歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
中原大學 機械工程研究所 劉益宏所指導 潘彥霖的 同步腦機介面特徵分析與研究 （2009），提出Csp 雙 螢幕 設定關鍵因素是什麼，來自於自迴歸模型、功率頻譜熵值、共同空間型態、支持向量機器、同步化系統、腦機介面。
同步腦機介面特徵分析與研究
為了解決Csp 雙 螢幕 設定 的問題，作者潘彥霖 這樣論述：
近幾年來，隨著電腦運算技術提升和分析處理方法改良，生理訊號相關研究領域逐漸被重視，腦機介面(Brain Computer Interface, BCI)就是當中的新穎技術之一。腦機介面是一種利用腦波(Electroencephalogram, EEG)訊號的變化，讓使用者可以直接與外界溝通。本論文主要在建立一套同步化系統，分析受測者在經過不同的運動想像手動(想像左手或是右手移動)情境(或是有真實手動)時，大腦當中的運動想像區域(Somatosensory Cortex)之腦波律動訊號的變化，選取當中最有鑑別力的腦波變化頻率區段作為辨識資料，並將選取後的腦波資料做為分類。訊號前處理中，本研究利
用了有限頻寬(Finite Impulse Response, FIR)濾波器將環境雜訊和一些生理訊號所去除。本文將經過訊號前處理的腦波資料利用共同空間型態(Common Spatial Pattern, CSP)的方法作線性轉換，並且將這些線性轉換後的腦波資料分別作時間域(Time Domain)和頻率域(Frequency Domain)的特徵抽取動作。而在特徵抽取方法上，本研究分別使用了自迴歸模型(Autoregressive Model, ARM)和功率頻譜熵值(Power Spectral Entropy, PSE)方法去做腦波資料特徵抽取並找出具有鑑別力的特徵值。最後，本文將較有鑑
別的特徵值利用K個最近鄰居分類器(K Nearest Neighbor Classifier, K-NN)和支持向量機器(Support Vector Machine, SVM)做分類的動作並且做統合性的比較。經由實驗結果顯示，在不同的運動想像手動情境實驗中，利用了自迴歸模型方法為特徵抽取方法而分類器為SVM分類器時，分類率皆可達到70%以上。而在食指上下移動想像實驗中，分類率甚至可達到80%。