本團隊在腦波乾式電極、無線腦波擷取裝置研發上已具備多年研究成果，根據偏頭痛相關研究顯示大腦腦區與頭痛周期有對應活化現象，本團隊過去在偏頭痛研究上發現頭痛前期(pre-ictal)在前額(Fpz)的delta band有顯著下降現象，本團隊亦計算腦波模糊亂度(Inherent fuzzy entropy)指標，找出頭痛發作前之生理指標，因此本團隊根據此發現結合AI人工智慧學習技術，運用穿戴式腦機介面系統於開發智慧型偏頭痛預警系統建置，此研究成果已刊登於2020 IEEE Transactions on Fuzzy Systems期刊(IF=8.759, Rank: 10/265, Top: 3.77%，引用數：32)，並獲Web of Science, Journal Citation Report (JCR)選為2020 「被高度引用的論文」。

本智慧型偏頭痛預警系統架構主要分成三個部分:
    第一部分為offline模式進行初步GUI介面開發，使用本團隊過去收錄偏頭痛患者腦波資料進行驗證。第二部分為real-time模式，使用者須戴上無線腦機介面接收裝置，將其所接收之腦波訊號透過藍芽傳至PC端透過數位濾波、傅立葉轉換等方法運算顯示於PC端GUI介面上供受測者了解頭痛落在哪個週期，根據螢幕燈號(紅綠)顯示使用者是否需服用止痛藥物來預防。第三部分為未來規劃，將接合深度學習提升系統預測準確率，並透過預測結果搭配本團隊開發電刺激進行輔助治療。整體系統流程如技術圖片所示。

資料分析:
    在EEG訊號處理方面，訊號前處理以有限脈衝濾波器進行1-50 Hz帶通濾波去除環境雜訊，根據頭痛周期將EEG資料進行分類，接著透過傅立葉轉換得知頻譜功率強度在Delta（1至4 Hz），θ（4至7 Hz），alpha（8至12 Hz）和β（13至30 Hz）頻段內取平均值。基於絕對功率，我們進一步分析了各週期間的功率變化。我們選擇枕葉(O1、Oz、O2)與前額葉(Fpz)作為分析的主要訊號，並計算腦波模糊亂度(Inherent fuzzy entropy)，找出頭痛發作前之生理指標，結合人工智慧機械學習運算開發智慧型偏頭痛預警偵測演算法。

本團隊研究證明偏頭痛患者在腦電波的多項研究顯示枕葉活化(專注力)與頭痛程度有正相關現象，因此著手開發智慧偏頭痛預警系統，希望在頭痛前期透過腦電波生理指標進行計算，發現在前額腦電波的delta頻帶絕對功率有顯著下降現象，可作為預警偏頭痛發作指標，結合智慧預警系統未來可成為輔助診斷的居家醫療器材裝置。

根據過去國內大規模流行病學研究發現，每年因偏頭痛導致無法上班的經濟損失，高達46億元。全世界的各國家，偏頭痛的盛行率皆略為10~15%。因此，已開發的歐美日各國，總人口數約為七億人 (美、加、英、德、法、日)，為台灣人口的30倍。若能成功將本產品導入國際市場，對整體人類和病患，實有相當大的貢獻。

1. 2018 科創講堂 王署君主任主講
https://sa.ylib.com/movielist.aspx?Page=3&id=70&ColumnID=117
2. 偏頭痛發作預測系統之建立及預測方法專利內容
https://twpat-simple.tipo.gov.tw/tipotwoc/tipotwkm?@@1621229371
3. Extraction of SSVEPs-Based Inherent Fuzzy Entropy Using a Wearable Headband EEG in Migraine Patients
https://ieeexplore.ieee.org/document/8668710
4. 被高度引用的論文
https://apps.webofknowledge.com/full_record.do?product=WOS&search_mode=GeneralSearch&qid=5&SID=D2IDiJy9YN4sUQpF7t7&page=1&doc=1