TWI492740B - 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器 - Google Patents

基於線上遞回獨立成分分析之即時多通道腦波訊號處理器 Download PDF

Info

Publication number
TWI492740B
TWI492740B TW102118193A TW102118193A TWI492740B TW I492740 B TWI492740 B TW I492740B TW 102118193 A TW102118193 A TW 102118193A TW 102118193 A TW102118193 A TW 102118193A TW I492740 B TWI492740 B TW I492740B
Authority
TW
Taiwan
Prior art keywords
matrix
independent component
orica
unit
component analysis
Prior art date
Application number
TW102118193A
Other languages
English (en)
Other versions
TW201444531A (zh
Inventor
Wai Chi Fang
Wei Yeh Shih
Jui Chieh Liao
Kuan Ju Huang
Chiu Kuo Chen
Original Assignee
Univ Nat Chiao Tung
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Univ Nat Chiao Tung filed Critical Univ Nat Chiao Tung
Priority to TW102118193A priority Critical patent/TWI492740B/zh
Priority to US14/093,330 priority patent/US9724005B2/en
Publication of TW201444531A publication Critical patent/TW201444531A/zh
Application granted granted Critical
Publication of TWI492740B publication Critical patent/TWI492740B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Computing Systems (AREA)

Description

基於線上遞回獨立成分分析之即時多通道腦波訊號處理器
本發明係關於一種腦波獨立成分之分析技術，詳而言之，係關於一種基於線上遞回獨立成分分析之即時多通道腦波訊號處理器。
大腦內神經細胞日復一日不斷活動，於細胞活動時會發出電磁波(即所謂的腦波)，而透過腦電波圖(electroencephalogram；EEG)可顯示出腦波狀態。
具體來說，腦電波圖是記錄頭殼上某兩點之電位差隨時間改變的變化圖，通常以微伏特為單位。電位差的產生與細胞膜電位有關，而所有細胞膜的兩側均有電位差，這是因為細胞內多出來的負離子會和細胞外的正離子相吸，因而在細胞膜的內外兩層形成電位。腦波圖所記錄到的電位差，是大腦皮質靠近表層處成千上萬個神經細胞集體所造成的，為某一特定時間內多數腦細胞電位之綜合，並非單一腦細胞之電位變化。
透過腦波量測來記錄大腦神經細胞所產生之電位變化，可藉以判斷大腦功能是否有異常放電或電位異常等情況產生，也可作為醫師診斷依據，像是診斷癲癇、中樞神經系統、失智症等。然而，腦波量測時為了追求高空間解析度以方便醫生作診斷，將會使用較多的量測通道以提高腦波量空間解析度，而獨立成分方析方法是一種有效分離腦波獨立成分信號與雜訊的方法。然而，若欲在隨身醫療儀器中對腦波執行高通道的獨立分析，其運算與硬體的複雜度是相當大的，如何實現即時且有效的腦波分析，同時考量到體積及硬體成本等問題，對於本領域相關人員將是一大挑戰。
因此，如何將腦波獨立成分之分析功能透過硬體方式呈現，藉以提供一種即時有效進行腦波訊號的分析之便攜式設備，即為本技術領域待解決之技術課題。
鑒於上述習知技術之缺點，本發明之目的係提出一種有效率的VLSI硬體實現方法以實現多通道線上遞回獨立成分分析(on-line recursive independent component analysis，ORICA)處理器。
為達成前述目的及其他目的，本發明提出一種基於線上遞回獨立成分分析(ORICA)之即時多通道腦波訊號處理器，係包括：逆開方根矩陣計算單元，係用於提供特徵值、特徵向量及逆開方根矩陣之運算；白化處理單元，係耦接該逆開方根矩陣計算單元，用於將所接收之取樣訊號 進行共變異數計算以產生共變異數矩陣，該共變異數矩陣藉由該逆開方根矩陣計算單元之運算以產生白化矩陣；ORICA計算單元，係耦接該逆開方根矩陣計算單元及該白化處理單元，用於將該取樣訊號與該白化矩陣進行計算以得到白化後取樣訊號，並將該白化後取樣訊號與所預設之一解混合矩陣進行獨立成分分析運算，以得到獨立成分資料；以及ORICA訓練單元，係耦接該逆開方根矩陣計算單元及該ORICA計算單元，用以根據該獨立成分資料對該解混合矩陣進行訓練，以藉由該逆開方根矩陣計算單元之計算而得到該解混合矩陣之逆矩陣，並將該解混合矩陣以及該解混合矩陣之逆矩陣進行運算以產生新的解混合矩陣，其中，該新的解混合矩陣係供該ORICA計算單元將下一個該白化後取樣訊號與該新的解混合矩陣進行另一次獨立成分分析運算，以得到新的獨立成分資料。
於一實施例中，該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器更包括記憶體單元，係耦接該逆開方根矩陣計算單元、該白化處理單元、該ORICA計算單元及該ORICA訓練單元，記憶體單元用於儲存該取樣訊號、該白化矩陣及該解混合矩陣。
於另一實施例中，該ORICA訓練單元更包含：非線性模組，係用於計算該獨立成分資料以得到非線性轉換函數；峰度估計模組，係用於識別該獨立成分資料並產生一峰度數值，辨別是超高斯訊號或次高斯訊號；多工器，係耦接該非線性模組及該峰度估計模組，用以依據該高斯訊 號或該次高斯訊號以及該峰度數值，以得到獨立成分分布資料的非線性轉換函數；學習率模組，系用於計算學習率，學習率決定解混合矩陣訓練的收斂性和穩態效能；以及權重訓練模組，利用該獨立成分資料、獨立成分分布資料的非線性轉換函數、學習率與該解混合矩陣進行疊代運算，以產生該新的解混合矩陣。
又，該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器中的白化處理單元係包含一平均-共變異數模組，而該平均-共變異數模組係由一乘加器組成。
此外，該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器中的ORICA訓練單元更包含學習率模組，係耦接該權重訓練模組，用於提供各種學習率以改變該ORICA訓練單元對該解混合矩陣之收斂速度。
再者，該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器中的逆開方根矩陣計算單元係包含奇異值分解處理器、浮點數開方根模組以及浮點數除法器。
相較於先前技術，本發明所提出之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，係透過逆開方根矩陣計算單元、白化處理單元、ORICA計算單元及ORICA訓練單元等四個有效之運算單元及一共用記憶體單元，配合記憶體共用及資料流排序之設計，以使每一個運算單元使用記憶體單元是有順序的，因而可達到較小的記憶體複雜度及較低功耗的效果。因此，本發明能有效率的以VLSI硬體實現多通道ORICA處理器，用以對腦波進行獨立成分 之分析，以便後續進行腦波信號及雜訊的分離，如此可達到即時、輕巧與可攜式進行腦波信號的分離及監控，並可作為快速、輕巧與可攜式的醫療儀器應用。
1‧‧‧基於線上遞回獨立成分分析之即時多通道 腦波訊號處理器
10‧‧‧逆開方根矩陣計算單元
11‧‧‧白化處理單元
12、22‧‧‧ORICA計算單元
13、23‧‧‧ORICA訓練單元
15‧‧‧輸出介面
14‧‧‧記憶體單元
100、X‧‧‧取樣訊號
101、y(n)、y(n+1)‧‧‧獨立成分資料
200‧‧‧奇異質分解處理器
201‧‧‧逆開方根模組
210‧‧‧平均-共變異數模組
221、220‧‧‧矩陣乘法器
222‧‧‧第一多工器
223‧‧‧第二多工器
230‧‧‧非線性模組
231‧‧‧峰度估計模組
232‧‧‧多工器
233‧‧‧權重訓練模組
234‧‧‧學習率模組
COV_X‧‧‧共變異數矩陣
D‧‧‧對角矩陣
D_INSQ‧‧‧對角矩陣的逆矩陣
E‧‧‧正交矩陣
F_Y‧‧‧非線性度
ICA_OUT‧‧‧輸出結果
KUR‧‧‧峰度值
LEARN_R‧‧‧學習率
P‧‧‧白化矩陣
TF_SUP‧‧‧超高斯分佈之值
TF_SUB‧‧‧次高斯分佈之值
W0‧‧‧未白化的解混合矩陣
W0-1/2 ‧‧‧未白化的解混合矩陣之逆矩陣
W(n)、W(n+1)‧‧‧解混合矩陣
Z‧‧‧白化後取樣訊號
第1圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之方塊示意圖。
第2圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之具體實施例之架構示意圖。
第3A至3D圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之各單元內部運作之示意圖。
第4圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器中學習率與時間之關係圖。
第5A至5C圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之模擬實驗訊號圖。
第6圖係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之執行結果與離線處理之比較圖。
以下係藉由特定的實施例說明本發明之實施方式，熟悉此技術之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他特點與功效。本發明亦可藉由其他不同的具體實施例加以施行或應用。
請參閱第1圖，係說明本發明之基於線上遞回獨立成 分分析之即時多通道腦波訊號處理器之方塊示意圖。如圖所示，該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器1主要包括逆開方根矩陣計算單元(inverse squre root matrix unit)10、白化處理單元(whitening unit)11、ORICA計算單元(ORICA calculation unit)12、以及ORICA訓練單元(ORICA training unit)13。
逆開方根矩陣計算單元10係用於提供特徵值、特徵向量及逆開方根矩陣之運算，具體來說，該逆開方根矩陣計算單元10主要執行特徵值、特徵向量或逆開方根矩陣等資料的矩陣運算，以提供ORICA計算單元(ORICA calculation unit)或ORICA訓練單元。
白化處理單元11係耦接逆開方根矩陣計算單元10，白化處理單元11可用於將所接收之取樣訊號100進行共變異數計算以產生共變異數矩陣，而共變異數矩陣將傳送至逆開方根矩陣計算單元10進行運算以得到一白化矩陣。
ORICA計算單元12係耦接逆開方根矩陣計算單元10及白化處理單元11，可用於將取樣訊號100與白化處理單元11所產生之白化矩陣進行計算，藉此將該取樣訊號100進行白化處理，以得到白化後取樣訊號，這裡所述之白化處理主要是去除取樣訊號100資料之間的相依性，由於ORICA運算時需要透過疊代訓練以計算收斂的解混合矩陣，因此，預先透過白化處理可加速的上述過程。
此外，ORICA計算單元12還用於將白化後取樣訊號與一預設之解混合矩陣進行獨立成分分析運算，以得到獨 立成分資料101。於此ORICA運算是要分析取樣訊號內獨立成分分析，藉此將腦波訊號的各訊號區分開來，如此才能知道那些訊號是有用的，那些訊號可能是雜訊，因此，ORICA計算單元12將白化後取樣訊號與解混合矩陣進行獨立成分分析之運算，最後將得到獨立成分資料101。
ORICA訓練單元13係耦接逆開方根矩陣計算單元10及ORICA計算單元12，其中，ORICA訓練單元13根據ORICA計算單元12所產生之獨立成份資料以對原本的解混合矩陣進行訓練，此訓練係指透過逆開方根矩陣計算單元10以得到該解混合矩陣之逆矩陣，並將該解混合矩陣以及該解混合矩陣之逆矩陣進行運算以產生新的解混合矩陣，此訓練步驟所產生之新的解混合矩陣，可提供ORICA計算單元12於下一次獨立成分分析運算過程中，將下一個該白化後取樣訊號與新的解混合矩陣進行獨立成分分析運算，如此將可得到新的獨立成分資料101。ORICA訓練單元13所執行之訓練，是由於ORICA計算為具有自適應學習規則，因而需要多次訓練疊代來達到收斂以及獲得更精確的解混合權重矩陣。
由上可知，在獨立成分資料101運算過程中，ORICA計算單元12是將白化後取樣訊號與解混合矩陣進行獨立成分分析，也就是說，每一次白化後取樣訊號是與上一筆訓練後的解混合矩陣進行計算，以產生獨立成分資料101。
需說明的，由於ORICA計算的特性，以128的取樣速率來說，必須在下一筆資料取樣完成前，也就是1/128秒 之內進行ORICA的運算輸出。也就是說，在即時運算的時間規格限制下，所設計的ORICA處理器是採用混合式平行度架構設計，亦即依照處理單元計算的複雜度，分配給予不同硬體平行度，因而為了避免計算時耗時耗能，本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器除了執行ORICA計算外，同時採用共用暫存與共用算術運的方法來運行。
因此，於另一具體實施例中，本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器更可包括記憶體單元，可用於儲存取樣訊號100、白化矩陣及解混合矩陣等資料，記憶體單元係與逆開方根矩陣計算單元10、白化處理單元11、ORICA計算單元12及ORICA訓練單元13耦接，可暫存逆開方根矩陣計算單元10、白化處理單元11、ORICA計算單元12及ORICA訓練單元13等運算單元所產生數據資料，藉以達到有效的資料安排及記憶體共用。
為了清楚說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器1的內部架構。下面將透過第2、3A-3D圖進一步說明該基於線上遞回獨立成分分析之即時多通道腦波訊號處理器1內部結構組成。
請參閱第2圖，係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之具體實施例之架構示意圖。如該圖所示，基於線上遞回獨立成分分析之即時多通道腦波訊號處理器1內包括逆開方根矩陣計算單元10、白化處理單元11、ORICA計算單元12、ORICA訓練 單元13、記憶體單元14、以及輸出介面15。
逆開方根矩陣計算單元10中具有奇異值分解處理器(SVD)、浮點數開方根器以及浮點數除法器，其中，該奇異值分解處理器包含兩個角度坐標旋轉數位計算器和四個向量坐標旋轉數位計算器。
白化處理單元11中主要具有暫存器、平均-共變異數模組以及位於該平均-共變異數模組中的加法器及乘法器。
ORICA計算單元12中包含有浮點數加法器和浮點數乘法器。
ORICA訓練單元13則由暫存器、八個加法器、八個乘法器、除法器、雙曲線正切函數查找表、學習率模組、峰度估計模組等所組成。
為了達到記憶體共用目的，記憶體單元14可耦接至逆開方根矩陣計算單元10、白化處理單元11、ORICA計算單元12、ORICA訓練單元13及輸出介面15，以供儲存或暫存各單元所需要或產生的資料。
輸出介面15則可將獨立成分資料和前一筆訓練後的解混合矩陣輸出，其中，該輸出結果ICA_OUT為獨立成分資料y(n)和解混合矩陣W(n)的成分(Element)以逐列地(column by column)的序列輸出。
基於前述各單元間的內部結構及關係，後面將具體說明各單元之間資料傳遞狀態。
白化處理單元11自外部取得取樣訊號X，取樣訊號X可傳送至記憶體單元14儲存，該白化處理單元11透過 ORICA計算單元12進行共變異數計算以產生共變異數矩陣COV_X，該共變異數矩陣COV_X被傳送至逆開方根矩陣計算單元10進行運算以得到一白化矩陣P。
ORICA計算單元12可自記憶體單元14取得未經白化的原始取樣訊號X以與白化矩陣P進行計算，藉此將該取樣訊號X進行白化處理，之後，可得到白化後取樣訊號Z且回傳至記憶體單元14暫存。
接著，ORICA訓練單元13自記憶體單元14取得白化後取樣訊號Z與一預設之解混合矩陣W(n)，透過ORICA計算單元12將白化後取樣訊號Z與解混合矩陣W(n)進行獨立成分分析運算，以得到獨立成分資料y(n)，並儲存於記憶體單元14。
此外，ORICA訓練單元13根據ORICA計算單元12所產生之獨立成分資料y(n)以對原本的解混合矩陣W(n)進行訓練，以計算出未白化的解混合矩陣W0，此訓練包含利用逆開方根矩陣計算單元10計算以得到該未白化的解混合矩陣W0之逆矩陣W0-1/2 ，ORICA訓練單元13透過ORICA計算單元12將未白化的解混合矩陣W0及未白化的解混合矩陣之逆矩陣W0-1/2 進行運算以產生新的解混合矩陣W(n+1)，此訓練步驟所產生之新的解混合矩陣W(n+1)，可提供ORICA計算單元12於下一次獨立成分分析運算過程中替代原本的解混合矩陣W(n)，將下一個白化後取樣訊號Z與新的解混合矩陣W(n+1)進行獨立成分分析運算，如此將可得到新的獨立成分資料y(n+1)，其中，所產生的新 的解混合矩陣W(n+1)、新的獨立成分資料y(n+1)等皆會暫存在記憶體單元14內。
最後，輸出介面15可將獨立成分資料y(n)(之後為y(n+1)、…)以及解混合矩陣W(n)(之後為W(n+1)、…)輸出。
由上可知，利用共用的記憶體單元14，使逆開方根矩陣計算單元10、白化處理單元11、ORICA計算單元12、ORICA訓練單元13等資料可儲存於記憶體單元14內，再者，白化處理單元11及ORICA訓練單元13將許多運算交由ORICA計算單元12來運算，藉此透過有效的資料安排，使得每一個運用到記憶體的運算單元為有序的，不僅大量減少記憶體的需求量，以達到有效的記憶體共用，同時可滿足較小的記憶體複雜度及較低功耗的設計。
接著，請參考第3A至3D圖，係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之各單元內部運作之示意圖。
如第3A圖所示，其說明白化處理的相關步驟，由外部取得取樣訊號X先傳送至平均-共變異數模組210以產生共變異數矩陣COV_X，接著，該共變異數矩陣COV_X被傳送至第2圖之逆開方根矩陣計算單元10中的奇異質分解處理器200中，該奇異質分解處理器200係包括角度坐標旋轉數位計算器及向量坐標旋轉數位計算器，該共變異數矩陣COV_X經奇異質分解處理器200處理後得到對角(diagonal)矩陣D和正交(orthogonal)矩陣E，對角矩 陣D和正交矩陣E包含有共變異數矩陣特徵植及共變異數矩陣特徵向量。
之後，對角矩陣D透過逆開方根模組201計算後產生對角矩陣D的逆矩陣D_INSQ，之後，利用第2圖之ORICA計算單元12中的矩陣乘法器220將正交矩陣E與對角矩陣D的逆矩陣D_INSQ進行計算，以產生白化矩陣P，另外，利用矩陣乘法器221將取樣訊號X與白化矩陣P進行計算，以得到白化後取樣訊號Z。
如第3B圖所示，其說明ORICA計算單元22內部所提供計算過程，於此將說明ORICA計算單元22提供了獨立成分分析及結果輸出，其中，取樣訊號X和白化矩陣P、解混合矩陣W0和其逆矩陣W0-1/2 、以及解混合矩陣W(n)和白化後取樣訊號Z皆需利用ORICA計算單元22進行個別所需運算，即各資料先傳送至第一多工器222，依據第一多工器222之模態的控制以決定哪些輸入需進行運算，接著傳送至矩陣乘法器220、221，之後，將各別的計算結果，例如取樣訊號X和白化矩陣P兩者經計算後產生白化後取樣訊號Z，解混合矩陣W0和其逆矩陣W0-1/2 兩者經計算後產生新的解混合矩陣W(n+1)，解混合矩陣W(n)和白化後取樣訊號Z經計算後產生獨立成分資料y(n)，再經過第二多工器223作模態的選擇控制而輸入相關資料。舉例來說，解混合矩陣W會經訓練而改變其值，因而第n個解混合矩陣W(n)及白化後取樣訊號Z透過矩陣乘法器220、221計算，將產生第n個獨立成分資料y(n)，如此將可完成獨 立成分分析計算。另外，為了實現硬體共用，矩陣乘法器會依據不同的模態需求，選擇輸入做運算。
接著，如第3C圖所示，其說明ORICA訓練單元23內部運作過程，其中，ORICA訓練單元23內具有非線性模組(nonlinearity module)230、峰度估計模組(kurtosis estimation module)231、多工器(MUX)232、權重訓練模組(weight training module)233及學習率模組(learning rate module)234。
ORICA訓練單元23會將第n個獨立成分資料y(n)傳送至非線性模組230、峰度估計模組231及權重訓練模組233。其中，非線性模組230用於將第n個獨立成分資料y(n)的分佈以得到非線性轉換函數，峰度估計模組231用於識別該獨立成分資料為超高斯訊號或次高斯訊號並產生一峰度數值，且傳送該峰度值KUR至多工器232，多工器232接收該峰度值KUR、來自非線性模組230表示超高斯分佈之值TF_SUP(該值為1)以及來自非線性模組230表示次高斯分佈之值TF_SUB(該值為0)，以產生獨立成分分布資料的非線性轉換函數，即可求得非線性度F_Y。
權重訓練模組233為ORICA訓練單元23最重要的部分，其可用來計算第n+1個解混合矩陣W(n+1)，也就是利用獨立成分資料y(n)、獨立成分分布資料的非線性轉換函數、學習率LEARN_R與解混合矩陣進行疊代運算，以產生新的解混合矩陣。
另外，前述學習率LEARN_R係指在第n+1個解混合 矩陣W(n+1)計算之前，學習率模組234決定出學習率LEARN_R，其中，學習率模組234是一種自動學習程式，一開始學習率LEARN_R會為較大的值，並逐漸減少以作為ORICA訓練單元23的收斂。因此，在非線性度F_Y、學習率LEARN_R及第n個解混合矩陣W(n)確定後，權重訓練模組233將可計算出第n+1個解混合矩陣W(n+1)並且傳送該結果到記憶體單元，以供下次獨立成分分析計算之用。
最後，如第3D圖所示，係以有限狀態機(finite state machine)之數學模式來說明第3C圖之ORICA訓練單元23的運作過程。
一開始，狀態機處於等待狀態(state=0)，當白化過後的腦電波(EEG)，即白化後取樣訊號Z進入後，狀態機進入了輸入狀態(state=1)，而該輸入訊號是儲存在暫存器中。於輸入完畢後，狀態機會進入計算Y值(獨立成分資料)狀態(state=2)，係將解混合矩陣W由記憶體單元呼叫進來，利用向量乘加器對白化後取樣訊號Z做運算，由於峰值計算需要512筆(峰值數，Kurtosis number)的Y值做計算，為了實現即時運算，每一筆算出來的Y值會分別做平方和四次方之運算，然後和之前累加儲存在多個暫存器之值做相加，再分別儲存回該些暫存器，也就是說，當峰值計數器等於512時，即累積了512筆的資料後，狀態機進入了峰值狀態(state=3)，經計算後，峰值等於1即為超高斯通道，峰值等於0即為次高斯通道。
之後，峰值計數器都會歸零，以用於下一次的計算。當峰值計數器小於512，狀態機會直接進入查表狀態(state=4)，查表結果會依據峰值，也就是超高斯和次高斯的不同而做進一步的計算。之後，狀態機會進入計算學習率狀態(state=5)，學習率決定的整個訓練模組計算出來的精確度和收斂速度，換言之，學習率影響收斂速度及精確度，兩者是相對的。
一旦學習率確定之後，狀態機進入更新W矩陣狀態(state=6)，即把計算出來的新的解混合矩陣W輸出給記憶體單元，狀態機又會再一次進入等待的狀態state=0，等待下一筆的輸入。
請參閱第4圖，係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器中學習率與時間之關係圖。如該圖所示，由於學習率會影響權重訓練模組所算出來之精確度及收斂速度。假如學習率太大，雖有快速的收斂速度但是會造成較差的精確度，而較小的學習率會造成較慢的收斂速度但有較好的計算精確度。於此可利用Matlab來進行模擬，將會形成如第4圖之曲線，一開始為較大的學習率，但是隨著資料慢慢收斂後和訓練的次數增加，學習率會慢慢的降低，以達成快速收斂性和好的計算精確度。
接著請參閱第5A-5C圖，係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之模擬實驗訊號圖。前述圖式是以8通道腦波訊號處理器為例，並輸 入腦波訊號和超高斯及次高斯測試訊號的模擬結果，於第5A圖中，其表示各通道之原始來源訊號的分佈狀態，亦即利用Matlab產生出模擬超高斯和次高斯的獨立源頭訊號，接著進一步以隨機矩陣與源頭訊號相乘產生出受測的混合訊號，如第5B圖所表示之各通道在混合訊號下的分佈狀態，之後，將受測的混合訊號輸入至本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器以產生輸出結果，將會產生如第5C圖所示的各通道在經提取的ORICA訊號下的分佈狀態，之後，將可拿輸出結果對獨立源頭訊號(第5A圖)作關聯性(correlation)比較。由上述各圖可知，本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器在經過模擬測試下，其表現結果與離線模式下的處理結果相符，不會因為本發明採用即時運算處理進行獨立成分分析而有所影響。
接著，如第6圖所示，係說明本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器之執行結果與離線處理的結果之比較圖。第6圖係表示將原始來源之取樣訊號與經提取的ICA訊號關聯性(correlation)作比較下，線上執行腦波訊號處理與離線執行下的效果差異，如該圖所示，一般來說，離線處理的結果關聯性會優於線上處理的結果的相關度，然而本發明所提出之即時多通道腦波訊號處理器在原始取樣訊號及經提取的ICA訊號之關聯性，經分析，其平均關聯性係數在每秒訊號框下為0.9583，此與離線模式下兩者之關聯性差異並不大，也就是說，透 過本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，在即時多通道的規格下，其表現結果並不比離線模式的處理效果差。
於一具體實施例中，依據體積大小、成本考量及功效目的等，可將本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器能以晶片方式透過下列數據設計生產，例如，晶片面積為800 x 800 um2 ，操作頻率可達50MHz，最後晶片的功率以Nanosim進行模擬功率，在1.0V、工作頻率50MHz下約為4.18mW，透過上述所實現的晶片，將可用於可攜式EEG量測設備中，以實現小體積且易攜帶的特性。
由上述各具體實施例可知，本發明依據計算的時序及複雜度分配硬體計算複雜度，基於即時的時序規格限制下，高計算複雜度給予較高的平行度，低計算複雜度採用序列計。此外，計算時採用定點數和浮點數的混合設計，對資料頻寬作評估模擬以設計合適定點數資料寬度，而需要高精準度資料進一步的使用浮點資料寬度，及使用硬體共用折疊的方法，來節省硬體成本及功耗。本發明利用各種設計特性在多通道即時規格下，達到有效率的硬體處理單元設計及低輸入記憶體硬體複雜度的設計，同時也減少功耗。
綜上所述，本發明之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，透過記憶體共用及資料流排序之設計，達到有效的資料安排，使每一個運算單元使用記 憶體單元是有順序的，因而可達到較小的記憶體複雜度及較低功耗的設計，具體實作時，可採用VLSI硬體實現多通道ORICA處理器，以達到即時、輕巧與可攜式進行腦波信號的分離及監控，並可作為快速、輕巧與可攜式的醫療儀器應用。
上述實施例僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施例進行修飾與改變。因此，本發明之權利保護範圍，應如後述之申請專利範圍所列。
1‧‧‧基於線上遞回獨立成分分析之即時多通道腦波訊號處理器
10‧‧‧逆開方根矩陣計算單元
11‧‧‧白化處理單元
12‧‧‧ORICA計算單元
13‧‧‧ORICA訓練單元
100‧‧‧取樣訊號
101‧‧‧獨立成分資料

Claims (9)

  1. 一種基於線上遞回獨立成分分析(ORICA)之即時多通道腦波訊號處理器，係包括：逆開方根矩陣計算單元，係用於提供特徵值、特徵向量及逆開方根矩陣之運算；白化處理單元，係耦接該逆開方根矩陣計算單元，用於將所接收之取樣訊號進行共變異數計算以產生共變異數矩陣，該共變異數矩陣藉由該逆開方根矩陣計算單元之運算以產生白化矩陣；ORICA計算單元，係耦接該逆開方根矩陣計算單元及該白化處理單元，用於將該取樣訊號與該白化矩陣進行計算以得到白化後取樣訊號，並將該白化後取樣訊號與所預設之一解混合矩陣進行獨立成分分析運算，以得到獨立成分資料；以及ORICA訓練單元，係耦接該逆開方根矩陣計算單元及該ORICA計算單元，用以根據該獨立成分資料對該解混合矩陣進行訓練，以藉由該逆開方根矩陣計算單元之計算而得到該解混合矩陣之逆矩陣，並將該解混合矩陣以及該解混合矩陣之逆矩陣進行運算以產生新的解混合矩陣，其中，該新的解混合矩陣係供該ORICA計算單元將下一個該白化後取樣訊號與該新的解混合矩陣進行另一次獨立成分分析運算，以得到新的獨立成分資料，且其中，該ORICA訓練單元更包含：非線性模組，係用於計算該獨立成分資料以得 到非線性轉換函數；峰度估計模組，係用於識別該獨立成分資料為超高斯訊號或次高斯訊號並產生一峰度數值；多工器，係耦接該非線性模組及該峰度估計模組，用以依據該高斯訊號或該次高斯訊號以及該峰度數值，以得到獨立成分分布資料的非線性轉換函數；學習率模組，係用於計算學習率，該學習率決定該解混合矩陣在訓練時的收斂性和穩態效能；及權重訓練模組，係利用該獨立成分資料、該獨立成分分布資料的非線性轉換函數、該學習率與該解混合矩陣進行疊代運算，以產生該新的解混合矩陣。
  2. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，更包括記憶體單元，係耦接該逆開方根矩陣計算單元、該白化處理單元、該ORICA計算單元及該ORICA訓練單元，用於儲存該取樣訊號、該白化矩陣及該解混合矩陣。
  3. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該權重訓練模組係包含八個乘法器和八個加法器。
  4. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該ORICA 訓練單元更包含學習率模組，係耦接該權重訓練模組，用於提供各種學習率以改變該ORICA訓練單元對該解混合矩陣之收斂速度。
  5. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該白化處理單元係包含一平均-共變異數模組，而該平均-共變異數模組係由一乘加器組成。
  6. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該逆開方根矩陣計算單元係包含奇異值分解處理器、浮點數開方根模組以及浮點數除法器。
  7. 如申請專利範圍第6項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該奇異值分解處理器包含兩個角度坐標旋轉數位計算器和四個向量坐標旋轉數位計算器。
  8. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該ORICA計算單元係包含一個浮點數純量的乘加器。
  9. 如申請專利範圍第1項所述之基於線上遞回獨立成分分析之即時多通道腦波訊號處理器，其中，該取樣訊號之取樣數率係1/128秒。
TW102118193A 2013-05-23 2013-05-23 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器 TWI492740B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW102118193A TWI492740B (zh) 2013-05-23 2013-05-23 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器
US14/093,330 US9724005B2 (en) 2013-05-23 2013-11-29 Real-time multi-channel EEG signal processor based on on-line recursive independent component analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW102118193A TWI492740B (zh) 2013-05-23 2013-05-23 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器

Publications (2)

Publication Number Publication Date
TW201444531A TW201444531A (zh) 2014-12-01
TWI492740B true TWI492740B (zh) 2015-07-21

Family

ID=51935922

Family Applications (1)

Application Number Title Priority Date Filing Date
TW102118193A TWI492740B (zh) 2013-05-23 2013-05-23 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器

Country Status (2)

Country Link
US (1) US9724005B2 (zh)
TW (1) TWI492740B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104463206B (zh) * 2014-12-08 2017-10-20 东南大学 一种单次运动想象脑电信号的辨识方法
US10609714B2 (en) 2017-07-12 2020-03-31 Qualcomm Incorporated Spatial listen before talk
WO2019060298A1 (en) 2017-09-19 2019-03-28 Neuroenhancement Lab, LLC METHOD AND APPARATUS FOR NEURO-ACTIVATION
US11717686B2 (en) 2017-12-04 2023-08-08 Neuroenhancement Lab, LLC Method and apparatus for neuroenhancement to facilitate learning and performance
EP3731749A4 (en) 2017-12-31 2022-07-27 Neuroenhancement Lab, LLC NEURO-ACTIVATION SYSTEM AND METHOD FOR ENHANCING EMOTIONAL RESPONSE
US11364361B2 (en) 2018-04-20 2022-06-21 Neuroenhancement Lab, LLC System and method for inducing sleep by transplanting mental states
CN113382683A (zh) 2018-09-14 2021-09-10 纽罗因恒思蒙特实验有限责任公司 改善睡眠的系统和方法
US11786694B2 (en) 2019-05-24 2023-10-17 NeuroLight, Inc. Device, method, and app for facilitating sleep
CN110269609B (zh) * 2019-07-08 2021-09-28 江苏理工学院 基于单通道的脑电信号中眼电伪迹分离方法
CN111248907A (zh) * 2020-01-17 2020-06-09 上海市精神卫生中心（上海市心理咨询培训中心） 基于精神病临床高危人群脑电信号特征的风险预测方法
CN111281382B (zh) * 2020-03-04 2023-08-18 徐州市健康研究院有限公司 一种基于脑电信号的特征提取与分类方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201227544A (en) * 2010-12-17 2012-07-01 Univ Nat Chiao Tung Independent component analysis processor

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6622117B2 (en) * 2001-05-14 2003-09-16 International Business Machines Corporation EM algorithm for convolutive independent component analysis (CICA)

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201227544A (en) * 2010-12-17 2012-07-01 Univ Nat Chiao Tung Independent component analysis processor

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chen, Chiu-Kuo and Chua, Ericson and Tseng, Shao-Yen and Fu, Chih-Chung and Fang, Wai-Chi. Implementation of a hardware-efficient EEG processor for brain monitoring systems. . SoCC. editor(s) Büchner, Thomas and Sridhar, Ramalingam and Marshall, Andrew and Schuhmann, Norbert. 164-168, IEEE, Year 2010.09.27-29 *

Also Published As

Publication number Publication date
US20140350864A1 (en) 2014-11-27
TW201444531A (zh) 2014-12-01
US9724005B2 (en) 2017-08-08

Similar Documents

Publication Publication Date Title
TWI492740B (zh) 基於線上遞回獨立成分分析之即時多通道腦波訊號處理器
Chen et al. On choosing the location of the sources in the MFS
EP3351172B1 (en) Ear shape analysis method, ear shape analysis device, and method for generating ear shape model
Jin et al. A meshless method for some inverse problems associated with the Helmholtz equation
Tirer et al. Performance analysis of a high-resolution direct position determination method
Bachoc et al. Maximum likelihood estimation for Gaussian processes under inequality constraints
Wang et al. An image reconstruction algorithm for electrical capacitance tomography based on simulated annealing particle swarm optimization
Vallisneri et al. Time-delay interferometry without delays
CN106412793B (zh) 基于球谐函数的头相关传输函数的稀疏建模方法和系统
Dovgilovich et al. High-accuracy finite-difference schemes for solving elastodynamic problems in curvilinear coordinates within multiblock approach
Bai et al. Acoustic sources mapping based on the non-negative L1/2 regularization
Gul et al. FPGA based real-time implementation of online EMD with fixed point architecture
CN115795282A (zh) 激波管动态压力重构方法、装置、电子设备及存储介质
Tessore et al. GLASS: Generator for Large Scale Structure
CN108563421B (zh) Fpga运算电路和斯皮尔曼秩次相关系数的求解方法
Mohanty et al. Design and performance analysis of fixed-point jacobi svd algorithm on reconfigurable system
CN104731762B (zh) 基于循环移位的立方相位信号参数估计方法
TWI525996B (zh) 基於多通道獨立成分分析之訊號即時處理系統及方法
Kvasiuk et al. Autodifferentiable likelihood pipeline for the cross-correlation of CMB and large-scale structure due to the kinetic Sunyaev-Zeldovich effect
Nishimichi et al. Simulating the anisotropic clustering of luminous red galaxies with subhaloes: a direct confrontation with observation and cosmological implications
Xin et al. Order analysis comparison between traditional fourier transform-based atmospheric turbulence compensation methods and new well optimized linear finder methodology
O'Leary et al. Savitzky-Golay smoothing for multivariate cyclic measurement data
JP6239195B2 (ja) 性能評価装置及び性能評価プログラム
Fang et al. An efficient VLSI implementation of SVD processor of On-line Recursive ICA for Real-time EEG system
Bhardwaj et al. Coordinate rotation and vector cross product based hardware accelerator for nD FastICA