Extreme Learning Machine Based Algorithms for Motor Imagery Classifications

非侵入式動作意象人腦電腦介面系統是一種以動作意象的方式使得人腦可以與外部裝置溝通的介面系統，藉由想像不同的動作對外部裝置下指令以達到腦波控制的效果。然而在非侵入式動作意象人腦電腦介面系統中，使用腦電圖(EEG, Electroencephalography)作為系統控制源導致很容易受外界雜訊干擾。除此之外，個人的用腦習慣也會影響腦波特徵的提取。因此如何提高不同動作意象的分類正確率就成為非侵入式動作意象人腦電腦介面系統的主要問題。 本論文提出一個基於極限學習機的單隱藏層前饋類神經網路作為分類器的動作意象分類演算法，並以106位受試者所提供的不同動作意象64通道腦電圖(EEG)的資料，對六組不同的兩種動作組合作二分類，並分析106位受試者的平均分類正確率及標準差。在EEG訊號處理過程中，使用第5階巴特沃斯帶通濾波器將6 Hz -30 Hz的腦波頻段濾出來，接著以共同空間型樣法將64通道EEG資料縮減並降維成6通道資料，最後提取腦波特徵後丟給後端分類器作訓練與測試。本論文提出的方法於六個項目的二分類平均正確率皆可達到83%以上。 在本論文中亦比較傳統上以線性判別分析為分類器的分類演算法在相同資料下的分類結果，並且嘗試不同的帶通濾波器濾波段來提升傳統的分類演算法的分類正確率，最後發現本論文提出的方法在六個分類項目都是優於傳統上的使用線性判別分析的分類演算法。