十年前以腦波為基礎的情感腦機介面(affective brain-computer interface) 研究快速興起，目標在於透過腦波活動解析大腦情緒反應，並賦予機器情緒感知與情緒回饋的能力，其可衍生開創性多元應用，包括: 神經治療、神經行銷學、神經電影學、神經遊戲等。然而，大腦活動具有不同的工作模式，使得與任務相關的腦源活動不論在數量、空間位置或是彼此的功能性連結皆可能隨時間產生變化，腦波本質的非穩態性即是情感腦機介面應用的一個嚴峻挑戰。現今許多情緒計算演算法都追求新穎高複雜的深度學習架構，但都僅驗證於有限的個人數據，是否能克服真實的腦波非穩態性仍然未知。

　　醫學科技研究所林遠彬副教授及其團隊致力於結合高階訊號處理、腦波訊號探勘、計算神經科學、機器學習、巨量數據分析等技術，以發展實務型大腦情緒解析運算程序為目標。為探討腦波非穩態性，該團隊提出了以獨立成分分析為基礎的跨日分析聯合框架（見圖1），首先整合個人跨日數據提升情緒相關腦波變化的多樣性，再以獨立成分分析解析跨日穩定且主要的情緒相關腦源活動，進而以聚類分析探勘具受試者再現性的腦源活動集群。研究結果顯示，個人跨日數據的高多樣性能有效提升情緒反應腦波特徵的代表性，而多樣性侷限的數據最受腦波非穩態性影響（見圖2）。據了解，現今尚未有研究以長期的數據庫探討跨日數據多樣性對於情緒腦源訊號穩態性的影響，此研究已刊登於情感計算權威期刊IEEE Transactions on Affective Computing, vol. 15, no. 1, pp. 210 - 222,2024 (IF: 11.2; Rank: 10/145; 2022 JCR)。

圖1、為探討腦波非穩態性，團隊提出以獨立成分分析為基礎的跨日分析聯合框架。	圖2、研究結果顯示，個人跨日數據的高多樣性能有效提升情緒反應腦波特徵的代表性，而多樣性侷限的數據最受腦波非穩態性影響。