(3.235.41.241) 您好!臺灣時間:2021/04/11 21:58
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:黃俊憲
研究生(外文):Jun-Hsien Huang
論文名稱:以腦波撥號技術探討
論文名稱(外文):A study of brainwave-based dialing techniques
指導教授:蔡偉和蔡偉和引用關係
口試委員:徐永煜黃士嘉黃文增
口試日期:2013-01-22
學位類別:碩士
校院名稱:國立臺北科技大學
系所名稱:電腦與通訊研究所
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2013
畢業學年度:101
語文別:中文
論文頁數:59
中文關鍵詞:腦波隱藏式馬可夫模型遞迴式類神經網路單極腦電圖
外文關鍵詞:brainwavehidden Markov modelrecurrent neural networksingle-channel electroencephalogram
相關次數:
  • 被引用被引用:1
  • 點閱點閱:217
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
本研究探討如何透過腦波,令使用者下達操作指令進行撥號動作,藉以達到意念控制的目標。本文先以腦波做為選擇指令,使指令辨識問題從多重選擇簡化至是與否的是非題,例如在電話撥號系統中,共有10個數字指令,系統依序提示數字,當出現目標數字時,使用者的腦波應當呈現「是」的型態,反之則「否」,此方法稱之為二值意念選擇。
  過去以腦波做為指令的研究中,其量測方法大多是透過多通道的電極配置,必須使用價格昂貴的腦波儀,量測地點也受限制,本文嘗試以單極記錄的方式,使用輕便、廉價之腦波儀,擷取受測者前額葉β波做為特徵訊號,並使用遞迴式類神經網路及隱藏式馬可夫模型辨識其指令,建構一個不限定使用者的腦波辨識系統,本實驗收集了11位受測者,在44個測試樣本內,使用遞迴式類神經網路辨識樣本有77.27%辨識率,而使用隱藏式馬可夫模型作為辨識工具有本研究80.68%最高辨識率。


This thesis investigates how we can recognize a user’s intentions to select from a set of digits by measuring his/her brainwaves. This could help handicapped, hand-busy, or even eye-busy people dial by just thinking of the number to call. Our strategy is to convert a multiple-choice decision into a yes-no decision. Specifically, the proposed system prompts the user to select from each of the digits, and then measures and analyzes his/her electroencephalogram (EEG) in order to determine if a certain digit matches the user’s intention of “Yes”. Although several studies discussing such kind of binary EEG classification problems preexist, all of them use 32 or more EEG channels to develop their systems, which involve inconvenient and uncomfortable head-recording nets as well as expensive equipment, therefore unsuitable for real human-machine-interfaced applications. In contrast, this study uses a simple, portable, and cheap instrument that extracts a single-channel EEG from the user’s frontal lobe. The underlying beta waves of EEG are then distilled and used as the feature to determine the user’s intention. We develop two user-independent brainwave recognition systems, respectively, based on recurrent neural network (RNN) and hidden Markov models (HMMs). Our experiments conducted using 44 test EEG samples from 11 subjects show that the recognition accuracy obtained with RNN-based system and HMM-based system are 77.27% and 80.68%, respectively.



中文摘要 i
英文摘要 ii
誌謝 iv
目錄 v
表目錄 vii
圖目錄 viii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 文獻探討 2
1.3 研究方法 4
1.4 論文架構 5
第二章 腦波原理與分析方法 6
2.1 腦波 6
2.2 腦電圖的產生與分類 7
2.3 腦波電極記錄 8
2.4 腦波量測方式 9
2.5 腦波分析方法 10
第三章 以類神經網路為基礎之腦波辨識 12
3.1 類神經網路簡介 12
3.1.1 神經元模型 12
3.1.2 類神經網路分類 14
3.1.3 活化函數 15
3.2 回饋式類神經網路 16
3.3 研究架構 20
3.3.1 腦波特徵訊號 22
3.3.2 能量平均分析腦波訊號 23
3.4 遞迴式類神經網路辨識系統 23
3.5 贏者全拿與權重比例決策 24
第四章 以隱藏式馬可夫模型為基礎之腦波辨識 26
4.1 隱藏式馬可夫模型 26
4.1.1 馬可夫鏈 26
4.1.2 基本概念 26
4.1.3 Baum-welch演算法 28
4.1.4 Viterbi演算法 31
4.1.5 分段K-means叢集演算法 32
4.2 隱藏式馬可夫模型之腦波辨識系統 33
4.2.1 特徵擷取 33
4.2.2 訓練模型與測試訊號比對 34
4.3 贏者全拿與權重比例決策 35
第五章 實驗與討論 37
5.1本研究使用的硬體設備 37
5.1.1 頭戴式腦波儀 37
5.2 本研究使用的軟體設備 41
5.2.1 NeuroView 41
5.2.2 Stim2 42
5.3 腦波決策方法 42
5.3.1 專注力實驗 43
5.3.2 量測前置作業 44
5.3.3 實驗流程說明 45
5.3.4 資料庫說明 46
5.4 能量平均法決策腦波實驗結果 46
5.5 以RNN辨識腦波實驗結果 46
5.6 以HMM辨識腦波實驗結果 48
5.7 贏者全拿決策 49
5.8 權重比例決策 50
第六章 結論與未來展望 55
6.1 結論 55
6.2 未來展望 56
參考文獻 57



[1]J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller and T. M. Vaughan, “Brain-computer interfaces for communication and control,” Clin. Neurophysiology, vol. 113, 2002, pp. 767-791.
[2]A. Kübler, B. Kotchoubey, T. Hinterberger, N. Ghanayim, J. Perelmouter, M. Schauer, C. Fritsch, E. Taub and N. Birbaumer, “The thought translation device : A neurophysiological approach to communication in total motor paralysis,” Experimental Brain Research, vol.124, no.2, 1999, pp. 223-232.
[3]N. Birbaumer, N. Ghanayim, T. Hinterberger, I. Iversen, B. Kotchoubey, A. Kübler, J. Perelmouter, E. Taub and H. Flo, “A spelling device for the paralyzed,” Nature, vol. 398, 2000, pp.297-298.
[4]M. A. L. Nicolelis, and J. K. Chapin, “Controlling Robots with the Mind,” Scientific American, vol. 287, 2002, pp. 46-53.
[5]B. Obermaier, C. Neuper and G. Pfurtscheller,” Information Transfer Rate in a Five-Classes Brain–Computer Interface,” IEEE Trans. Rehab. Eng., vol. 9,no. 3, 2001, pp. 283-288.
[6]Ming Cheng, Xiaorong Gao, Shangkai Gao, Senior Member, IEEE and Dingfeng Xu, ”Design and Implementation of a Brain-Computer Interface With High Transfer Rates,” IEEE Trans. biomedical Eng., vol. 49, no. 10, 2002, pp.767-791.
[7]R. Jon, B. Niels and J. Dennis, “Brain-Computer Interfaces for Communication and Control,” Clin. Neurophysiology, vol. 113, 2002, pp. 767-791.
[8]魏景漢,羅躍嘉,認知事件相關腦電位教程,北京:經濟日報出版社,2002。
[9]D.J. Krusienski, E.W. Sellers, D.J. McFarland, T.M. Vaughan and J.R. Wolpaw, “Toward enhanced P300 speller performance,” Journal of Neuroscience Methods, vol. 167, 2008, pp.15–21.
[10]劉育芳,人腦-電腦介面系統臨床實驗流程之分析研究,碩士論文,國立臺南大學資訊教育研究所,臺南,2005。
[11]F. T. Rocha, A. F. Rocha, E. Massad and R. Menezes, “Brain mappings of the arithmetic processing in children and adults,” Cognitive Brain Research, vol. 22, 2005, pp. 359-372.
[12]郭博昭,人腦與電腦的整合:腦機介面簡介,第284頁。
[13]M.A.B. Brazier, A history of the electrical activity of the brain; the first half-century, London: Pitman, 1961.
[14]Thomas F. Collura, “history and evolution of Electroencephalographic instruments and techniques,” Journal of Clinical Neurophysiology, vol. 10, no 4, 1993, pp. 476-504.
[15]J. G. Webster, “Electroencephalography: Brain electrical activity”, Encyclopedia of medical devices and instrumentation, Vol.2, 1988, pp. 1084-1107.
[16]John G. Webster, Medical instrumentation 3rd, New York, John Wiley & Sons, 1998, pp.166.
[17]William F. Ganong,胡慕美編譯,Ganong 生理學,合記圖書出版社,1991,第200-204頁。
[18]卡爾文(William H. Calvin),黃敏偉、陳雅茜 譯,大腦如何思考:科學大師系列(8),臺北:天下文化出版,1997。
[19]J.Malmivuo and R.Plonsey, Bioelectromagnetism: Principles and Applications of Bioelectric and Biomagnetic fields, New York: Oxford University Press,1995, pp. 257-264.
[20]關尚勇、林吉和,破解腦電波,臺北:藝軒圖書出版社,2002年,第24-30頁。
[21]吳綉華,印刷四原色顏料結合毛筆書寫練習對設計創作者個人腦波活動影響之研究,碩士論文,朝陽科技大學設計研究所,臺中,2007。
[22]J. T. Caciooppo, L. G. Tassinary, Principles of psychophysiology, physical, social, and inferential elements, New York:Cambridge University Press,1990.
[23]蘇木春、張孝德,機器學習-類神經網路、模糊系統以及基因演算法則,臺北:全華科技圖書有限公司,2002。
[24]林昇甫、洪成安,神經網路入門與圖形辨識,臺北:全華科技圖書股份有限公司,2002。
[25]葉怡成,類神經網路模式應用與實作,臺北:儒林圖書有限公司,1995。
[26]鄭旺彬,利用腦波訊號識別指令,碩士論文,國立臺北科技大學電腦與通訊研究所,臺北,2012。
[27]Yijun Wang, Ruiping Wang, Xiaorong Gao, Bo Hong, and Shangkai Gao, “A Practical VEP-Based Brain–Computer Interface,” ,IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 14, No. 2, 2006, pp. 234-239.
[28]J. R. Deller, J. G. Proakis, and J. H. Hansen, Discrete time processing of speech signals, New York: Macmillan Pub. Co, 1993.
[29]MacDonald and W. Zucchini, Hidden Markov and other models for discrete-valued time series, London: Chapman & Hall/CRC, 1997.
[30]王小川,語音訊號處理,臺北,全華圖書股份有限公司,2007。
[31]L.R. Rabiner, J.G. Wilpon, and B.H. Juang, "A segmental k-means algorithm training procedure for connected word recognition," AT&T Technique Journal, vol. 65, no. 3, 1986, pp. 21-32.
[32]大寶科技有限公司 http://www.alchemytech.com.tw/


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔