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

楊孟蓉(Yang Meng-Rong)

指導教授 ： 黃文吉

國立臺灣師範大學/理學院/資訊工程學系/碩士(2016年)

https://doi.org/10.6345/NTNU202204234

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

並列摘要

none

並列關鍵字

none

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