋求的方式也更進一步了，其中讓我最感謝的是我的指導老師歐陽振森老師，教會我對於求知的處事態度以及碩士生活所需的知識，和在受到困難的時候及時的幫助，感謝初試的口試委員楊乃中老師和柯松源老師的指導，也感謝最後的口試委員江景泰老師和吳榮慶老師的建議和教導才使的論文最後的完成。接著在我研究並撰寫論文的時候感謝我身邊的學長們陳旻緯、林衢宏、陳奕銘、黃俊翰的救援以及同儕陳伯仲、錢士瑞、張誌晟的幫助和學弟們鄭育淵、林建明、高子晉、許力元、林騰宇、蔡宗恩等人的聲援。最後也感謝我的父母親能給我這樣的環境和背景，讓我有無後顧之憂的完成學業，由衷的感謝這些人幫助我完成碩士的旅程。.

(7) 目錄圖目錄 .................................................................................................................................................... iii 表目錄 .................................................................................................................................................... iv 第一章緒論 ........................................................................................................................................... 1 一、研究背景與動機 ......................................................................................................................... 1 二、研究目的 ..................................................................................................................................... 5 三、論文架構 ..................................................................................................................................... 6 第二章文獻探討 ................................................................................................................................... 7 一、獨立成分分析 ............................................................................................................................. 7 二、訊號分類器 ............................................................................................................................... 10 第三章研究方法 ................................................................................................................................. 14 一、特徵計算 ................................................................................................................................. 16 二、變異數檢定 ............................................................................................................................... 19 三、分類器 ....................................................................................................................................... 21 第四章實驗結果 ................................................................................................................................. 23 一、資料收集 ................................................................................................................................... 23 二、實驗結果 ................................................................................................................................... 24 第五章結論與未來展望 ..................................................................................................................... 42 參考文獻 ............................................................................................................................................... 43.

(8) 圖目錄圖一. 10-20 國際電極位置...................................................................................... 1. 圖二. 獨立成分分析流程表 .................................................................................... 8. 圖三. 研究方法流程圖 .......................................................................................... 15. 圖四. ANOVA 變異數 ........................................................................................... 20.

(9) 表目錄表一. 干擾訊號 ........................................................................................................ 3. 表二. 文獻探討統合表 .......................................................................................... 13. 表三. ANOVA 檢定表 ........................................................................................... 20. 表四. 資料收集總表 .............................................................................................. 23. 表五. ANOVA 檢定之 p 值 ................................................................................... 25. 表六. RF 測試結果之評估指標 ............................................................................ 27. 表七. RF 訓練結果之評估指標 ............................................................................ 28. 表八. LDA 測試結果之評估指標 ......................................................................... 29. 表九. LDA 訓練結果之評估指標 ......................................................................... 30. 表十. SVM 測試結果之評估指標 ........................................................................ 31. 表十一. SVM 訓練結果之評估指標 .................................................................... 32. 表十二. NB 測試結果之評估指標 ....................................................................... 33. 表十三. NB 訓練結果之評估指標 ....................................................................... 34. 表十四. LR 測試結果之評估指標 ........................................................................ 35. 表十五. LR 訓練結果之評估指標 ........................................................................ 36. 表十六. KNN 測試結果之評估指標 .................................................................... 37. 表十七. KNN 訓練結果之評估指標 .................................................................... 38. 表十八. 分類器所有病患的評估指標之平均標準差 .......................................... 39. 表十九. 在每個病人做出效果最好的分類器 ...................................................... 40. 表二十. 每個分類器挑選特徵的次數 .................................................................. 41.

(10) 第一章緒論一、研究背景與動機目前腦波訊號的開發受到多人的研究和重視，不管在醫療或是娛樂的應用上，前提都需要做擷取腦波的訊號，在測量腦波時，由於腦中的電壓訊號僅僅幾微伏，為了方便觀察會將收到的電壓訊號放大，因此會更容易接受到外界的干擾，這些干擾訊號目前被稱為 Artifact，本篇的目的在如何將這些干擾訊號與正常波做到分類，以便我們使用這些訊號做於其他應用。目前臨床使用的腦波機是將表面電極測得的電位放大百萬倍後再加以處理。至今腦波的應用到很多方面上，不管在醫療或是娛樂上都有許多相關的產品，一般市面上有簡易的頭戴式腦波儀器一至八個通道，不過醫療上的需求要更加的精確，所以在電極位置上使用多通道的設置，多至 28、32、 64 或者更多，這些通道位置以國際的 10-20 系統作根據(如下圖一)，奇數為左偶數為右個別以部位的英文單字第一個字做為位置名稱。. 圖一. 10-20 國際電極位置. 1.

(11) 目前在一些疾病主要是用腦電圖來做診斷例如癲癇。在測量腦波訊號的方式中，有侵入式、半侵入式和非侵入式的測量方法，而侵入式的方式是以電極植入腦體的灰質層得以量測，測得的訊號效果很好但就現在的受測者來說較為不人道也不太被接受；半侵入式以電極植入灰質層和頭皮之間，在病情較為嚴重的病人會以這種方式進行量測；非侵入式的測量方式以電極緊貼頭皮表面，黏貼處塗以導電膠以獲得更好的效果，就目前而言為了避免測試人員對異物植入的顱內的抗拒，非嵌入式的腦波儀器比較能受到大家的接受，然而在這種情況下擷取腦波時，會有雜訊和干擾訊號的出現，所以需要去除掉這些干擾訊號避免診斷上的誤判，目前判斷出干擾訊號的方式有兩種，一種是以長時間累計有經驗的神經科醫師用肉眼判斷另一種則是將多通道的腦波訊號進行訊號分析，例如盲訊號分析、小波分析、傅立葉轉換…等方式分析資料的特徵，再將這些資料特徵作為分類參考判定是干擾訊號還是神經訊號，這邊介紹一些本篇紀錄用到的干擾訊號，如下表一，肌肉訊號，當測量過程中，身體用力、姿勢不好、下顎或頭部用力時，肌肉訊號干擾波就會混入腦波內，有時會使原來的腦波無法判讀，一般腦波的前置處理，會使用低通濾波器濾除肌肉訊號干擾波，由於在頻譜上的腦波一般訊號會與肌肉的干擾訊號互相重疊，因此會使低通濾波器在濾掉雜訊，也會同時濾掉一般的腦波訊號。眨眼，當眼皮呈現開閉的眨眼運動，會產生和這個動作一致的干擾波，閉眼時出現負的，開眼時則出現正的大波動。眨眼動作大時波幅大，動作小時波幅小。此種干擾波容易出現於額葉與雙眼的區域，當震幅較大也會影響到中心和頭頂部位，越靠近雙眼，干擾越嚴重，由於此干擾波頻率小於 10Hz ，因此屬於較低頻的雜訊。橫向縱向眼動，當眼球運動所產生的電位變動會混入腦波內。依眼球運動產生不同的波形的振幅。這種干擾波容易影響額葉及前顳葉的腦波內，此種干擾波屬於較低頻的慢波。當電極鬆脫或是被其他裝置訊號干擾到，會產生失真電極的訊號，通常會以 45Hz 或 60Hz 的頻率出現在該電極位置。. 2.

(12) 表一肌肉. 干擾訊號. 生理訊號。在身體用力、姿勢不穩、下顎或頭部用力時，肌肉訊號干擾波就會混入腦波內。. 橫向眼動. 生理訊號。眼球運動所產生的電位變動會混入腦波內。依眼球運動會產生不同的波形振幅。. 眨眼. 生理訊號。眼皮呈現開閉的眨眼運動，會產生和這個動作一致的干擾波，閉眼時出現負的，開眼時則出現正的大波動。眨眼動作大時波幅大，動作小時波幅小。. 失真電極. 當電極安裝不當或是其他機器的磁場干擾，會使電極產生失真的訊號，通常會以 45Hz 或 60Hz 的頻率出現在該電極位置. 3.

(13) 腦電圖去除干擾波的方式大致分成兩種，即時去除和離線去除，即時去除就是在測量腦波的時候，將量化腦波訊號利用演算法計算訊號的複雜度，在評估量化特徵將受到干擾的訊號消除，即時去除在醫療上可以做到病情產生病變的預測功用，離線去除則是在擷取腦波再去做一個後續的處理，利用演算法計算資料特徵去做判讀，例如:獨立成分後的訊號波形(time courses)、頭皮映射地圖(scalp map)、事件相關電位影像(event-related potential image, ERP image)等多種形式的特徵去判斷這段波形是否能作為判斷的標準神經訊號還是干擾訊號，離線去除在醫療方面是處理病人在醫療後，觀測醫療後續效果的優良性，或是藥物後產生的變化。. 4.

(14) 二、研究目的在量測腦波時，難免會有干擾波的產生，如何從含有雜訊的腦波訊號中萃取出有用的神經訊號，要處理這樣的問題並不容易，獨立成分分析是一種依訊號特徵將訊號源分離出來的方法，本篇將用這種分析法使訊號分成多個獨立成分，在將這些獨立成分個別以時間域的特徵和空間域上的特徵運算，現在很多文獻中都使用這種方式來探別干擾訊號，本篇針對文獻中比較常用的特徵變異數分析進行比較干擾訊號和一般神經訊號的差異，和利用這些特徵在不同的分類器上分類結果的差異。. 5.

(15) 三、論文架構在第一章將會敘述腦波的發現背景和本篇的動機、目的，下一章節中將討論本研究的主要分析方式獨立成分分析以及探討其他國內外的研究其使用的方法和針對的類型，第三章將介紹本論文的研究方法，第四章則是以實驗結果圖表示方式的呈現對於特徵對應於訊號分類的比較，第五章提出最後的結論和未來展望，在最後一章是參考文獻。. 6.

(16) 第二章文獻探討一、獨立成分分析獨立成分分析(independent components analysis; ICA)，其重點是假設訊號來源是獨立的；這個假設在大多數盲訊號分離的情況中符合這種情況。即使當訊號非獨立時，仍然可以用獨立成分分析來把觀察訊號統計獨立化，從而進一步分析該訊號的特性。獨立成分分析在腦波訊號的分析上也是重要的，因為在記錄腦波訊號時，電極測量到的訊號來源並不單一而是該部位且附近的神經訊號都會收集，不過會因取得訊號源距離的長短產生權重的大小差異，而 ICA 可以把電極擷取的訊號利用權重大小將原始的訊號還原出來以便確認這段神經訊號的特性，是屬於我們需要還是不需要的。獨立成分分析的盲訊號分離其中最經典的就是雞尾酒問題，假設收到的訊號 X 是個混合訊號X = (𝑥1 , 𝑥2 , … , 𝑥𝑚 )，m 代表 m 個接收點，獨立成分S = (𝑠1 , 𝑠2 , … , 𝑠𝑛 )，n 表示 n 個訊號源，其 m 必須大於等於 n，獨立成分分析是利用線性轉換把觀察訊號轉 X 變成獨立成分 S，A 為混合比例權重，以下為其式子 𝑥1 = 𝑎11 𝑠1 + 𝑎12 𝑠2 + ⋯ + 𝑎1𝑛 𝑠𝑛 𝑥2 = 𝑎21 𝑠1 + 𝑎22 𝑠2 + ⋯ + 𝑎2𝑛 𝑠𝑛. (1). ⋮ 𝑥𝑚 = 𝑎𝑚1 𝑠1 + 𝑎𝑚2 𝑠2 + ⋯ + 𝑎𝑚𝑛 𝑠𝑛 合併後 X = AS. (2). 其中 A 是一個 m  n 的矩陣，稱為混合矩陣(Mixing Matrix)，上式中除了 X 是已知的，A 和 S 皆是未知的資訊。依照上式所示，只要利用盲訊號分離的方法求出跟混合矩陣 A 之逆矩陣相似的矩陣 W，便能利用此矩陣 W 重建出訊號，而此矩陣 W 稱為解混合矩陣 7.

(17) (De-Mixing Matrix)。 W ≈ 𝐴−1 S ≈ U = WX. (3). 其中 U 為估測出的重建訊號(Reconstruction Signal)，當解混合矩陣 W 與混合矩陣之逆矩陣 A-1 越相近，則重建訊號 U 會越近似原始訊號 S，但由於 A 是未知的訊號，因此必須由觀測到的混合訊號估算出 W。在進行獨立成分分析法的訊號前為了減少計算的變數，需要做兩項前置處理置中化 (centering)和白色化(whitening)。置中化是將混合訊號轉變成零均值(zero-mean)的訊號，而白色化是將混合訊號從自相關(correlated)的特性轉換成非相關(uncorrelated)的訊號，經由這些處理後，可使獨立成分分析法的處理複雜度降低。. 混合矩陣. 預處理(置中化、白色化). 演算法. 否. 是否收斂. 是. 獨立成分. 圖二. 獨立成分分析流程表. 8.

(18) 在獨立成分分析中假使接收的訊號的平均為零，在均值為零的情況下演算法的過程會簡化很多，若訊號不為零，我們可以將接收訊號與其平均值相減，而置中化的效果就是做到使訊號平均化為零的前置處理；雖然處理對象為接收的訊號，這使用置中化的同時也對訊號源做置中化的處理。 𝑋 = 𝑥 − 𝑥̅. (4). 在使訊號獨立之前，可以先將訊號白化處理成非相關性，這樣可以使訊號更靠近獨立訊號，Z 為一行向量而白化的動作是找一個白化矩陣 V，使其將接收的訊號做線性轉換。當經過白化矩陣 V 轉換後的混合矩陣為一個正交矩陣，這表示在尋找權重矩陣時只需要找其互相垂直的向量，這輛整個獨立成分分析演算法的過程中簡化很多。 E{Z𝑍 𝑇 } = I. (5). 假設 Z 是一個白化行向量，而它的共變異矩陣為單位矩陣，白化的動作就是找一白化矩陣 V 將原訊號做線性轉換，如下 Z = VX. (6). 這種轉換普遍的方式為對訊號的共變異矩陣做特徵值分解(Eigenvalue Decomposition, EVD) E{X𝑋 𝑇 } = ED𝐸 𝑇. (7). 其中 E 為特徵向量所構的正交矩陣且𝐸 𝑇 = 𝐸 −1，D 為對應特徵值的對角矩陣，白化矩陣 V為 V = E𝐷−1/2 𝐸 𝑇. (8). 可經檢驗共變異矩陣是否為單位矩陣來確認由白話矩陣 V 經過線性轉換後的 Z 是否已完成白化。 9.

(19) 二、訊號分類器 Viola et al.[5]製作的半自動辨識腦電圖獨立成分 (Semi-automatic identification of independent components representing EEG artifact; CORRMAP)是一個半自動的獨立成分聚類工具，此方法基於 ICA 逆權重的相關性，需先透過 ICA 處理，基於它們的空間域特徵與一種或數種的干擾訊號模型做相似檢測，這個模型在使用者設定中也可以自動設定為以下兩種不同的操作模式。自動模式下，CORRMAP 識別所有的獨立成分與上述的自動順練的模型是否具有關聯性。在手動模式下，CORRMAP 識別所有獨立成分具有高於使用者所指定的模型是否具有關聯性，這個方法主要測量兩種干擾訊號，眨眼、橫向眼動。 Winkleret et al.[4] 製作的自動去除獨立成分中的干擾訊號機 (automatic classification of artifactual ICA-components for artifact removal in EEG signals)此方法需先透過 ICA 處理，再基於線性規劃考慮三十八種的空間域、時間域和頻譜的特徵分類，主要用於檢測心電圖以及肌肉，這方式的優點在於這樣的線性方式適用於不同的電極位置，可以在訓練機上增加其他特徵模組檢測其他擾訊號。 Saleha Khatun et al.[14]的基於小波分析去除單通道電極眼影雜訊(Comparative Analysis of Wavelet Based Approaches for Reliable Removal of Ocular Artifacts from Single Channel EEG)此方式使用靜態離散小波轉換和各種小波基函數通用值或統計值並計算其相關係數(Correlation Coefficient, CC)、歸一化均方差(Normalized Mean Square Error, NMSE)以及時間頻率分析，比較小波和值之間的不同組合，分析去除眼影雜訊的最佳組合。 Maria Anastasiadou et al.[13] 的檢測並去除癲癇病患的肌肉雜訊 (Detection and Removal of Muscle artifacts from Scalp EEG Recordings in Patients with Epilepsy)使方法使用獨立成分分析計算其自相關性以及頻譜特徵再基於典型相關分析 (Canonical Correlation Analysis, CCA)利用訊號頻譜特徵以及相關性係數的改變差異使肌肉雜訊以 10.

(20) 及非肌肉訊號能做到分類。 S. Jirayucharoensak & P. Israsena[15]的基於獨立成分分析和提升小波轉換自動去除干擾訊號(Automatic Removal of EEG Artifacts Using ICA and Lifting Wavelet Transform) 此方法使用獨立成分分析，並對於一些雜訊中藏有需要的一般訊號做處理，這些將針對眨眼雜訊的獨立成分做提升小波轉換(Lifting Wavelet Transform; LWF)以多項式回歸的方式做到高低頻係數的差來做藉由獨立成分分析對眨眼雜訊優化去除。 Yuan Zou et al.[8]腦電圖自動去除獨立成分相關雜訊( Automatic Identification of Artifact-Related Independent Components for Artifact Removal in EEG Recordings) 針對 ERP 的特徵去群集分析把相似的分類目標通過靜態分群，讓同一群中的項目有共同屬性，用於識別生理雜訊和非生理受的電極阻抗信息，主要用於在眼部雜訊中的非生物訊號做處理。 Anusha Zachariah et al.[18]基於獨立成分分析腦電圖節律自動去除腦電圖雜訊 (Automatic EEG Artifact Removal by Independent Component Analysis Using Critical EEG Rhythms) 以腦電圖識別的四個主要頻率 delta, theta, alpha 和 beta 節律使用成分的獨立分量分析設計。由於不同的雜訊與不同的腦電圖節奏小波分解重疊，使用峰度作為參數來區分對於小波分量多於且不需要的小波，從而降低了拒絕有用信息的可能性。可以容易的改變小波係數，這些變換對其中電極訊號的各種狀態對應於信息的不同表示。 Gang Wang et al.[19]( The Removal of EOG Artifacts From EEG Signals Using Independent Component Analysis and Multivariate Empirical Mode Decomposition.)通過使用獨立成分分析其中以多變量分析的方法從多通道腦電圖中去除眼動雜訊。在獨立成分訊號被多變量模型分解為多個分析模式，以多個變數資料去探索資料之間的關聯性及特徵，然後通過重建對應於眼動的特徵函數的相關訊號來做眨眼與一般訊號區分和去除。 Suguru Kanoga 和 Yasue Mitsukura[9]使用基於獨立分量分析的模板在單通道 EEG 信號的時域眨眼雜訊去除方法(ICA-Based Positive Semidefinite Matrix Templates for Eye-Blink Artifact Removal from EEG Signal with Single-Electrode)採用獨立成分分析和張量因子分 11.

(21) 解獲得了高信噪比和低均方差，在張量因子分解乘法更新規則計算最優迭代次數通過使用基於獨立成分的矩陣模板，提出了一種用於單通道 EEG 訊號的有用的時域眨眼雜訊去除方法。 C.Y. Sai, N. Mokhtar et al.[20] 基於支持向量機與小波獨立成分自動分類去除雜訊 (Automated Classification and Removal of EEG Artifacts with SVM and Wavelet-ICA)使用支持向量機的小波用獨立成分分析分離的雜訊，以時域訊號計算峰度、方差、近似熵和訊號幅度範圍等特徵作為訓練支持向量機的測試數據，以識別腦電信號中的眼睛眨眼雜訊。 Mognon et al.[1]製作的基於使用空間與時間特徵的自動去除器(an automatic EEG artifact detector based on the joint use of spatial and temporal features; ADJUST )這個方法基於高斯密度分類，先將訊號經過獨立成分分析處理後，藉由空間域和時間域的特徵做分類，分成四種干擾訊號眨眼、橫向眼動、縱向眼動、失真，判斷特徵項目以下列五種 :時間峰度時間序列的獨立成分中具有一些高峰值，而高峰值皆接近平均值。空間平均差代表獨立成分的眼部特徵在前額區域比頭皮的後部區域活躍程度較大。最大時方差最大差異是由差異超過時間區間的平均時用最高方差的時域和除以平均方差。然而，垂直眼球運動的持續時間比閃爍的時間更長。因此，峰度值是閃爍比垂直眼球運動水平。高的最大方差連同峰度可以用於檢測垂直眼球運動。眼部空間差這個特點是左眼區塊電極減去右眼區塊電極的權重的平均值的絕對值。此行為是類似的時間序列的眨眼組分。然而，垂直眼球運動的持續時間比閃爍的時間更長。此特徵是為檢測橫向眼球運動能產生兩個眼睛周圍的高幅激活，與相對左右兩邊的幅動跡象使得此特徵計算的值較高。空間間斷特徵表示一個不連續的獨立成分，在空間上集中在頭皮上的一個小區域，在獨立成分活化該電極與其最接近的十個電極的平均間的差異進行量化空間的集中度。此方法其優點在於眼部的特徵分類詳細，判斷的準確率高，不過缺點在於少了眼部以外的特徵，以及當時間長度過短時準確率會下降。 Laura Frølich[2] 的腦電圖的獨立成分多工種類分類 (classification of independent components of EEG into multiple artifact classes; ICMARC)此方法多項式回歸分類多種類 12.

(22) 型的訊號獨立成分，先將訊號透過ICA處理，再以頻譜、空間和時間域上的多種特徵做分類，分類五種非神經類型訊號，眨眼、心電圖、橫向眼動、肌肉、混合，這個做法優點是能做到更多種類的干擾訊號去除，以及多了混合訊號的分類能保留更多的訊號來源，不過其缺點也因為混合訊號的關係，假如當混合訊號充斥雜訊和干擾訊號，會導致還原的訊號造成誤差，且判定特徵較多易把干擾訊號分類為混合訊號。下面表二為文獻探討的整合，其中有作者、其方法使用的特徵類型和方法針對何種干擾訊號做處理表二作者. 文獻探討統合表使用特徵. 主要分析雜訊. Viola et al.. 空間域特徵. 眨眼、橫向眼動. Mognon et al.. 空間域和時間域特徵. 眨眼、橫向眼動、縱向眼動、失真. Winkleret et al.. 空間域和時間域特徵. 心電圖、肌肉. Laura Frølich. 空間域和時間域特徵. 神經訊號、眨眼、心電圖、橫向眼動、肌肉、混合. Saleha et al.. 時間域特徵. 眨眼、眼動. Maria et al.. 時間域特徵. 肌肉. S.Jirayucharoensak 空間域和時間域特徵 & P. Israsena 時間域特徵 Yuan et al.. 眨眼. Anusha et al.. 時間域特徵. 眨眼. Gang et al.. 時間域特徵. 眨眼. Suguru Kanoga and Yasue. 時間域特徵. 眨眼. Mitsukura. 13. 眨眼，針對眨眼的非生物訊號.

(23) 第三章研究方法本篇研究方法主要談論三個重點，特徵計算、變異數分析和分類器，在特徵計算會說明所採用的特徵和其算法，後面對於變異數分析對於在本研究的應用以及其原理，分類器部分使用那些分類器和方式，下圖三為本篇的研究方法流程圖，首先原始資料來源於 CHB_MIT 頭皮腦電圖數據庫，將訊號秒數為五秒一個段落，在使用獨立成分分析使訊號分離成個別獨立的獨立成分訊號，接著進行 ADJUST 和 ICMARC 分類獨立成分訊號為正常波或干擾訊號，若兩者皆果相同則當作資料集做收集，若產生不一致的答案則不做挑選，資料收集完畢後進行七種特徵計算，之後使用變異數分析以個別特徵去分析正常波以及干擾訊號的差異性，最後使用六種分類器去做訓練，檢測對於這些特徵哪些分類器會做出更好的分類結果。. 14.

(24) 原始訊號. 訊號以五秒一次切割. 進行獨立成分分析. 使用兩種方法對訊號做分類. 挑選兩種方法同樣分類的結果作為資料集. 特徵計算. 變異數分析. 分類器分類圖三研究方法流程圖. 15.

(25) 一、特徵計算本篇的特徵參考 ADJUST 和 ICMARC 時域特徵和空間域的特徵。時間峰度(Temporal Kurtosis,TK)[1]峰度特徵在時間域中量化分布的峰值，從時間序上可以看到大部分分布的峰值接近平均數，而一些高的數值會造成高峰度出現，這些通常出現在眼睛部分的雜訊所引起的。 1 𝑛 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )4 𝑛 temporal kurtosis = 2−3 1 𝑛 2 (𝑛 ∑𝑖=1(𝑥𝑖 − 𝑥̅ ) ). (9). 時間偏度(Temporal Skewness; TS) [2][3]偏度在時間域上量化分布中不對稱的程度，此特徵從時間序列分為數個間隔然後找到間隔中的偏度平均值來計算的，當眼睛眨眼會導致高電位點時間的間隔增加分佈的不對稱性，會使獨立成分產生高度的正負性。. temporal skewness =. 1 𝑛 ∑ (𝑥 )3 𝑛 𝑖=1 𝑖 − 𝑥̅. 3. 2 1 (𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ). ( 10 ). 最大方差(Maximal Variance; MV) [1]通過時間序上最大方差與時間序變化的平均值相除，若沒有時間區間會以數據分割解決這個問題，由於眼動和眨眼相似，然而眼動的持續時間會比眨眼長，因此在在峰度上眨眼會高於眼動，這意味著最高的峰值居分為眨眼不是眼動，所以我們可以用時間序列的方差與峰值計算出是否為眼動雜訊. 2 1 𝑛 1 ∑𝑖=1(𝑥𝑖 − 𝑥𝑚𝑎𝑥 )2 − ( ∑𝑛𝑖=1 𝑥𝑖 − 𝑥𝑚𝑎𝑥 ) 𝑛 maximal variance = 𝑛 2 1 𝑛 1 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )2 − ( ∑𝑛𝑖=1 𝑥𝑖 − 𝑥̅ ) 𝑛 𝑛. ( 11 ). 空間間斷(Generic discontinuity; GD) [1]表示為一個電位不連續性的獨立成分，例如失真 16.

(26) 電極，通過計算所以有電極，使用最大值作為特徵在與身邊最接近十個電極之間的差異量化空間的濃度程度。眼位空間差(Spatial eye difference; SED) [1][2][3]此特徵代表該獨立成分中前額左邊與右邊的電極之間的差異，通過絕對值來量化左右的電極活化差異，該特徵用於檢測產生高振幅激活的眼動在雙眼之間，有相反的跡象，使眼位空間差出現高值。E 表示電極的位子所在，以半徑為 1 的圓來說E左眼區域代表的區間為介於0.3 < 半徑 < 1，角度為 − 61° < θ < −29°，𝐸右眼區域代表的區間為 0.3 < 半徑 < 1，29° < θ < 61°。. |. |𝐸|. 1. |𝐸|. 1. ∑ 𝑎𝑖𝑗 ∙ (E左眼區域 ) − ∑ 𝑎𝑖𝑗 ∙ (𝐸右眼區域 )| |E左眼區域 | 𝑖=1 |𝐸右眼區域 | 𝑖=1. ( 12 ). 平均空間差(Spatial average difference; SAD) [1][2][3]此特徵代表該獨立成分中前額與後葉的電極之間的差異，通過絕對值來量化前後的電極活化差異，以半徑為 1 的圓來說 𝐸前顱代表的區間為介於 0.4 < r < 1，角度為 0° < |θ| < 60°，𝐸後顱代表的區間為 0 < r < 1，110° < |𝜃| < 180°。. |. 1. |𝐸|. 1. |𝐸|. ∑ 𝑎𝑖𝑗 ∙ (𝐸前顱 ) − ∑ 𝑎𝑖𝑗 ∙ (𝐸後顱 )| |𝐸前顱 | 𝑖=1 |𝐸後顱 | 𝑖=1. ( 13 ). 赫斯特指數(Hurst)[2]在時間序列上給出了自相關度量，使不同類型的獨立成分在不同程度上表現出自相關性的差異，對特徵的選擇上做到有效的檢查。 𝑛. 1 𝑥̅ = ∑ 𝑥𝑖 𝑛 𝑖=1. 𝑌𝑖 = 𝑥𝑖 − 𝑥̅ ，. 𝑖 = 1,2, ⋯ , 𝑛 17. ( 14 ). ( 15 ).

(27) 𝑛. 𝑍𝑖 = ∑ 𝑌𝑖 ，. ( 16 ). 𝑖 = 1,2, ⋯ , 𝑛. 𝑖=1. 𝑅𝑖 = max(𝑍1 , 𝑍2 , … , 𝑍𝑖 ) − mini(𝑍1 , 𝑍2 , … , 𝑍𝑖 ) ，. 𝑖 = 1,2, ⋯ , 𝑛. ( 17 ). 𝑛. 1 𝑆𝑖 = √ ∑(𝑥𝑖 − 𝑥̅ )2 ， 𝑖. 𝑖 = 1,2, ⋯ , 𝑛 ( 18 ). 𝑖=1. (𝑅 ⁄𝑆)𝑖 = 𝑅𝑖 ⁄𝑆𝑖 ，. 𝑖 = 1,2, ⋯ , 𝑛. 18. ( 19 ).

(28) 二、變異數檢定變異數檢定(Analysis of Variance; ANOVA)變異數檢定針對組對組之間做比較，比較的對象可以針對單個變異數或多個，單個變異數的檢定稱為單因子變異數分析(One-way ANOVA)，多個變異數為多因子變異數分析(Factorial ANOVA) ，本篇探討的方向針對特徵對應於一般訊號和干擾訊號之前是否具有差異性所以使用的方式為單因子變異分析，在此分析中須有下列三大前提，各組的樣本分佈需要為常態分佈或者近似常態分佈、各組的樣本之間獨立、群組之間的變異數必須相等；在我們進行變異數分析要先計算總變量、組間變異數和組內變異數，總變量可以得知所有樣本的離散程度，組間變異數可以得知每個組和總平均的差異，組間變異數越大表示分離的越好，組內變異數得知組內樣本的離散程度，組內變異數越小表示組內的樣本越相近，也就是說當組間變異數越大且組內變異數越小組和組之間的差異性越大是可以具有比較性的，其計算式如下式下圖四所示，n 表示總樣本數、j 表示組別數. 𝑛. 總變量(TSS) = ∑(𝑥𝑖 − 𝑥̅𝑡𝑎𝑡𝑜𝑙 )2 𝑖=1. ( 20 ) 組間變量(BSS) = ∑ 𝑛𝑗 (𝑥̅𝑗 − 𝑥̅𝑡𝑜𝑡𝑎𝑙 )2 𝑗. ( 21 ) 組內變異數(WSS) = ∑ ∑(𝑥𝑗 − 𝑥̅𝑗 )2 𝑗. 𝑛𝑗. ( 22 ). 19.

(29) 圖四 ANOVA 變異數最後再透過組間變異數除以組間自由度和組內變異數除以組內自由度計算出組間均方和以及組內均方和，兩者相除便會獲得 F 值，當 F 值越大也代表著組之間的差異越大是具有比較性，在變異數分析中的另一個檢定值 p 值(pooled T-test)與 F 值相反當 p 值越小差異性越大，p 值代表事件觸發的機率，當 p 值越小表示可信度是越高的，在 ANOVA 中當 p 值<0.05 表示事情觸發很低若發生事件是具有可信度。一般在變異數檢定產生的表如下表三. 表三 ANOVA 檢定表平方和(SS). 自由度(df). 均方和(MS). F值. p值. 組間. BSS. j-1. BSS/df𝑏. BMS/WMS. p值. 組內. WSS. (n-1)-(j-1). WSS/df𝑤. 全部. TSS. n-1. 20.

(30) 三、分類器這邊介紹本篇中使用的六種分類器說明這些分類器的分類方式，隨機森林 (random forests; RF) [21][22]是屬於一種集成學習的方法，其原理是生成多個分類器模型，各自獨立地學習並作出預測，最後結合起來進行投票的方式得到預測結果，因此和單獨分類器的結果相比，結果一樣或更好，隨機樹林也是同一種應用方式，建立多個決策樹進行決策，在建立每一棵決策樹的過程中，有兩個隨機的過程，隨機採樣與完全分裂，對資料要進行行、列的採樣，對於行採樣使用放回的方式，也就是在採樣得到的樣本集合中，其樣本是具有重複性，在進行列採樣中決策樹會從 M 個特徵中，選擇 m 個(m 的選擇數量必須小於 M)，進行採樣之後的資料使用完全分裂的方式建立出新的決策樹，這樣決策樹的某一個葉子節點要麼是無法繼續分裂的，要麼裡面的所有樣本的都是指向的同一個分類。由於之前的兩種隨機採樣的過程保證了隨機性，所以比起一般的決策樹就算不剪枝，也不會出現過度訓練。線性判別式分析(Linear Discriminant Analysis; LDA) [23] 是監督式分類算法中的一種，線性判別分析通過對資料進行降維度的投影，投影是從向量空間映射到自身的一種降維度線性變換，使投影後同一類別的資料儘量靠近，不同類別的數據儘量分開，並生成線性判別模型對新生成的資料進行分離和預測。支援向量機（Support Vector Machine; SVM）[24]是一種監督式學習分類的方法，可應用於統計分類以及回歸分析，支持向量機將向量投射到一個更高維度的空間裡，在這個空間裡建立使兩種不同種類的資料分割成兩類的一個最大間隔超平面。在超平面其兩邊建有兩個互相平行的超平面，當兩個平行超平面的距離或差距越大會使分類器的總誤差越小。樸素貝葉斯(Naive Bayes; NB) [25]基於貝葉斯定理的統計資料，針對訓練資料所產生的類別，計算資料的機率分佈，去判斷該特徵對於測試資料的類別機率從而實現分類，在此的前提特徵條件必須為獨立。邏輯回歸模型 (Logistic Regression; LR) [26] 是一種統計學上的分析方法，利用線性回歸對自變數與應變數之間的關係進行建模，套用邏輯函數，在訓練模型前期變化較大以指數成長，隨後逐漸飽和最後會停止增加，主要是 21.

(31) 用來瞭解變數間的相關性。最近鄰居法(K-Nearest Neighbor ;KNN) [27]是一種監督式學習分類的方法，和一般的監督式學習有些不同，這種方法並沒有進行訓練的過程，直接透過分類好的資料，進行比較在附近 K 個標記分類的資料中尋找分類中數量較多個的類別進行分類。. 22.

(32) 第四章實驗結果一、資料收集本實驗以 ADJUST 以及 ICMARC 的方式去做干擾訊號去除的結果和辨識、收集干擾訊號的模組。對於本篇的干擾訊號收集針對眨眼、橫向眼動、肌肉、失真訊號，所使用的資料來源 CHB_MIT 頭皮腦電圖數據庫，資料庫中所測量的對象為具有癲癇疾病的患者，總共 22 名受測者(5 名男性，年齡區間 3~22;17 名女性，年齡區間 2~19)所有訊號是採用雙電極的方式採樣，每秒 256 個採樣點，在這個數據庫中使用了 23 個電極訊號，其中一個電極為重複，另一個則是相反電極位置，下列表四是本篇收集的訊號資料筆數以及選取哪些病人，訊號部分是經過獨立成分分析的處理後收集的獨立成分訊號。. 表四病患. 資料收集總表. 總數. 一般訊號. 干擾訊號. 眨眼. 肌肉. 橫向眼動. 失真. Ch01. 1350. 865. 485. 180. 196. 42. 67. Ch03. 1367. 876. 491. 232. 184. 33. 42. Ch04. 1376. 878. 498. 187. 207. 50. 54. Ch05. 1359. 871. 488. 262. 181. 14. 31. Ch06. 1409. 894. 515. 260. 172. 32. 51. Ch07. 1368. 868. 500. 222. 201. 28. 49. Ch08. 1399. 896. 503. 235. 194. 41. 33. Ch11. 1349. 877. 472. 221. 183. 27. 41. Ch14. 1347. 864. 483. 234. 177. 34. 38. Ch15. 1363. 897. 466. 217. 165. 30. 54. 編號. 23.

(33) 二、實驗結果 (一) ANOVA 檢定在變異數檢定中，本篇比較一般訊號與干擾訊號中針對每個特徵做單因子變異數檢定，測試各個特徵對於兩種訊號之間的差異性，在檢定結果中以統計的角度來看當 p 值小於 0.05 時可以知道兩群之間有差異性的這件事是具有可信的，經由這點特性利用各個特徵進行變異數檢定分析在兩種訊號之間是否具有差異性，結果如下表 5，以病患編號 Chb01 來說依序 TK、TS、MV、SAD、SED、GD、Hurst 計算的 p 值為 0.0244、0.0030、 0.0930、0.0026、0.0010、0.0413、0.0111，其中粗體字的數字代表 p 值<0.05 其結果是好的，從表中可以知道 TK、TS、SAD 和 GD 這四種特徵在所有病患和所有資料集裡是具有明顯的差異性的，而 MV 和 SED 在一些病人中差異較不明顯，不過在所有資料集中訊號的差異性還是有區別性，在 Hurst 特徵中目前只在病患 CHB01 的受試者有區分性，在 CHB03、 CHB06、 CHB08、CHB11 和所有資料集除了 Hurst 以外的特徵，都可以得到很好的差異表現。. 24.

(34) 表五 ANOVA 檢定之 p 值 TK. TS. MV. SAD. SED. GD. Hurst. Chb01. 0.0244. 0.0030. 0.0930. 0.0026. 0.0010. 0.0413. 0.0111. Chb03. 0.0480. 0.0403. 0.0317. 0.0021. 0.0294. 0.0205. 0.7155. Chb04. 0.0185. 0.0384. 0.0024. 0.0239. 0.1555. 0.0185. 0.0502. Chb05. 0.0283. 0.0027. 0.7109. 0.0015. 0.0009. 0.0022. 0.5449. Chb06. 0.0159. 0.0018. 0.0040. 0.0016. 0.0085. 0.0086. 0.7665. Chb07. 0.0030. 0.0021. 0.0390. 0.0158. 0.1766. 0.0048. 0.5964. Chb08. 0.0194. 0.0026. 0.0003. 0.0034. 0.0062. 0.0049. 0.8369. Chb11. 0.0071. 0.0068. 0.0229. 0.0018. 0.0036. 0.0062. 0.8424. Chb14. 0.0059. 0.0013. 0.1036. 0.0016. 0.0069. 0.3227. 0.4253. Chb15. 0.0020. 0.0049. 0.7100. 0.0036. 0.0227. 0.0002. 0.9869. ALL. 0.0014. 0.0029. 0.0087. 0.0039. 0.0027. 0.0098. 0.1028. 病患編號. 25.

(35) (二) 分類器結果在實驗中會依各個病患的資料以及所以的資料作分類實驗，其中 75%的資料為訊號資料 25%為測試資料，各個分類器中本篇以五種準確度來計算測試資料分類的準確度，靈敏度(Sensitivity)計算的是將第一類真的分類為第一類準確性、特異性(Specificity)與靈敏度相似計算的是針對第二類真的分類為第二類準確性、 ROC 曲線 (Receiver operating characteristic curve)是以靈敏度和特異性以圖示的方法結合所示 y 軸為敏感度 x 軸為 1-特異性、精確度(Accuracy)計算的是第一類真的分類為第一類以及第二類真的分類為第二類的準確性、一致性(Kappa)計算測試資料與訓料資料兩者分類的相似度，以上五種可以從分類後的結果中計算出來，下表六至表十九表示出在每個病人的訓練資料結果與針對分類器在特徵的選取和測試資料的結果。. 26.

(36) 表六為 RF 分類器中所得到的結果，以病患編號 Chb01 來說依序特徵數、靈敏度、特異性、精確度、一致性為 5、100.00、99.07、98.71、99.40，從表中在 CHB06、CHB07 和 CHB15 的結果是完美分類，10 位患者平均來說所挑選的特徵數為 5 標準差 1.25，靈敏度為 99.26 標準差為 0.87，特異性為 99.24 標準差為 0.81，精確度為 98.29 標準差為 1.14，一致性為 99.27 標準差為 0.47，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 6、靈敏度為 99.00、特異性為 97.36、精確度為 96.36 和一致性為 98.55，從這些資料我們可以知道在 RF 分類器中所得到的結果大部分都是不錯的。表六病患. 特徵數. 編號. RF 測試結果之評估指標靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 5. 100.00. 99.07. 98.71. 99.40. Chb03. 6. 100.00. 98.12. 97.52. 98.83. Chb04. 6. 99.07. 99.15. 97.97. 99.12. Chb05. 5. 99.17. 99.08. 98.07. 99.12. Chb06. 5. 100.00. 100.00. 100.00. 100.00. Chb07. 4. 100.00. 100.00. 100.00. 100.00. Chb08. 6. 97.15. 97.73. 96.09. 98.47. Chb11. 2. 98.99. 100.00. 98.08. 99.25. Chb14. 6. 98.96. 100.00. 98.18. 99.25. Chb15. 6. 100.00. 100.00. 100.00. 100.00. 平均. 5. 99.26. 99.24. 98.29. 99.27. (標準差). (1.25). (0.87). (0.81). (1.14). (0.47). 全部資料集. 6. 99.00. 97.36. 96.36. 98.55. 27.

(37) 表七為 RF 訓練結果，以病患編號 Chb01 來說依序特徵數、ROC、靈敏度、特異性、精確度、一致性為 5、100.00、98.06、99.85、99.21、98.26，ROC 在 Chb01、 Chb04、 Chb06、 Chb07 和 Chb11 做出來的訓練模型結果最好，平均來說特徵數為 5 標準差 1.25， ROC 為 99.94 標準差為 0.1，靈敏度為 99.12 標準差為 0.75，特異性為 98.48 標準差為 1.61，精確度為 99.09 標準差為 0.70，一致性為 97.81 標準差為 1.81，這邊可以看出 RF 在做訓練模型的結果是很好的。表七病患. 特徵數. 編號. RF 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 5. 100.00. 98.06. 99.85. 99.21. 98.26. Chb03. 6. 99.99. 98.88. 99.10. 99.03. 97.87. Chb04. 6. 100.00. 99.47. 99.69. 99.61. 99.16. Chb05. 5. 99.86. 98.10. 99.39. 98.92. 97.66. Chb06. 5. 100.00. 99.48. 99.70. 99.62. 99.19. Chb07. 4. 100.00. 99.64. 98.18. 99.23. 98.08. Chb08. 6. 99.94. 100.00. 98.26. 99.53. 98.77. Chb11. 2. 100.00. 99.30. 98.26. 99.00. 97.55. Chb14. 6. 99.71. 98.30. 94.36. 97.24. 92.94. Chb15. 6. 99.87. 100.00. 98.00. 99.51. 98.63. 平均. 5. 99.94. 99.12. 98.48. 99.09. 97.81. 標準差. (1.25). (0.10). (0.75). (1.61). (0.70). (1.81). 28.

(38) 表八為 LDA 分類器中所得到的結果，在 CHB01 和 CHB06 的分類結果還不錯，10 位患者平均來說所挑選的特徵數為 5.22 標準差 0.92，靈敏度為 92.76 標準差為 8.47，特異性為 80.33 標準差為 12.42，精確度為 64.56 標準差為 21.56，一致性為 84.14 標準差為 7.01，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 5、靈敏度為 89.77、特異性為 81.98、精確度為 67.62 和一致性為 86.12，從這些資料我們可以知道在以 LD 分類器在部分的病患做出來的結果不太好，儘管把所以資料整合處理分類得到的結果也沒有得到很好效益。表八病患. 特徵數. 編號. LDA 測試結果之評估指標靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 6. 100.00. 86.00. 76.18. 89.64. Chb03. 6. 99.00. 86.30. 78.12. 90.05. Chb04. 6. 97.67. 90.62. 81.38. 92.40. Chb05. 5. 92.30. 77.45. 52.26. 80.29. Chb06. 3. 100.00. 81.98. 67.62. 86.12. Chb07. 5. 96.25. 86.53. 83.91. 92.42. Chb08. 5. 83.05. 79.16. 49.81. 82.39. Chb11. 5. 93.06. 87.88. 78.54. 91.79. Chb14. 6. 73.50. 47.05. 13.24. 70.14. Chb15. 5. 82.05. 80.95. 47.29. 81.88. 平均. 5.22. 92.76. 80.33. 64.56. 86.14. (標準差). (0.92). (8.47). (12.42). (21.56). (7.01). 全部資料集. 5. 89.77. 81.98. 67.62. 86.12. 29.

(39) 表九為 LDA 訓練結果 ROC 在 Chb04 和 Chb11 做出來的訓練模型結果最好的，平均來說特徵數為 5.22 標準差 0.92，ROC 為 91.51 標準差為 5.03，靈敏度為 79.42 標準差為 16.39，特異性為 78.86 標準差為 31，精確度為 85.80 標準差為 6.23，一致性為 61.53 標準差為 23.19，這邊可以看出 LDA 在做訓練模型的結果普遍都不好，靈敏度、精確度和一致性的平均標準差也很高。表九病患. 特徵數. 編號. LDA 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 6. 90.87. 63.81. 100.00. 87.06. 69.72. Chb03. 6. 92.21. 69.83. 100.00. 89.47. 75.00. Chb04. 6. 95.18. 79.93. 100.00. 92.47. 83.25. Chb05. 5. 82.38. 50.29. 99.24. 81.65. 55.26. Chb06. 3. 97.87. 63.37. 100.00. 86.65. 68.64. Chb07. 5. 94.75. 92.56. 85.91. 90.62. 77.40. Chb08. 5. 91.37. 93.23. 60.27. 84.24. 57.03. Chb11. 5. 95.76. 93.35. 91.44. 92.77. 82.85. Chb14. 6. 83.74. 93.90. 14.18. 72.91. 9.95. Chb15. 5. 91.01. 93.91. 37.55. 80.19. 36.17. 平均. 5.22. 91.51. 79.42. 78.86. 85.80. 61.53. 標準差. (0.92). (5.03). (16.39). (31). (6.23). (23.19). 30.

(40) 表十為 SVM 分類器中所得到的結果，在 CHB04 的結果是完美分類，10 位患者平均來說所挑選的特徵數為 6 標準差 0.47，靈敏度為 98.36 標準差為 1.81，特異性為 97.76 標準差為 3.23，精確度為 95.71 標準差為 5.12，一致性為 98.21 標準差為 2.02，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 6、靈敏度為 100.00、特異性為 96.46、精確度為 94.81 和一致性為 97.64，從這些資料我們可以知道在 SVM 分類器中所得到的結果大部分都是不錯的。表十病患. 特徵數. 編號. SVM 測試結果之評估指標靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 7. 100.00. 99.07. 98.71. 99.40. Chb03. 6. 97.03. 99.03. 96.31. 98.24. Chb04. 6. 100.00. 100.00. 100.00. 100.00. Chb05. 6. 100.00. 99.54. 99.35. 99.70. Chb06. 6. 99.23. 100.00. 99.39. 99.71. Chb07. 6. 98.80. 97.91. 96.72. 98.48. Chb08. 6. 94.39. 94.28. 85.39. 94.36. Chb11. 6. 98.99. 100.00. 98.08. 99.25. Chb14. 5. 96.80. 90.00. 87.43. 94.77. Chb15. 6. 99.00. 97.36. 96.36. 98.55. 平均. 6. 98.36. 97.76. 95.71. 98.21. (標準差). (0.47). (1.81). (3.23). (5.12). (2.02). 全部資料集. 6. 100.00. 96.46. 94.81. 97.64. 31.

(41) 表十一為 SVM 訓練結果 ROC 在 Chb04、 Chb06、 Chb07 和 Chb15 做出來的訓練模型結果最好，平均來說特徵數為 6 標準差 0.47，ROC 為 99.80 標準差為 0.40，靈敏度為 98.83 標準差為 0.85，特異性為 99.11 標準差為 1.50，精確度為 99.12 標準差為 0.86，一致性為 97.82 標準差為 2.23，這邊可以看出 SVM 在做訓練模型的結果是很好的。表十一病患. 特徵數. 編號. SVM 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 7. 99.87. 98.06. 100.00. 99.31. 98.48. Chb03. 6. 99.90. 98.89. 99.85. 99.51. 98.93. Chb04. 6. 100.00. 99.74. 99.84. 99.80. 99.58. Chb05. 6. 99.77. 97.83. 100.00. 99.22. 98.27. Chb06. 6. 100.00. 99.74. 100.00. 99.91. 99.80. Chb07. 6. 100.00. 99.64. 99.09. 99.49. 98.73. Chb08. 6. 99.80. 98.06. 99.09. 98.36. 95.94. Chb11. 6. 99.97. 99.31. 100.00. 99.51. 98.82. Chb14. 5. 98.70. 97.64. 95.27. 97.01. 92.33. Chb15. 6. 100.00. 99.36. 98.00. 99.03. 97.36. 平均. 6. 99.80. 98.83. 99.11. 99.12. 97.82. 標準差. (0.47). (0.40). (0.85). (1.50). (0.86). (2.23). 32.

(42) 表十二來說在 NB 分類器中所得到的結果，在 CHB04、CHB06 和 CHB11 的結果是完美分類，10 位患者平均來說所挑選的特徵數為 6 標準差 0.82，靈敏度為 99.65 標準差為 0.67，特異性為 97.43 標準差為 3.43，精確度為 96.97 標準差為 2.83，一致性為 98.68 標準差為 1.21，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 6、靈敏度為 100.00、特異性為 99.54、精確度為 99.35 和一致性為 99.70，從這些資料我們可以知道在 NB 分類器中所得到的結果大部分都是不錯的。表十二病患. 特徵數. 編號. NB 測試結果之評估指標. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 5. 100.00. 97.72. 96.77. 98.52. Chb03. 6. 100.00. 97.66. 96.90. 98.54. Chb04. 6. 100.00. 100.00. 100.00. 100.00. Chb05. 7. 100.00. 96.46. 94.81. 97.64. Chb06. 5. 100.00. 100.00. 100.00. 100.00. Chb07. 5. 98.82. 100.00. 98.35. 99.24. Chb08. 7. 98.07. 96.36. 94.65. 97.88. Chb11. 6. 100.00. 100.00. 100.00. 100.00. Chb14. 7. 100.00. 88.63. 91.28. 96.26. Chb15. 7. 100.00. 90.47. 92.96. 97.10. 平均. 6. 99.65. 97.43. 96.97. 98.68. (標準差). (0.82). (0.67). (3.43). (2.83). (1.21). 全部資料集. 6. 100.00. 99.54. 99.35. 99.70. 33.

(43) 表十三為 NB 訓練結果 ROC 在 Chb04、 Chb06 和 Chb07 做出來的訓練模型結果最好，平均來說特徵數為 6 標準差 0.82，ROC 為 99.79 標準差為 0.25，靈敏度為 97.58 標準差為 1.97，特異性為 99.56 標準差為 0.96，精確度為 98.70 標準差為 1.42，一致性為 96.91 標準差為 3.45，這邊可以看出 NB 在做訓練模型的結果是很好的。. 表十三病患. 特徵數. 編號. NB 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 5. 99.61. 95.30. 100.00. 98.32. 96.30. Chb03. 6. 99.93. 97.49. 100.00. 99.12. 98.05. Chb04. 6. 100.00. 99.47. 100.00. 99.80. 99.58. Chb05. 7. 99.81. 95.38. 100.00. 98.34. 96.33. Chb06. 5. 100.00. 99.74. 100.00. 99.90. 99.79. Chb07. 5. 100.00. 100.00. 100.00. 100.00. 100.00. Chb08. 7. 99.46. 96.77. 98.33. 97.18. 93.01. Chb11. 6. 99.97. 99.31. 100.00. 99.51. 98.82. Chb14. 7. 99.32. 94.90. 97.27. 95.52. 89.16. Chb15. 7. 99.81. 97.45. 100.00. 99.28. 98.09. 平均. 6. 99.79. 97.58. 99.56. 98.70. 96.91. 標準差. (0.82). (0.25). (1.97). (0.96). (1.42). (3.45). 34.

(44) 表十四來說在 LR 分類器中所得到的結果，在分類上沒有得到很好的效益，10 位患者平均來說所挑選的特徵數為 4.56 標準差 1.5，靈敏度為 89.52 標準差為 7.31，特異性為 82.82 標準差為 12.79，精確度為 68.46 標準差為 21.82，一致性為 87.40 標準差為 7.87，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 5、靈敏度為 94.39、特異性為 94.28、精確度為 85.39 和一致性為 94.36，從這些資料我們可以知道在 LR 分類器中所得到的結果在個別病患中不錯的和不太好的佔各半，在合併資料集中作出的結果還不錯，在資料數量龐大的時候 LR 也是能得到不錯的效果。表十四病患. 特徵數. 編號. LR 測試結果之評估指標. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 5. 92.52. 89.61. 78.96. 90.53. Chb03. 6. 96.52. 90.30. 83.60. 92.40. Chb04. 6. 92.78. 92.65. 82.60. 92.69. Chb05. 2. 79.94. 77.39. 48.02. 77.94. Chb06. 5. 99.21. 98.23. 96.94. 98.58. Chb07. 6. 93.97. 87.75. 82.07. 91.67. Chb08. 4. 85.71. 76.66. 56.20. 83.80. Chb11. 5. 89.32. 80.65. 66.23. 87.31. Chb14. 2. 75.67. 52.17. 21.82. 71.64. Chb15. 5. 85.96. 91.66. 63.10. 86.95. 平均. 4.56. 89.52. 82.82. 68.49. 87.40. (標準差). (1.5). (7.31). (12.79). (21.82). (7.87). 全部資料集. 5. 94.39. 94.28. 85.39. 94.36. 35.

(45) 表十五為 LR 訓練結果以 ROC 來看 Chb06 做出來的訓練模型結果最好，平均來說特徵數為 4.56 標準差 1.50，ROC 為 91.88 標準差為 5.09，靈敏度為 85.03 標準差為 12.65，特異性為 79.54 標準差為 24.87，精確度為 87.27 標準差為 6.74，一致性為 66.65 標準差為 21.47，這邊可以看出 LR 在做訓練模型的結果標準差偏大，所得到的分類效果並不高。表十五病患. 特徵數. 編號. LR 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 5. 90.83. 73.77. 95.54. 87.75. 72.19. Chb03. 6. 92.38. 78.48. 98.35. 91.41. 80.19. Chb04. 6. 95.60. 86.98. 97.97. 93.84. 86.59. Chb05. 2. 82.69. 54.93. 94.65. 80.37. 53.71. Chb06. 5. 98.60. 94.82. 99.40. 97.73. 95.05. Chb07. 6. 96.08. 91.16. 82.27. 88.59. 72.57. Chb08. 4. 90.67. 91.29. 66.06. 84.46. 59.35. Chb11. 5. 96.48. 93.02. 85.30. 90.80. 77.27. Chb14. 2. 85.14. 92.90. 25.45. 75.12. 21.85. Chb15. 5. 90.31. 92.94. 50.45. 82.60. 47.77. 平均. 4.56. 91.88. 85.03. 79.54. 87.27. 66.65. 標準差. (1.50). (5.09). (12.65). (24.87). (6.74). (21.47). 36.

(46) 表十六是 KNN 分類器中所得到的結果，雖然沒有完美分類的結果但普遍的結果都是不錯的，10 位患者平均來說所挑選的特徵數為 5.78 標準差 0.63，靈敏度為 99.76 標準差為 0.45，特異性為 92.60 標準差為 5.05，精確度為 91.80 標準差為 4.71，一致性為 96.40 標準差為 2.05，最後全部資料集是所有病患放在一起處理的結果挑選的特徵數為 5、靈敏度為 99.21、特異性為 98.23、精確度為 96.94 和一致性為 98.58，從這些資料我們可以知道在 KNN 分類器中所得到的結果大部分都是不錯的。表十六病患. 特徵數. 編號. KNN 測試結果之評估指標. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 6. 100.00. 94.71. 92.16. 96.44. Chb03. 6. 100.00. 91.27. 87.35. 94.15. Chb04. 6. 100.00. 95.59. 93.06. 97.07. Chb05. 5. 100.00. 92.76. 89.04. 95.05. Chb06. 5. 100.00. 99.11. 98.77. 99.43. Chb07. 5. 100.00. 96.00. 96.76. 98.48. Chb08. 7. 98.94. 80.85. 83.34. 92.95. Chb11. 6. 100.00. 94.74. 96.27. 98.51. Chb14. 6. 98.90. 88.37. 89.45. 95.52. Chb15. 6. 97.93. 87.80. 87.59. 94.92. 平均. 5.78. 99.76. 92.60. 91.80. 96.40. (標準差). (0.63). (0.45). (5.05). (4.71). (2.05). 全部資料集. 5. 99.21. 98.23. 96.94. 98.58. 37.

(47) 表十七為 KNN 訓練結果，以 ROC 來看在 Chb06 做出來的訓練模型結果最好，平均來說特徵數為 5.78 標準差 0.63，ROC 為 99.13 標準差為 0.60，靈敏度為 99.88 標準差為 4.46，特異性為 99.30 標準差為 0.87，精確度為 96.21 標準差為 1.53，一致性為 91.15 標準差為 3.62，這邊可以看出 KNN 在做訓練模型的結果是很好的。表十七病患. 特徵數. 編號. KNN 訓練結果之評估指標. ROC. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). (%). Chb01. 6. 98.28. 89.20. 100.00. 96.14. 91.35. Chb03. 6. 98.70. 91.08. 100.00. 95.80. 90.44. Chb04. 6. 99.34. 94.78. 100.00. 98.04. 95.76. Chb05. 5. 97.97. 81.99. 99.54. 93.23. 84.60. Chb06. 5. 99.61. 96.65. 100.00. 98.77. 97.32. Chb07. 5. 99.73. 94.69. 99.09. 95.96. 90.72. Chb08. 7. 99.62. 94.84. 98.18. 95.76. 89.79. Chb11. 6. 99.42. 95.47. 100.00. 96.76. 92.49. Chb14. 6. 99.29. 93.90. 98.18. 95.01. 87.82. Chb15. 6. 99.31. 96.17. 98.00. 96.63. 91.22. 平均. 5.78. 99.13. 99.88. 99.30. 96.21. 91.15. 標準差. 0.63. (0.60). (4.46). (0.87). (1.53). (3.62). 38.

(48) 表十八為每個分類器所有病患的平均標準差，以 RF 來說依序平均特徵數、靈敏度、特異性、精確度、一致性為 5、99.26、99.24、98.29、99.27，依序標準差為 1.25、 0.87、0.81、1.14、0.47，以綜合來說特徵最少、靈敏度、特異性、精確度和一致性最好的結果依序為 LR、KNN、RF、RF、RF，LR 的選擇最少但就最後分類結果來說並不理想，RF 的特異性、精確度和一致性就最後結果來說分類的效果最好。. 表十八分類器所有病患的評估指標之平均標準差分類器. RF. LDA. SVM. NB. LR. KNN. 特徵數. 靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). 5. 99.26. 99.24. 98.29. 99.27. (1.25). (0.87). (0.81). (1.14). (0.47). 5.22. 92.76. 80.33. 64.56. 86.14. (0.92). (8.47). (12.42). (21.56). (7.01). 6. 98.36. 97.76. 95.71. 98.21. (0.47). (1.81). (3.23). (5.12). (2.02). 6. 99.65. 97.43. 96.97. 98.68. (0.82). (0.67). (3.43). (2.83). (1.21). 4.56. 89.52. 82.82. 68.49. 87.40. (1.5). (7.31). (12.79). (21.82). (7.87). 5.78. 99.76. 92.60. 91.80. 96.40. (0.63). (0.45). (5.05). (4.71). (2.05). 39.

(49) 從上述結果所知在變異數檢定中對於分類正常波和干擾訊號這些特徵除了赫斯特指數以外是具有明顯差異性的，不過從結果表中可以知道在某些特定情況下也許可以提供作特徵的參考，在分類器中效果普遍較好的是隨機森林、支援向量機和樸素貝葉斯，在特徵的選取上大部分選取五到六種特徵作為分類的依據如下表十九，從裡面可以知道在 TK、TS、SAD、MV、GD 這 5 種特徵是比較能作為分類依據的如下表二十，對於 SED 有時候沒選到依據特徵方面，可能就這次實驗中抓取橫向眼動雜訊較少的關係，SED 主要是針對橫向眼動的特徵所以可能因為數量較少的關係有所影響，至於同樣較少的 GD 可能在其於的干擾訊號中也是有部分影響所以挑選的機會大於 SED。表十九病患. 特徵數. 分類器. 編號. 在每個病人做出效果最好的分類器靈敏度. 特異性. 精確度. 一致性. (%). (%). (%). (%). Chb01. 5. RF. 100.00. 99.07. 98.71. 99.40. Chb03. 6. RF. 100.00. 98.12. 97.52. 98.83. Chb04. 6. SVM. 100.00. 100.00. 100.00. 100.00. Chb04. 6. NB. 100.00. 100.00. 100.00. 100.00. Chb05. 6. SVM. 100.00. 99.54. 99.35. 99.70. Chb06. 5. NB. 100.00. 100.00. 100.00. 100.00. Chb07. 4. RF. 100.00. 100.00. 100.00. 100.00. Chb08. 7. NB. 98.07. 97.36. 94.65. 97.88. Chb11. 6. NB. 100.00. 100.00. 100.00. 100.00. Chb14. 6. RF. 98.96. 100.00. 98.18. 99.25. Chb15. 6. RF. 100.00. 100.00. 100.00. 100.00. 40.

(50) 表二十. 每個分類器挑選特徵的次數. Method. TK. TS. MV. SAD. SED. GD. HS. RF. 10. 8. 8. 9. 6. 10. 0. LDA. 10. 8. 7. 10. 7. 9. 0. SVM. 10. 9. 10. 10. 10. 10. 1. NB. 10. 10. 8. 10. 8. 10. 3. LR. 9. 8. 8. 7. 8. 10. 0. KNN. 10. 9. 9. 10. 9. 10. 1. total. 59. 52. 50. 56. 48. 59. 5. 41.

(51) 第五章結論與未來展望在使用 ADJUST 和 ICMARC 的特徵算法從最後實驗結果可以發現到特徵對於訊號之前的差異性在變異數分析的結果是具有參考性質的，實驗當中的赫斯特指數不管在分類器特徵挑選上還是變異數分析中得到的結果是屬於偏差的，儘管在一些情況中有得到分類效果的提升，但得到效益很低，那麼我們可以知道利用變異數分析可以明確的發現這種分析法對於訊號特徵的分析結果是很好的，在不同的分類器上儘管訊號之間具有差異的比較性，但分類器對於特徵的適合性也會造成不一樣的結果，在學習分類器上隨機森林、支援向量機、樸素貝葉斯對於訊號這種特徵是屬於較好的方式，雖然最後最好的結果中沒有最鄰近演算法，但從實驗表格中可以發現最鄰近的分類沒有最好但普遍看來都是不錯的。在資料挑選的時候，雖然在 ADUST 和 ICMARC 個別挑選出雜訊有時出現錯誤，但兩種訊號分類器一起使用挑選出的結果幾乎都是好的，極少數部分才會出錯，兩種分類的方式有所互補可以讓分類效果更好，但也會隨著時間效益變低，多個方法代表特徵越多，那我們在使用檢定的方式來做特徵的挑選，可以得到更高效益的特徵，在使用分類器檢測學習效果的好壞，利用這樣的方式使能做出更有效益及更準確的訊號分類器。. 42.

(52) 參考文獻 [1] A. Mogonon, J. Jovicich, L. Bruzzone, and M. Buiatti “ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features” ,Psychophysiology, no.48, P.229–240,2011. [2] L. F. Frølich” Statistical evaluation of features in classification problems with applications to detection of hypoglycemic conditions based on EEG data”, August 12, 2011. [3] L. F. Frølich, T. S. ANDERSEN, and M. MøRUP,” Classification of independent components of EEG into multiple artifact classes”, Psychophysiology, no.52, pp.32–45, 2015. [4] I. Winkler, S. Haufe, and M. Tangermann,”Automatic Classification of Artifactual ICAComponents for Artifact Removal in EEG Signals”, Behavioral and Brain Functions ,2011. [5] F.C. Viola, J. Thorne, B. Edmonds, T. Schneider, T. Eichele, and S. Debener,” Semiautomatic identification of independent components representing EEG artifact”,Elsevier, Volume 120, Issue 5, Pages 868–877,2009. [6] Immrama Institute. The International 10-20 System of Electrode Placement. Mar. 2010. [7] CARRIE A. JOYCE, IRINA F. GORODNITSKY, and MARTA KUTAS , Automatic removal of eye movement and blink artifacts from EEG data using blind component separation, Psychophysiology, 41, 313–325,2004. [8] Yuan Zou, Student Member, IEEE, Viswam Nathan, Student Member, IEEE, and Roozbeh Jafari, Senior Member, IEEE , Automatic Identification of Artifact-Related Independent Components for Artifact Removal in EEG Recordings, IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 20, NO. 1, JANUARY 2016. [9] Suguru Kanoga, Keio University, Yasue Mitsukura, Keio University, ICA-Based Positive Semidefinite Matrix Templates for Eye-Blink Artifact Removal from EEG Signal with 43.

(53) Single-Electrode. [10] C.Y. Sai, N. Mokhtar, H. Arof, P. Cumming, and M. Iwahashi, Automated Classification and Removal of EEG Artifacts with SVM and Wavelet-ICA, 2016. [11] Michael Tangermann et al. “Classification of artifactual ICA components”. In: Int J Bioelectromagnetism 11.2 , pp. 110–114,2009. [12] L. Shoker, S. Sanei, and J. Chambers. “Artifact removal from electroencephalograms using a hybrid BSS-SVM algorithm”. In: Signal Processing Letters, IEEE 12.10 pp. 721 – 724,2005. [13] Maria Anastasiadou, Avgis Hadjipapas, Manolis Christodoulakis, Eleftherios S. Papathanasiou, Savvas S. Papacostas and Georgios D. Mitsis, ”Detection and Removal of Muscle artifacts from Scalp EEG Recordings in Patients with Epilepsy,” IEEE 14th International Conference on Bioinformatics and Bioengineering,2014. [14] Saleha Khatun, Ruhi Mahajan, and Bashir I. Morshed,” Comparative Analysis of Wavelet Based Approaches for Reliable Removal of Ocular Artifacts from Single Channel EEG”. [15] S. Jirayucharoensak P. Israsena, Automatic Removal of EEG Artifacts Using ICA and Lifting Wavelet Transform, 2013 International Computer Science and Engineering Conference (ICSEC): ICSEC 2013 English Track Full Papers. [16] Aapo Hyvarinen. Independent component analysis: a tuturial. May 2010. [17] Arnaud Delorme and Scott Makeig. “EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis”. In: Journal of Neuroscience Methods 134, pp. 9–21.2004. [18] Anusha Zachariah, Jinu Jai,and Geevarghese Titus, “Automatic EEG Artifact Removal by Independent Component Analysis Using Critical EEG Rhythms”, 2013 International Conference on Control Communication and Computing. [19] Gang Wang, Member, IEEE, Chaolin Teng, Kuo Li, Zhonglin Zhang, and Xiangguo Yan, 44.

(54) “The Removal of EOG Artifacts From EEG Signals Using Independent Component Analysis and Multivariate Empirical Mode Decomposition”, IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS, VOL. 20, NO. 5, SEPTEMBER 2016. [20] C.Y. Sai, N. Mokhtar, H. Arof, P. Cumming and M. Iwahashi, Automated Classification and Removal of EEG Artifacts with SVM and Wavelet-ICA, Citation information: DOI 10.1109/JBHI.2017.2723420, IEEE Journal of Biomedical and Health Informatics [21] Breiman, “RANDOM FORESTS”, Statistics Department University of California Berkeley, CA 94720 January 2001. [22] Breiman, “Statistical Modeling: The Two Cultures”, Statistical Science, Vol. 16, No. 3 (Aug., 2001), pp. 199-215. [23] Sebastian Mika, Gunnar Rätsch, Jason Weston, Bernhard Schölkopf, and Klaus-Robert Müller,” Fisher Discriminant Analysis With Kernels ”,1999. [24] Schölkopf, Bernhard, Burges, Christopher J.C. ,and Smola, “Advances in Kernel Methods: Support Vector Learning”, MIT Press, Cambridge, MA, 1999. [25] Harry Zhang,” The Optimality of Naive Bayes”, Faculty of Computer Science University of New Brunswick Fredericton, New Brunswick, Canada E3B 5A3. [26] Begg, C. B. and Gray, R.” Calculation of polychotomous logistic regression parameters using individualized regressions”, Biometrika, vol.71, pp.11-18,1984. [27] N. S. Altman,” An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression”, Pages 175-185 ,1990.. 45.

(55)