睡眠障礙在精神疾病的領域上扮演著重要的角色，也是其他病患常有的合併症。睡眠窒息症、睡眠困難為常見的睡眠疾病，而且有時候甚至會導致死亡。
睡眠紡錘波是短暫的睡眠EEG波形，與K複合波是睡眠第二期的特徵，而且紡錘波可以分析睡眠微細構造。關注睡眠紡錘波在於不只是它是代表QS-2的開始，而且也要關注其他的發現，例如有關睡眠紡錘波，正常老化，嬰兒病理學或者睡眠姿勢。
以視覺模式偵測整夜EEG記錄是件耗時及冗長乏味，因為在一整夜裡記錄著典型地1000個紡錘波。因此，發展一個快速且準確的全自動辨識睡眠紡錘系統，將可以減少醫生勞力和了解睡眠紡錘波的數量診斷。

Sleep disorders has an important part in area of the psychiatric diseases. Usually, it's also the complication of other diseases. Sleep apnea syndrome and sleep dyssomnia are common sleep diseases, which sometimes will even cause the death.
Sleep spindles are transient sleep EEG waveforms. Along with K-complexes, they are the hallmarks of Stage 2 sleep. Furthermore, sleep spindles can be used to analyse sleep microstructure. The interest in sleep spindles lies not only in its representation to the onset of QS-2, but also in other interesting findings, such as those relating SS, normal aging, infant pathologies and sleeping positions.
The visual pattern detection of all-night EEG recordings which have typically 1000 spindles is time consuming and tedious. Therefore, developing a fast and accurate automatic identification system of sleep spindle can reduce doctor’s labor and realize quantitative diagnosis of sleep spindle.

中文摘要 Ⅰ
英文摘要 Ⅱ
目錄 Ⅲ
圖目錄 Ⅵ
表目錄 Ⅷ

第一章	緒論 1
1.1	研究背景 1
1.2	研究動機與目的 2
1.3	文獻回顧 3
1.4	研究成果 4
1.5	論文架構 4
第二章	睡眠紡錘波 6
2.1	睡眠 7
2.2	腦波圖 7
2.2.1	電極佈置 7
2.2.2	睡眠期判讀四大準則 9
2.2.3	腦波性質10
2.3	睡眠期 11
2.4	睡眠紡錘波及K-複合波 14
2.4.1	K-複合波 14
2.4.2	睡眠紡錘波 15
第三章	研究方法 17
3.1	濾波器 17
3.2	小波轉換 19
3.2.1	小波基底選擇 19
3.2.2	最佳尺度選擇 20
3.3	模糊閥值函數 23
3.4	區間處理 26
3.5	權重視窗 28
3.6	特徵篩選 29
3.6.1	搜尋振幅大小 32
3.6.2	濾除肌電訊號與干擾之波形 34
3.6.3	特徵篩選之振幅、頻率及對稱波形 37
3.6.4	分離劇烈之波形 39
第四章	模擬結果與討論 41
4.1	實驗資料說明 43
4.2	探討前處理流程之辨識能力 45
4.3	特徵篩選流程與後續處理流程之辨識能力 49
4.4	探討系統的運算處理時間 51
第五章	結論與未來研究方向 53
5.1	結論 53
5.2	未來研究方向 54
參考文獻 55

圖目錄
圖 2.1	腦波電極佈置之頭部左側圖 7
圖 2.2	腦波電極佈置之頭頂圖 8
圖 2.3	腦波電極佈置1 9
圖 2.4	腦波電極佈置2 10
圖 2.5	K-複合波 15
圖 2.6	睡眠紡錘波圖 16
圖 3.1	為6階Butterworth帶通濾波器之頻率響應圖 18
圖 3.2	使用帶通濾波器後之腦電訊號 18
圖 3.3	Morlet小波基底圖 20
圖 3.4	Spindlet小波基底圖 20
圖 3.5	Morlet小波轉換之尺度21
圖 3.6	Spindlet小波轉換之尺度22
圖 3.7	兩種小波基底之能量係數 23
圖 3.8	模糊閥值函數 24
圖 3.9	模糊閥值函數之探討 25
圖 3.10	小波係數之後續處理圖 27
圖 3.11	合併接近的睡眠紡錘波 28
圖 3.12	睡眠紡錘波偵測圖-1 30
圖 3.13	睡眠紡錘波偵測圖-2 30
圖 3.14	睡眠紡錘波偵測圖-3 31
圖 3.15	睡眠紡錘波偵測圖-4(錯誤偵測) 31
圖 3.16	睡眠紡錘波偵測圖-5(錯誤偵測) 32
圖 3.17	振幅大小搜尋圖 33
圖 3.18	錯誤偵測睡眠紡錘波圖(K-複合波) 34
圖 3.19	濾除肌電訊號與干擾之波段(K-複合波) 36
圖 3.20	濾除肌電訊號與干擾之波段(高振幅雜訊) 36
圖 3.21	濾除未符合振幅、頻率與對稱波形之波形 37
圖 3.22	波峰跟波峰的振幅劇烈變化圖 40
圖 3.23	波谷跟波谷的振幅劇烈變化圖 40
圖 4.1	全自動辨識紡錘波流程 42
圖 4.2	前處理流程圖 46

表目錄
表 4.1	前處理之實驗數據(訓練資料) 47
表 4.2	前處理之實驗數據(測試資料) 48
表 4.3	實驗數據 50
表 4.4	系統運算時間 52

[1]蔡政楒，睡眠圖譜，合計圖書出版社，民國89年。
[2]R. Ferber, M. Kryger, Principles and practice of sleep medicine in the child, Philadelphia, USA, W.B. Saunders, 1995.
[3]P. Peirano, L. Curzi-Dascalova, “Motor activity patterns modulation and sleep states in low-risk prematurely born infants reaching norma term: A comparison with full-term newborns,” Neuropediatrics, vol.26, pp. 8-13, 1995.
[4]P. Peirano, I. Fagioli, BB. Singh, P. Salzarulo, “Effect of early human malnutrition on waking and sleep organization,” Early Human Development , vol. 20, pp. 67-76, 1989.
[5]M. S. Scher, S. G. Dokianakis, D. A. Steppe, D. L. Banks, R. J. Sclabassi, “Computer classification of state in healthy preterm neonates,” Sleep, vol. 20, no. 2, pp. 132-141, 1997.
[6]K. Crowley, J. Trinder, Y. Kim, M. Carrington, I. M. Colrain, “The effects of normal aging on sleep spindle and K-complex production,” Clinical Neurophysiology, vol. 113, pp. 1615-1622, 2002.
[7]R. S. Horne, C. Egodagamage, S. M. Cranage, T. M. Adamson, “Effect of infant sleeping position on sleep spindles,” J. Sleep Research, vol. 12, pp. 19-24, 2002.
[8]E. Huupponen, A. Värri, S.-L. Himanen, J. Hasan, M. Lehtokangas, J. Saarinen, “Optimization of sigma amplitude threshold in sigma spindle detection,” J. Sleep Research, vol. 9, pp. 327-334, 2000.
[9]C. M.Held, L. Causa, “Dual approach for automated sleep spindles detection within EEG background activity in infant polysomnograms,” Proceedings of the 26th Annual International Conference of the IEEE EMBS, September 1-5, 2004.
[10]T. Akgül, M. Sun, R. J. Sclabassi, A. E. Çetin, “Characterization of sleep spindles using higher order statistics and spectra,” IEEE Trans. on Biomedical Eng, vol. 47, no.8, pp. 997-1009, 2000.
[11]N. Acır, C. Güzeliş, “Automatic recognition of sleep spindles in EEG by using artificial neural networks,” Expert Systems with Applications , pp. 451-458, 2004.
[12]Jasper, H. H., “The-twenty electro system of the international federation,” Electroencephalography and Clinical Neurophysiology 10, pp. 317-375, 1958.
[13]王元宏，以心電圖訊號檢測睡眠呼吸中止症的類神經網路，國立中山大學機械與機電工程學系研究所碩士班論文，民國93年。
[14]J. G. Webster, Medical instrumentation application and design, John Wiley & Sons Inc, third edition, 1998.
[15]J. J. Carr, Introduction to Biomedical Equipment Technology, Prentice Hall, New Jersey, pp. 369-392, 2001.
[16]A. David, P. Aguiar, S. Paulo, “EEG solver-brain activity and genetic algorithms,” ACM SAC 2000, pp. 80-84, 2000.
[17]趙志峰，基於小波轉換之腦電訊號分析與長期多項生理訊號自動分類系統，國立臺灣大學生物產業機電工程學系研究所碩士班論文，民國94年。
[18]溫國棟，智慧化臨床資訊自動篩選與分析技術研究，中原大學醫學工程研究所碩士班論文，民國90年。
[19]S. Gais, M. Mölle, K. Helms, J. Born, “Learning-dependent increases in sleep spindle density,” The Journal of Neuroscience, vol. 22, no. 15, pp. 6830-6834, 2002.
[20]S. R. Benbadis, “EEG Atlas: Normal Sleep EEG - Stage II,” http:// www.emedicine.com /neuro/topic675.htm
[21]Wikipedia, “Sleep spindle, ” http://en.wikipedia.org/wiki/Sleep_spindle/
[22]Wikipedia, “K-complex, ” http://en.wikipedia.org/wiki/K-complex/
[23]B. Kemp, “The Sleep-EDF Database, ” http://www.physionet.org/ physiobank/database/sleep-edf/