改良式對角化主要成份分析法應用於兩類別想像動作腦電波的分類

Modified Diagonal Principal Component Analysis Applied to Two-Class Motor Imagery EEG Classification

陳致仰(Zhi-Yang Chen)

指導教授 ： 葉榮木 ； 蔡俊明

國立臺灣師範大學/科技學院/機電科技研究所/碩士(2006年)

摘要

本論文提出一個有效的方法，對受測者在意圖抬起左手小指頭與意圖吐舌頭時的腦電波做辨識。腦電波辨識是否成功的關鍵，在於特徵擷取與分類兩個議題。過去文獻將重點放在分類演算法的改良上，然而找出更簡單而重要的特徵，也可以獲得高辨識率。對角化主要成份分析法(DiaPCA)可以從腦電波高維度的時-頻-空域資料矩陣中找出主要的成份。被挑選出來的主要成份可構成一個較低維度的特徵矩陣，但仍保有兩種想像動作的腦電波之間主要的特徵差異。因此，藉由計算特徵矩陣間的歐氏距離就可分類腦電波。這個方法比起其他分類演算法，如支持向量機(SVM)，不但較為簡單，而且不會降低辨識率。本論文提出利用「改良式對角化主成份分析法」對腦電波擷取特徵並辨識，結果顯示，腦電波辨識的準確率大幅提升了10.07%。

關鍵字

大腦人機介面 ； 對角化主要成份分析法 ； 腦電波 ； 時-頻-空域分析

參考文獻

[1] Guest Editors, “Guest Editorial the Third International Meeting on Brain-Computer Interface Technology: Making a Difference,” IEEE Trans. Rehabil. Eng., Vol. 14, no. 2, pp 126-127, June, 2006.

[2] F. Cincotti, L. Bianchi, G. Birch, C. Guger, J. Mellinger, R. Scherer, R. N. Schmidt, O. Y. Su?rez, and G. Schalk, “BCI Meeting 2005—Workshop on Technology: Hardware and Software,” IEEE Trans. Rehabil. Eng., Vol. 14, no. 2, pp 128-131, June, 2006.

[3] A. K?bler, V. K. Mushahwar, L. R. Hochberg, and J. P. Donoghue “BCI Meeting 2005—Workshop on Clinical Issues and Applications,” IEEE Trans. Rehabil. Eng., Vol. 14, no. 2, pp 131-134, June, 2006.

[7] H. Jasper, “Report of committee on methods of clinical exam in EEG,” Electroencephalogr. Clin. Neurophysiol., 10: 370-375, 1958.

[11] J. Bhattacharya and H. Petsche, “Phase Synchrony analysis of EEG during music perception reveals changes in functional connectivity due to musical expertise,” Signal Processing, Vol. 85, pp 2161-2177, July, 2005.