應用機率類神經網絡之專注力識別方法

、線上人數：8

、訪客IP：3.144.212.145

姓名	林宜靜(Yi-Jing Lin) 查詢紙本館藏	畢業系所	光機電工程研究所
論文名稱	應用機率類神經網絡之專注力識別方法
檔案	[Endnote RIS 格式] [Bibtex 格式] [相關文章] [文章引用] [完整記錄] [館藏目錄] 至系統瀏覽論文 ( 永不開放)
摘要(中)	本篇論文主旨在於利用訊號轉換與機器學習建立一套依據腦波的專注力識別方法的研究。為建立此系統，本研究中請八個人擔任受試者，進行小測驗並擷取他們的腦波。我們運用經驗模態分解法（EMD）將原始的腦波轉換為八個本質模態函數（IMFs）以及一個趨勢項，將轉換後的數據運用快速傅立葉轉換（FFT）由時域訊號轉為頻域訊號，觀察其主頻率的分布。基於一般將多頻率的訊號疊加可能會導致一些特徵的消失，我們除了比較原始數據不同IMF的FFT訊號，也將多個不同FFT以串接的方式進行判別。我們將轉換、處理後的數據帶入機率類神經網絡（PNN）中，使其學習該訊號屬專注或是非專注，再比較不同訊號的組成，以及其所能達到的準確率。　　本論文成功運用經驗模態分解法（EMD）、快速傅立葉轉換（FFT）以及機率類神經網絡（PNN），在專注與非專注腦波的辨識，平均有80%以上準確率。就結果而言，原始數據的FFT訊號有最高的單人以及平均準確率，而串接IMF1 ~ IMF3與IMF2 ~ IMF3的FFT訊號，其單人以及平均準確率雖並非最高，然而能夠達到75%準確率的人數卻為最多。
摘要(英)	In this thesis, we build a system that could determine a brainwave belongs to attention or not. We invited eight people as our participants. They were asked to do a little test, and their brainwaves were captured at the same time. First, we used EMD to separate the raw brainwave into eight IMFs and a trend. By FFT, the signals were transferred from time-domain signal into frequency-domain signal. Since the superposition of different frequency-domain signals may cause some characteristics disappear, we also connected different FFT signals together instead of superimposed them. Last, we use PNN to learn the rules to achieve this system. We successfully used EMD, FFT and PNN to have great result in determining a brainwave belongs to attention or not, which has the average accuracy higher than 80%. In terms of results, the FFT signal of raw brainwave has the highest single and average accuracy, and FFT signal of IMF1 ~ IMF3 and IMF2 ~ IMF3 have the most participants can reach the accuracy higher than 75%.
關鍵字(中)	★ 機率類神經網絡 ★ 經驗模態分解法 ★ 腦波 ★ 專注力	關鍵字(英)	★ PNN ★ EMD ★ Brainwave
論文目次	摘要 i Abstract ii 誌謝 iii 目錄 v 符號說明 viii 圖目錄 x 表目錄 xii 一、緒論 1 1-1　　前言 1 1-2　　研究動機 2 1-3　　論文架構 2 二、文獻回顧 4 2-1　　腦波簡介 4 2-1-1　腦波的測量 6 2-1-2　腦波干擾 7 2-2　　訊號轉換 8 2-3　　機器學習 10 三、訊號處理 16 3-1　　本質模態函數（Intrinsic Mode Functions, IMFs） 16 3-2　　經驗模態分解法（Empirical Mode Decomposition, EMD） 16 3-3　　時頻轉換－傅立葉轉換 20 3-3-1　快速傅立葉轉換（Fast Fourier Transform, FFT） 21 四、機器學習 23 4-1　　機器學習（Machine Learning） 23 4-2　　類神經網絡 25 4-2-1　機率類神經網絡（Probabilistic Neural Network, PNN） 25 五、實驗流程與架構 29 5-1　　腦機介面（Brain-Computer Interface, BCI） 29 5-2　　測驗流程 30 5-3　　訊號處理流程 32 5-3-1　傅立葉轉換（Fourier Transfer, FT） 35 5-4　　訊號分析流程 37 六、實驗分析與結果討論 40 6-1　　傅立葉轉換 40 6-1-1　單一FFT訊號 41 6-1-2　多個FFT串聯 47 6-2　　綜合討論 51 七、結論與未來展望 54 參考資料 55 附錄A：公式推導 59 A-1　高斯機率密度函數： 59
參考文獻	[1] Abhijit Bhattacharjee, “Machine Learning and Deep Learning Overview in MATLAB R2017a,” 2017 MATLAB機器學習、深度學習、電腦視覺與自動駕駛技術論壇, May 2017, 取自： https://www.terasoft.com.tw/event/seminar/2017/deep_learning/index.asp#a4 [2] On line resources: Michael Copeland, “What’s the Difference Between Artificial Intelligence, Machine Learning, and Deep Learning?”, July 29, 2016, from: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/. [3] On line resources: Nick Lynch, “Where will AI/Deep Learning Have an Impact in Life Science &Health”, 2 Oct, 2017, from: https://www.slideshare.net/pistoiaalliance/pistoia-alliance-debates-ai-in-life-science [4] M. Teplan, “Fundamentals of EEG measurement,” Measurement Science Review, Vol.2, No. 2, 2002 [5] 網路資料：Judy Hanning, from: https://www.pinterest.com/pin/233202086932971207/ [6] 關尚勇，林吉和，破解腦電波—EEG教材，藝軒圖書出版社，第三版，民國91年4月 [7] 陳佑榮，「應用希爾伯特黃轉換以C語言環境開發腦機介面訊號處理」，國立中央大學，碩士論文，民國104年 [8] Lynn, “監督式學習？增強學習？聽不懂的話，一定要看這篇入門的機器學習名詞解釋！” 取自：https://www.inside.com.tw/2017/07/19/machine-learning [9] Chih-Chung Chang and Chih-Jen Lin, LIBSVM : a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2:27:1--27:27, 2011. Software available at: http://www.csie.ntu.edu.tw/~cjlin/libsvm [10] Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin, “A Practical Guide to Support Vector Classification,” 2003 [11] Lorenza Saitta, “Support-Vector Networks,” Machine Leaming, 20, 273-297, 1995 [12] Charles Crouspeyre: How do Convolutional Neural Networks work?, August 18, 2016, 取自： https://brohrer.github.io/how_convolutional_neural_networks_work.html [13] 楊明翰，「改善類神經網路聲學模型經由結合多任務學習與整體學習於會議語音辨識之研究」，國立臺灣師範大學，碩士論文，民國104年 [14] S. Ramakrishnan and Ibrahiem M.M. El Emary, “Comparative study between traditional and modified probabilistic neural networks,” Telecommunication Systems 40 (1-2), 2009, 67–74. [15] Streit, R. L., & Luginbuhl, T. E. (1994). “Maximum likelihood training of probabilistic neural networks,” IEEE Transactions on Neural Networks, 5(5), 764–783. [16] Zaknich, A. (1998). “Introduction to the modified probabilistic neural network for general signal processing applications,” IEEE Transactions on Signal Processing, 46(7), 1980–1990. [17] Maciej Kusy and Piotr A. Kowalski, “Weighted Probabilistic Neural Network,” Information Sciences 430, November 2017 [18] Ramakrishnan, S., & Selvan, S. (2006). “Classification of brain tissues using multiwavelet transformation and probabilistic neural network,” International Journal of Simulation: Systems, Science & Technology, 7(9), 9–25. [19] 洪暉程，「總體經驗模態分解法(EEMD)結合自回歸(AR)模型在旋轉機械之元件鬆脫故障診斷之應用」，國立中央大學，碩士論文，民國97年 [20] 網路資料：取自：https://read01.com/7DA3N4.html#.WxZIoEiFNPY [21] 陳慧宜，「生化實驗自動化平台設計」，國立成功大學，碩士論文，民國101年。 [22] D. F. Specht, “Probabilistic Neural Network”, Neural Networks, Vol. 3, P109~118, 1990. [23] 駱建宇，「使用影像運算與機率類神經網路於智慧型影像自動對位系統及光罩與晶圓表面瑕疵檢測」，明新科技大學，碩士論文，民國99年。 [24] 陳宏昌，「類神經網路---視窗教材研究」，國立彰化師範大學，碩士論文，民國88年。 [25] 網路資料：取自：https://www.mathworks.com/help/nnet/ug/probabilistic-neural-networks.html [26] William S. Meisel, Computer-oriented approaches to pattern recognition, Vol. 83, Academic Press, Middletown, DE, April 2018 [27] 網路資料：取自：http://neurosky.com/ [28] Shih-Jui Chen et. al, “Comparison of FFT and marginal spectra of EEG using empirical mode decomposition to monitor anesthesia,” Computer methods and programs in biomedicine 137 ( 2016 ) 77–85
指導教授	陳世叡陳怡君(Shi-Jui Chen Yi-Chun Chen)	審核日期	2018-8-21
推文	facebook plurk twitter funp google live udn HD myshare reddit netvibes friend youpush delicious baidu
網路書籤	Google bookmarks del.icio.us hemidemi myshare

博碩士論文 105327029 詳細資訊