Luận án Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên

Luận án đã đạt được các mục tiêu đề ra của luận án: (1) xây dựng bộ đặc trưng mới định lượng tín hiệu IHMv, (2) phương pháp phân loại ba phân lớp IHMv mới, (3) Xây dựng bộ dữ liệu liên quan đến tưởng tượng vận động của người Việt Nam. Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí trong nước và quốc tế.

pdf192 trang | Chia sẻ: toanphat99 | Ngày: 20/07/2016 | Lượt xem: 1678 | Lượt tải: 0download
Bạn đang xem trước 20 trang tài liệu Luận án Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ. Kết quả thực nghiệm trên bộ dữ liệu mẫu và bộ dữ liệu tự đo đã chứng minh hiệu quả của phương pháp trên dữ liệu mẫu chuẩn hóa và trong mô hình thực tế. Các đóng góp chính của luận án được mô tả như sau: - Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại cho hệ thống quyết định phân loại ba phân lớp IHMv. Trong đó, bộ đặc trưng mới được phát triển từ phương pháp định lượng tín hiệu trên miền thời gian tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn bao gồm: 2 kênh đo C3 và C4 trên khu vực vỏ não vận động. Bộ đặc trưng mới bao gồm các thuộc tính Feaij với i = {RMS, WL, MMAV, SSI, ZC, SSC, WAMP, LogEn, ShanEn, HjAct, HjMobi} và j = {cD3, cD4, cD5} Trong đó j là các hệ số chi tiết của biến đổi wavelet tương ứng với ba băng tần alpha, beta, theta. Kết quả thử nghiệm trên bộ dữ liệu mẫu của Physionet đã cho thấy được khả năng phân biệt giữa ba phân lớp IHMv của các đặc trưng với độ tin cậy 95%. Bộ đặc trưng mới bao gồm 62 thuộc tính được luận án lựa chọn và đề xuất sử dụng để xây dựng vector đặc trưng tín hiệu IHMv dựa trên phương pháp kiểm định phương sai ANOVA theo chỉ số F và p. Phương pháp lựa chọn giúp xác định được các đặc trưng có khả năng phân biệt mang tính thống kê giữa ba trạng thái IHMv với độ tin cậy cao. Kết quả đƣợc công bố trong bài báo (4) - Đề xuất phương pháp phân loại 3 phân lớp IHMv bao gồm: Tưởng tượng chuyển động tưởng tượng tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv). Trong phần này, luận 131 án sử dụng bộ đặc trưng đề xuất để xây dựng vector đặc trưng cho mô hình phân loại. Để tăng số lượng đầu ra các trạng thái IHMv, luận án đề xuất mô hình phân loại cải tiến dựa trên SVM được cấu trúc bởi hai tầng phân loại nhị phân nối tiếp. Mô hình được thiết kế đơn giản, phù hợp với bài toán phân loại ba phân lớp IHMv. Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy mô hình phân loại đề xuất 3IHMv_SVM2 cho kết quả phân loại tốt trong khi đó vẫn đảm bảo tính đơn giản và tăng số lượng phân lớp đầu ra. Kết quả đƣợc công bố tại công trình (5). - Xây dựng tập dữ liệu điện não EEG liên quan đến tưởng tượng vận động chi trên và vận động thật trên đối tượng là người Việt Nam. Từ nghiên cứu về tín hiệu IHMv và quy trình tạo tập dữ liệu điện não EEG quan đến vận động chi trên, luận án đã thực hiện xây dựng được một cơ sở dữ liệu tín hiệu điện não liên quan đến vận động được thực hiện trên đối tượng đo là người Việt Nam có độ tuổi (20 - 32), tỷ lệ nam/nữ là 50/50 có tình trạng sức khỏe tốt. và trong điều kiện đo và môi trường phòng thí nghiệm tại Việt Nam. Mỗi đối tượng đo được đo điện não theo kịch bản thiết kế trước với các trạng thái thư giãn, trạng thái có tưởng tượng vận động chi trên và trạng thái vận động thật chi trên. Trong đó số lượng mẫu IHMv của tập dữ liệu là 870 mẫu bao gồm: 240 mẫu tưởng tượng vận động tay trái, 210 mẫu tưởng tượng vận động tay phải và 420 mẫu nghỉ. Bộ dữ liệu cùng biên bản về điều kiện đo được cung cấp miễn phí tại địa chỉ https://drive.google.com/drive/folders/0B2BjD1RM3w9GTEhqZFlUWXZ TWjA để phục vụ nghiên cứu và đào tạo. Kết quả thực nghiệm của mô hình phân loại đề xuất trên bộ cơ sở dữ liệu tự thiết kế đã được thực hiện thành công và cho độ chính xác phân loại khá. Điều này cho thấy tính khả thi của mô hình phân loại đề xuất trên bộ dữ liệu tự thiết kế đồng thời cho thấy độ tin cậy của bộ dữ liệu. Bộ cơ sở dữ liệu được tác giả xây dựng trên đối tượng người Việt nam sẽ đóng góp 132 chung vào bộ cơ sở dữ liệu chung của thế giới và là cơ sở để các nhà nghiên cứu sử dụng và thực hiện các nghiên cứu liên quan về hệ thống điều khiển vận động não bộ của người Việt. - Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại đề xuất. Mô hình phân loại được huấn luyện trên bộ cơ sở dữ liệu mẫu và bộ dữ liệu tự thiết kế. Trong ứng dụng này, với tín hiệu đầu vào là các đoạn IHMv khác nhau thì ở đầu ra hệ thống sẽ trả kết quả là phân lớp tưởng tượng vận động chi trên tương ứng với đầu vào. Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và bộ dữ liệu thực tế được đo tại phòng thí nghiệm. Hệ thống phân loại tự động tín hiệu tưởng tượng vận động chi trên sẽ giúp tiếp cận gần hơn với mô hình hỗ trợ vận động các thiết bị ngoại vi dựa trên quá trình điều khiển vận động bằng sóng não. Luận án cũng đưa ra một số kiến nghị về vấn đề lựa chọn kênh đo, tiền xử lý bằng bộ lọc pha bằng không, bộ lọc không gian Laplacian, phương pháp phân giải tín hiệu điện não liên quan đến điều khiển vận động để nâng cao tỷ số SNR tín hiệu phục vụ phân tích, nghiên cứu. Luận án đã đạt được các mục tiêu đề ra của luận án: (1) xây dựng bộ đặc trưng mới định lượng tín hiệu IHMv, (2) phương pháp phân loại ba phân lớp IHMv mới, (3) Xây dựng bộ dữ liệu liên quan đến tưởng tượng vận động của người Việt Nam.. Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí trong nước và quốc tế. 2. Hƣớng nghiên cứu tiếp Trong hướng nghiên cứu tiếp theo, luận án sẽ tiếp tục nghiên cứu các thuộc tính khác để cải thiện độ phân biệt giữa các trạng thái điều khiển vận động khác nhau và tính khái quát của đặc trưng với nhiều đối tượng khác nhau. Tối ưu phương pháp lựa chọn đặc trưng để có thể giảm được các thuộc tính không cần thiết. 133 - Nghiên cứu mô hình phân loại cải thiện tốc độ phân loại phục vụ các ứng dụng online - Nghiên cứu phương pháp phân tách các đoạn tín hiệu điện não liên quan đến vận động trên các ứng dụng thời gian thực - Thu thập nhiều tập mẫu thí nghiệm liên quan đến vận động của người Việt để phục vụ cộng đồng trong công tác nghiên cứu. 134 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ 1. Pham Phuc Ngoc, Vu Duy Hai, Nguyen Chi Bach, Pham Van Binh (2014). ―EEG SIGNAL ANALYSIS AND ARTIFACT REMOVAL BY WAVELET TRANSFORM‖. 5th International conference on the development of biomedical Engineering. BME HCM. Vol.46. pp.242-246. 2. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Mạnh Hùng, Nguyễn Duy Tùng, Nguyễn Đức Thuận (2014). ―Thiết kế hệ thống hỗ trợ tập luyện 1 bậc tự do và đo đạc thông số chuyển động ứng dụng cho phục hồi chức năng khớp khuỷu tay‖. Hội thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (REV- ECIT2014),18-19/9/2014, pp153-157. 3. Lại Hữu Phương Trung, Vũ Duy Hải, Phạm Mạnh Hùng, Phạm Phúc Ngọc, Nguyễn Đức Thuận, Phạm Văn Bình. (2015). ―Một phương pháp đồng bộ dữ liệu điện não đồ với sự kiện vận động để trích xuất thông tin hữu ích‖. Tạp chí Y học thực hành. Bộ Y tế. ISSN 1859 – 1663. Số 960, pp41-47. 4. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Văn Bình, Nguyễn Duy Tùng, Vũ Thị Hạnh, Nguyễn Đức Thuận (2015). ―Developement of features set for classification of imagery hand movement - related EEG signals‖. Tạp chí Khoa Học & Công Nghệ các Trường Đại học Kỹ thuật. ISSN 2354-1083. 109. pp43-48 5. Phạm Phúc Ngọc, Phạm Văn Bình (2015). ―Classification of three class hand imagery movement with the application of 2-stage SVM model‖. Tạp chí Khoa Học & Công nghệ các trường Đại Học Kỹ thuật. ISSN 2354-1083 [Vol 112 – được chấp nhận đăng]. 135 TÀI LIỆU THAM KHẢO [1] Wikimedia Foundation, Inc. (2015, May 22). Wikipedia. ( Wikimedia Foundation, Inc.) Retrieved May 14, 2015, from [2] A. Phinyomark, A. N. (2012). Feature extraction and reduction of wavelet transform coefficients for EMG pattern classification. Electr. Electr. Eng., 122(6), 27–32. doi: [3] A. Phinyomark, C. L. (2009). A novel feature extraction for robust EMG pattern recognition. Journal of Computing, 1(1), 71–80. [4] A. Phinyomark, C. L. (2011). Application of wavelet analysis in EMG feature extraction for pattern classification. Meas. Sci. Rev., 11(2), 45– 52. doi: [5] A.B.M. Aowlad Hossain, M. W. (2015). Left and Right Hand Movements EEG Signals Classification Using Wavelet Transform and Probabilistic Neural Network. International Journal of Electrical and Computer Engineering (IJECE), 5(1), 92-101. [6] A.S. Gevins, A. R. (1987). Handbook of electroencephalography and clinical neurophysiology, Methods of analysis of brain electrical and magnetic signals. Amsterdam: Elsevier. [7] Abdollahi F, M.-N. A. (2006). Combination of frequency bands in eeg for feature reduction in mental task classification. Conf Proc IEEE Eng Med Biol Soc, 1146-1149. doi:doi: 10.1109/iembs.2006.260229 [8] AL Goldberger, L. A.-K. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation, 101(23), 215-220. [9] Alpaydin, E. (2009). Introduction to Machine Learning. Massachusetts: MIT Press. [10] Ana Loboda, A. M. (2014). Discrimination of EEG-Based Motor Imagery Tasks by Means of a Simple Phase Information Method. (IJARAI) International Journal of Advanced Research in Artificial Intelligence, 3(10), 11-15. [11] Andrea Kubler, B. K. (2001). Brain - Computer Communication: Unlocking the Locked in. Psychological Bullentin, 127(3), 358-375. 136 [12] Anne Kleppa, V. N.-R. (2015). Language–motor interference reflected in MEG beta oscillations. NeuroImage, 109, 438–448. [13] B, V. A. (2004). Motor imagery task classification for brain computer interface applications using spatiotemporal principle component analysis. Neurol. Res, 26, 282–7. [14] B. Blankertz, R. T. (2008). Optimizing spatial filters for robust EEG SingleTrial Analysis. IEEE Signal Proc. Mag, 25(1), 41–56. [15] Babiloni, F. e. (1995). Performances of surface Laplacian estimators: a study of simulated and real scalp potential distributions. Brain Topogr, 8(1), 35-45. [16] Bao-Gou Xu, A.-g. S. (2008). Pattern recognition of motor imagery EEG using wavelet transform. J. Biomedical Science and Engineering , 1, 64- 67. [17] Boldrey, P. (1937). Somatic motor and sensory representation in the cerebral cortex of man as studied by electrical stimulation. Brain, 103, 389-443. [18] Brouziyne, M. M. (2005). Mental imagery combined with physical practice of approach shots for golf beginners. Percept. Mot. Skills, 101, 203–211. [19] Buch, E. W. (2008). Think to move: a neuromagnetic brain-computer interface (BCI) system for chronic stroke. Stroke, 39(3), 910-917. [20] Butler, A. J. (2006). Mental practice with motor imagery: evidence for motor recovery and cortical reorganization after stroke. Arch. Phys.Med. Rehabil., 87, S2–S11. [21] C. Guger, G. E. (2003). How Many People are Able to Operate an EEG- Based Brain-Computer Interface (BCI)? IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, 11(2), 145-7. [22] C. Neuper, G. P. (2001). Evidence for distinct beta resonance frequencies in human EEG related to specific sensorimotor cortical areas. Clinical Neurophysiol, 112(11), 2084–2097. [23] C.Vigneshwari, V. S. (2013). Analysis of Finger Movements Using EEG Signal. International Journal of Emerging Technology and Advanced Engineering, 3(1), 583-588. 137 [24] Caldara R, D. M. (2004). Actual and mental motor preparation and execution: a spatiotemporal ERP study. Exp Brain Res, 159, 389–99. [25] Cassar, T., & Camilleri, K. P. (2010). Three-mode Classification and Study of AR Pole Variations of Imaginary Left and Right Hand Movements. Proceedings of the Biomed. Austria. [26] Chambers, S. S. (2007). EEG Signal Processing. Cardiff University, UK: Centre of Digital Signal Processing. [27] Chatrian GE, P. M. (1960). The blocking of the rolandic wicket rhythm and some central changes related to movement. Electroencephalogr Clin Neurophysiol , 11, 497-510. [28] Cheng Cao, S. S. (2011). Application of a novel measure of EEG nonstationarity as‗Shannon entropy of the peak frequency shifting‘ for detecting residual abnormalities in concussed individuals. Clin Neurophysiol, 122(7), 1314-1321. doi:doi:10.1016/j.clinph.2010.12.042 [29] Cheolsoo Park, D. L. (2013). Classification of motor imagery BCI Using Multivariate Empirical Mode Decomposition. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 21(1), 10-22. [30] Clarke, B. R. (2008). Linear Models: The Theory and Application of Analysis of Variance. Wiley Library. [31] D. J. McFarland, A. T. (1997). Design and operation of an EEG-based brain-computer interface with digital signal processing technology. Behav. Res. Meth. Instr. Comp., 29, 337–345. [32] Davare, M. D. (2007). Role of the ipsilateral primary motor cortex in controlling the timing of hand muscle recruitment. Cerebral Cortex, 17, 353–362. [33] De Vries, S. T. (2011). Recovery of motor imagery ability in stroke patients. Rehabil. Res. Pract. doi: [34] Dechent, P. M. (2004). Is the human primary motor cortex involved in motor imagery? Brain Res. Cogn. Brain Res., 19, 138–144. [35] Dennis J. McFarland*, L. M. (1997). Spatial filter selection for EEG- based communication. Electroencephalography and clinical Neurophysiology , 103, 386-394. [36] Elisabeth C.W. Van Straaten, C. J. (2013). Structure out of chaos: Functional brain network analysis with EEG, MEG, and functional MRI. 138 European Neuropsychopharmacology, 23(1), 7–18. [37] F Pichiorri, F. D. (2011). Sensorimotor rhythm-based brain–computer interface training: the impact on motor cortical responsiveness. Journal of neural engineering, 8, 1-9. [38] G. Pfurtscheller, C. N. (2001). Motor imagery and direct brain– computer communication. Neural Engineering: Merging Engineering and Neuroscience, Proc. IEEE (Special Issue), 89(7), 1123-1134. [39] G., P. (2003). Induced oscillations in the alpha band: functional meaning. Epilepsia, 44, 2–8. [40] Gaggioli, A. M.-t. (2005). The virtual reality mirror: mental practice with augmented reality for post-stroke rehabilitation. . Annu. Rev. Cyber Ther. Telemed., 3, 199–205. [41] Gao, Q. D. (54). Evaluation of effective connectivity of motor areas during motor imagery and execution using conditional Granger causality. Neuroimage, 1280–1288. doi: [42] George Townsend, B. G. (2004). Continuous EEG Classification During Motor Imagery—Simulation of an Asynchronous BCI. IEEE Transactions on neural systems and rehabilitation engineering, 12(2), 258-265. [43] Gernot R. Muller-Putz, V. K.-E. (2010). Fast set-up asynchronous brain- switch based on detection of foot motor imagery in 1-channel EEG. Med Biol Eng Comput, 48, 229–233. [44] Gomez-Rodriguez, M. P.-W. (2011). Closing the sensorimotor loop: haptic feedback facilitates decoding of motor imagery. J. Neural Eng., 8. doi: [45] Guide, S. (n.d.). https://statistics.laerd.com/statistical-guides/one-way- anova-statistical-guide-2.php. [46] Guillot, A. C. (2008). Functional neuroanatomical networks associated with expertise in motor imagery. Neuro image, 41, 1471–1483. [47] H.L. Atwood, W. M. (1989). Essentials of neurophysiology. Hamilton, Canada: B.C. Decker. [48] Hayashi, M. J. (2008). Hemispheric asymmetry of frequency-dependent suppression in the ipsilateral primary motor cortex during finger movement: A functional magnetic resonance imaging study. Cerebral 139 Cortex, 18, 2932–2940. [49] Hogan, N. K. (2011). Physically interactive robotic technology for neuromotor rehabilitation. Prog. Brain Res, 192, 59-68. doi: [50] (2015). Bài giảng cấu tạo não bộ. [51] ban-cau-dai-nao.htm. (n.d.). [52] Huang D, L. P.-Y. (2009). Decoding human motor activity from EEG single trials for a discrete two-dimensional cursor control. Journal of Neural Engineering, 6. [53] Huang, D. K.-Y. (2011). Event-related desynchronization/ synchronization-based brain-computer interface towards volitional cursor control in a 2D center-out paradigm. Computational Intelligence, Cognitive Algorithms, Mind, and Brain (CCMB), 2011 IEEE Symposium on, (pp. 1 - 8). Paris. [54] Ietswaart, M. J. (2011). Mental practice with motor imagery in stroke recovery: randomized controlled trial of efficacy. controlled trial of efficacy., 134, 1373–1386. doi: [55] Igor Brauns, S. T.-C.-P.-C. (2014). Changes in the theta band coherence during motor task after hand immobilization. Int Arch Med. [56] Ince, N. G. (2009). Adapting subject specific motor imagery EEG patterns in space–time–frequency for a brain computer interface. Biomed. Signal Process. Control, 4, 236–246. [57] J, W., N, B., D, M., Pfurtscheller, G., & T, V. (2002). Brain–computer interfaces for communication and control. Clin. Neurophysiol, 113, 767– 91. [58] J. R. Wolpaw, D. J. (1991). An EEG based brain-computer interface for cursor control. Electroencephalogr Clin. Neurophysiol., 78, 252–259. [59] J.J. Baker, E. S. (2010). Continuous detection and decoding of dexterous finger flexions with implantable myoelectric sensors. IEEE Trans. Rehabil. Eng. Neural Syst., 18(4), 424–432. doi: [60] Jeannerod, M. (1994). The representing brain: neural correlates of motor 140 intention and imagery. Brain Behav. Sci., 17, 187-245. [61] Jeannerod, M. (1995). Mental imagery in the motor context. Neuropsychologia, 33, 1419-1433. [62] Jeffrey C. Lagarias, J. (1998). Convergence properties of the Nelder Mead Simplex method in low dimensions. Siam J. optim, 9(1), 112-147. [63] Jun Lv, Y. L. (2010). Decoding hand movement velocity from electroencephalogram signals during a drawing task. BioMedical Engineering OnLine . [64] K. Jerbia, J. V.-P. (2011). Inferring hand movement kinematics from MEG, EEG and intracranial EEG: From brain-machine interfaces to motor rehabilitation. IRBM, 32(1), 8–18. [65] Kaiser, V. K.-P. (2011). First steps toward a motor imagery based stroke BCI: new strategy to set up a classifier. Front. Neurosci. doi: [66] Kharat, P. A. (2012). Daubechies Wavelet Neural Network Classifier for the Diagnosis of Epilepsy. Wseas Transactions on Biology and Biomedicine, 9(4), 103-113. [67] Kiloh LG, M. A. (1981). Clinical Electroencephalography (Vol. 4). London: Butterworth. [68] Kimberley, T. K. (2006). Neural substrates for motor imagery in severe hemiparesis. Neurorehabil Neural Repair, 20, 268–277. [69] Kirsch, W. (2010). ERP correlates of linear hand movements: Distance dependent changes. Clinical Neurophysiology , 121, 1285-1292. [70] Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence. 2, pp. 1137– 1143. San Francisco, CA: Morgan Kaufmann Publishers Inc. [71] Konstantin M. Sonkin, L. A. (2015). Development of electroencephalographic pattern classifiers for real and imaginary thumb and index finger movements of one hand. Artificial Intelligence in Medicine, 63(2), 107–117. [72] Koprinska, I. (2009). Feature selection for brain–computer interfaces. Lecture Notes in Computer Science International Workshop on New Frontiers in Applied Data Mining (PAKDD), 5669, 106–117. 141 [73] L Deecke, H. W. (1982). Magnetic fields of the human brain accompanying voluntary movements: Bereitschaftsmagnetfeld. Exp Brain Res, 48, 144–148. [74] L.J. Herrera, C. F. (2013). Combination of heterogeneous eeg feature extraction methods and stacked sequential learning for sleep stage classification. International Journal of Neural system, 23(3). [75] Lee PL, W. Y. (2003). ICA-based spatiotemporal. Neuroimage, 20, 2010- 2030. [76] Lei Qin, B. H. (2005). A wavelet-based time–frequency analysis approach for classification of motor imagery for brain–computer interface applications. J. Neural Eng, 2, 65–72. doi:doi:10.1088/1741-2560/2/4/001 [77] Lichen Xun, G. Z. (2013). ECG Signal Feature Selection for Emotion Recognition. TELKOMNIKA, 11(3), 1363 ~ 1370. [78] Liou, C.-Y., & Kuo, Y.-T. (2002). Data Flow Design for the Backpropagation Algorithm. National Taiwan University, Computer Science and Information Engineering. Taipei: National Taiwan University Press. [79] Lotze, M. H. (2006). Motor imagery. J. Physiol., 99, 386–395. [80] Ludwig KA, M. R. (2009). Using a common average reference to improve cortical neuron recordings from microelectrode arrays. Neurophysiol, 101, 1679–89. [81] M. Sabeti, R. B. (2007). Selection of relevant features for EEG signal classification of schizophrenic patients. Biomed. Signal Process. Control, 2(2), 122-134. [82] Malouin, F. R. (2004). Training mobility tasks after stroke with combined mental and physical practice: a feasibility study. Neurorehabil. Neural Repair, 18, 66–75. [83] Mani Adib, E. C. (2013). Wavelet-Based Artifact Identification and Separation Technique for EEG Signals during Galvanic Vestibular Stimulation. Computational and Mathematical Methods in Medicine, 1- 13. doi: [84] Martin Lotze, U. H. (2006). Motor imagery. Journal of Physiology, 386- 395. [85] MedCalc Software. (2015, June 2). MedCalc, 15.6. (MedCalc Software) Retrieved May 6, 2015, from https://www.medcalc.org/manual/roc- 142 curves.php [86] Mia Liljeströma, C. S. (2015). Task- and stimulus-related cortical networks in language production: Exploring similarity of MEG- and fMRI-derived functional connectivity. NeuroImage, 120, 75–87. [87] Mohamed, A.-K. (2011). Towards improved EEG interpretation in a sensorimotor BCI for the control of a prosthetic or orthotic hand. Johannesburg: : Faculty of Engineering, Master of Science in Engineering, Universityof Witwatersrand. [88] Mohammad H. Alomari, A. S. (2013). Automated Classification of L/R Hand Movement EEG Signals using Advanced Feature Extraction and Machine Learning. International Journal of Advanced Computer Science and Applications,, 4(6), 207-212. [89] Mohammad H. Alomari, E. A. (2014). wavelet-based feature extraction for the analysis of EEG signals associated with imagined fists and feet movements. Computer and Information Science, 7(2), 17-27. doi:10.5539/cis.v7n2p17 [90] Morash V, B. O. (2008). Classifying EEG signals preceding right hand, left hand, tongue, and right foot movements and motor imageries. Clinical Neurophysiology, 2570–2578, 2570–2578. [91] Müller-Putz GR, K. V.-E. (2010). Fast set-up asynchronous brain-switch based on detection of foot motor imagery in 1-channel EEG. Med Biol Eng Comput, 48, 229–33. [92] N. Birbaumer, N. G. (1999). A spelling device for the paralyzed. Nature, 398, 297–298. [93] Nam CS, J. Y.-J. (2011). Movement imagery-related lateralization of event-related (de)synchronization (ERD/ERS): motor-imagery duration effects. Clin Neurophysiol , 122, 567–577. [94] Nawel Jmail, M. G.-M.-G. (2011). A comparison of methods for separation of transient and oscillatory signals in EEG. Journal of Neuroscience Methods, 199, 273–289. [95] Neuper C, W. M. (2006). ERD/ERS patterns reflecting sensorimotor activation and deactivation. Prog Brain Res., 159, 211-222. [96] Neuper, C. ,. (1999). Motor imagery and ERD. In Handbook of Electroencephalography and Clinical Neurophysiology (Vol. 6, pp. 303– 325). Elsevier, Amsterdam. 143 [97] Neuper, C. S. (2008). Event-related EEG characteristics during motor imagery. Int. J. Psychophysiol., 69, 181–182. [98] Nuri F. Ince, F. G. (2009). Adapting subject specific motor imagery EEG patterns in space–time–frequency for a brain computer interface. Biomedical Signal Processing and Control, 4, 236–246. [99] Oppenheim, A. V. (1999). Discrete-Time Signal Processing. 2nd Ed. Upper Saddle River, NJ: Prentice Hall. [100] Page, S. J. (2007). Mental practice in chronic stroke: results of a randomized, placebo-controlled trial. Stroke, 38, 1293–1297. [101] Penfield W, R. T. (1950). The Cerebral Cortex of Man: A Clinical Study of Localization of Function. New York: Macmillan. [102] Pfurtscheller, G., & Graimann, B. &. (2006). EEG-Based Brain- Computer Interface System. Wiley: Wiley Encyclopedia of Biomedical Engineering. [103] Pineda JA, A. B. (2000). The effects of self-movement, observation, and imagination on mu rhythms and readiness potentials (RP's): toward a brain-computer interface (BCI). IEEE Trans Rehabil Eng., 8, 219-222. [104] PL, N. (1981). Electric Fields of the Brain: The Neurophysics of EEG. , New York: Oxford University Press. [105] PL, W. (1989). Gray's Anatomy. Churchill Livingstone, Edinburgh: Warwick R. 37th ed., 1598 pp. . [106] Ramos-Murguialday, A. B.-C. (2013). Brain–machine-interface in chronic stroke rehabilitation: a controlled study. Ann. Neurol. doi: [107] Rojas, R. (1996). The Backpropagation Algorithm. In Neural Networks (pp. 151-184). Berlin: Springer-Verlag. [108] S.S. Keerthi, C. L. (2003). Asymptotic behavior of support vector machines with Gaussian Kernel. Neural Comput, 15(7), 1667-1689. [109] Sabordo, M., Shong, C. Y., Berryman, M. J., & Abbott, D. (2004). Who Wrote the Letter to the Hebrews? – Data Mining for Detection of Text Authorship. Proceedings of SPIE - The International Society for Optical Engineering, (pp. 513-524). Tarndarnya. [110] Saeid Sanei, J. A. (2007). EEG Signal Processing. John Wiley & Sons Ltd. 144 [111] Schalk, G. M. (2004). BCI2000: A General-Purpose Brain-Computer Interface (BCI) System. IEEE Transactions on Biomedical Engineering , 51(6), 1034-1043. [112] Scholkopf, B. a. (2002). Learning with Kernels. Cambridge MA: MIT Press. [113] Sharma, N. P.-C. (2006). Motor imagery: a back door to the motor system after stroke? Stroke, 37, 1941–1952. [114] Shindo K, K. K. (2011). Effects of neurofeedback training with an electroencephalogram-based brain–computer interface for hand paralysis in patients with chronic stroke: a preliminary case series study. Rehabil Med, 43, 951-957. [115] Slobounov S, R. M. (2000). EEG correlates of finger movements as a function of range of motion and pre-loading conditions. Clin Neurophysiol , 111, 1997-2007. [116] Stack Exchange Inc. (2013, December 4). Stackoverflow. (Stack Exchange Inc) Retrieved April 12, 2015, from in-training-data [117] Stippich C, O. H. (2002). Somatotopic mapping of the human primary sensorimotor cortex during motor imagery and motor execution by functional magnetic resonance imaging. Neurosci Lett, 331, 50-54. [118] Suicheng Gu, Y. T. (2010). Discriminant analysis via support vectors. Neurocomputing, 73, 1669-1675. [119] Szameitat, A. S. (2007). Motor imagery of complex everyday movements. An fMRI study. . Neuroimage, 34, 702–713. [120] Tae-Eui Kam, H.-I. S.-W. (2013). Non-homogeneous spatial filter optimization for ElectroEncephaloGram (EEG)-based motor imagery classification. Neurocomputing, 108, 58-68. [121] Tao Wanga, J. D. (2004). Classifying EEG-based motor imagery tasks by means of time–frequency synthesized spatial patterns. Clinical Neurophysiology, 115, 2744–2753. [122] Teo, W.-P. C. (2014). s motor-imagery brain–computer interface feasible in stroke rehabilitation. PM R , 1-6. [123] Tolić, M. &. (2013). Classification of Wavelet Transformed EEG Signals with Neural Network for Imagined Mental and Motor Tasks. International 145 Journal of Fundamental and Applied Kinesiology, 45(1), 130-138. [124] Vallabhaneni, A., T., W., & He, B. (2007). Brain-Computer Inteface. In B. He, Neural Engineering (Vol. 3, pp. 93-106). New York: Kluwer Academic/Plenum Publishers. [125] Vera Kaiser, A. K.-P. (2011). First steps toward a motor imagery based stroke BCI: new strategy to set up a classifier. Frontiers in neuroscience, 5(86), 1-10. [126] W.-K. Tam, K.-Y. T. (2011). A minimal set of electrodes for motor imagery BCI to control an assistive device in chronic stroke subjects: a multi-session study. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 19(6), 617–627. [127] Ward, N. (2011). Assessment of cortical reorganisation for hand function after stroke. J. Physiol., 589(23), 5625–5632. [128] Wei-Tang Changa, I. P.-Y. (2015). Combined MEG and EEG show reliable patterns of electromagnetic brain activity during natural viewing. NeuroImage, 114, 49–56. [129] Wikimedia Foundation, Inc. (2015, June 4). Wikipedia. ( Wikimedia Foundation, Inc.) Retrieved May 5, 2015, from [130] Xiaoou Li, X. C. (2014). Classification of EEG Signals Using a Multiple Kernel Learning Support Vector Machine. Sensors, 14, 12784-12802. doi:doi:10.3390/s140712784 [131] Xinyang Yu, P. C.-B. (2014). Analysis the effect of PCA for feature reduction in non-stationary EEG based motor imagery of BCI system. Optik, 125, 1498–1502. [132] Yasunari Hashimoto, J. U. (2013). EEG-based classification of imaginary left and right foot movements using beta. Clinical Neurophysiology. doi: [133] Zhongxing Zhou, B. W. (2012). Wavelet packet-based independent component analysis for feature extraction from motor imagery EEG of complex movements. Clinical Neurophysiology, 123, 1779–1788. 146 PHỤ LỤC 1 KẾT QUẢ KIỂM ĐỊNH ĐÁNH GIÁ CÁC ĐẶC TRƢNG TRÊN BỘ DỮ LIỆU MẪU PHYSIONET Phụ lục 1 mô tả bộ dữ liệu được định lượng lần lượt bằng 1 trong 62 thuộc tính trong bộ đặc trưng đề xuất và kiểm định ANOVA để đánh giá khả năng phân biệt các trạng thái của các đặc trưng. Với mỗi từng thuộc tính phụ lục sẽ trình bày bao gồm: - Số lượng mẫu thu được từ bộ dữ liệu Physionet bao gồm 782 mẫu tín hiệu EEG nghỉ Re_IHMv, 401 mẫu tín hiệu EEG chuyển động tưởng tượng tay trái và 396 mẫu tín hiệu chuyển động tưởng tượng tay phải. - Các tín hiệu EEG liên quan đến tưởng tượng vận động sẽ được sắp xếp vào từng cột tương ứng với các nhóm: Column 1 = Nhóm mẫu nghỉ Column 2 = Nhóm mẫu tưởng tượng chuyển động tay phải Column 3 = Nhóm mẫu tưởng tượng chuyển động tay trái - Bảng 1 mô tả số lượng mẫu, tổng các mẫu, trung bình các mẫu và phương sai các mẫu của từng nhóm điện não EEG - Bảng 2 mô tả kết quả kiểm định sự khác nhau giữa các phân nhóm dựa trên việc áp dụng phương pháp kiểm định ANOVA lên 3 nhóm mẫu. Khả năng phân biệt các trạng thái của đặc trưng được thể hiện qua chỉ số F > Fcrit và độ tin cậy đạt 95% qua chỉ số p của phương pháp Với số lượng mẫu của bộ dữ liệu Fcrit = 3.001434 - Đồ thị Boxplot mô tả phân bố và so sánh giữa các nhóm trạng thái. - Bảng 3 mô tả chi tiết thông số của các biểu đồ hình hộp. Trong đó q1 = bách phân vị 25%, q2 = bách phân vị 50%, q3 = bách phân vị 75% 147 Các thuộc tính định lƣợng đƣợc kiểm định bằng phƣơng pháp ANOVA 3 C  3 C  3 C  4C  4C  4C  RMS f1 f2 f3 f43 f44 f45 WL f4 f5 f6 f46 f47 F48 MMAV f7 f8 f9 F49 f50 f51 SSI f10 f11 f12 f52 f53 f54 ZC f13 f14 f15 f55 f56 f57 SSC f16 f17 f18 f58 f59 f60 ShanEn f19 f20 f21 f61 f62 F63 LogEn f22 f23 f24 F64 f65 f66 WAMP f25 f26 f27 f67 f68 f69 HjAct f28 f29 f30 f38 f39 f40 HjMobi f31 f32 f33 f70 f71 f72 Hj_Complex f34 f35 f36 f73 f74 f75 Skewness f37 f38 f39 f76 f77 f78 Kutorsis f40 f41 f42 f79 f80 f81 Bảng kết quả đầy đủ đƣợc lƣu trữ và truy cập tại địa chỉ: https://drive.google.com/drive/folders/0B1utvGp5936OWFUwSlV5LWowa3c 148 KẾT QUẢ KIỂM ĐỊNH ANOVA + Thuộc tính 1: RMS Theta C3 Groups Count Sum Average Variance Column 1 782 381.1719 0.487432 0.06543 Column 2 401 136.7595 0.341046 0.058386 Column 3 396 137.7304 0.347804 0.054265 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 8.083801 2 4.041901 66.43064 0 3.001434 Within Groups 95.89001 1576 0.060844 Total 103.9738 1578 Rest Right left min 0 0 0 q1 0.299979 0.166956 0.169352 q2 0.461172 0.302578 0.318549 q3 0.658484 0.474856 0.484327 max 1 1 1 boxlow 0.299979 0.166956 0.169352 boxmid 0.161194 0.135622 0.149196 box hi 0.197312 0.172278 0.165778 err down 0.461172 0.302578 0.318549 err up 0.538828 0.697422 0.681451 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand RMS_C3_Theta 149 + Thuộc tính 2: RMS Alpha C3 Groups Count Sum Average Variance Column 1 782 377.7707 0.483083 0.067188 Column 2 401 129.4307 0.32277 0.050556 Column 3 396 140.929 0.355881 0.049697 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 8.387457 2 4.193729 71.58607 0 3.001434 Within Groups 92.32685 1576 0.058583 Total 100.7143 1578 Rest Right left min 0 0 0 q1 0.279119 0.140683 0.195366 q2 0.449365 0.305138 0.334525 q3 0.667238 0.486017 0.495423 max 1 1 1 boxlow 0.279119 0.140683 0.195366 boxmid 0.170245 0.164455 0.139159 box hi 0.217873 0.180879 0.160897 err down 0.449365 0.305138 0.334525 err up 0.550635 0.694862 0.665475 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand RMS_C3_Alpha 150 + Thuộc tính 3: RMS C3 beta Rest Right left min 0 0 0 q1 0.282251 0.14041 0.187453 q2 0.45679 0.285888 0.325968 q3 0.657027 0.41033 0.497496 max 1 1 1 boxlow 0.282251 0.14041 0.187453 boxmid 0.174539 0.145478 0.138515 box hi 0.200236 0.124442 0.171528 err down 0.45679 0.285888 0.325968 err up 0.54321 0.714112 0.674032 + Thuộc tính 4: WL C3 Theta Groups Count Sum Average Variance Column 1 782 371.8818 0.475552 0.067601 Column 2 401 132.9852 0.331634 0.055363 Column 3 396 138.6088 0.350022 0.054462 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 7.237806 2 3.618903 59.13053 0 3.001434 Within Groups 96.45426 1576 0.061202 Total 103.6921 1578 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand RMS_C3_Beta Groups Count Sum Average Variance Column 1 782 379.6539 0.485491 0.068981 Column 2 401 119.8919 0.298982 0.043089 Column 3 396 139.6762 0.352718 0.05319 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 10.65595 2 5.327974 91.15135 3.47E- 38 3.001434 Within Groups 92.12027 1576 0.058452 Total 102.7762 1578 151 Rest Right left min 0 0 0 q1 0.283022 0.152435 0.169408 q2 0.44948 0.289484 0.322061 q3 0.640039 0.484759 0.486025 max 1 1 1 boxlow 0.283022 0.152435 0.169408 boxmid 0.166459 0.137049 0.152653 box hi 0.190559 0.195274 0.163965 err down 0.44948 0.289484 0.322061 err up 0.55052 0.710516 0.677939 + Thuộc tính 5: WL C3 Alpha Groups Count Sum Average Variance Column 1 782 374.8023 0.479287 0.072887 Column 2 401 128.2945 0.319936 0.049044 Column 3 396 144.8348 0.365744 0.05442 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 7.782225 2 3.891112 62.5513 0 3.001434 Within Groups 98.03782 1576 0.062207 Total 105.82 1578 Rest Right left min 0 0 0 q1 0.274523 0.139342 0.190384 q2 0.436427 0.311647 0.343668 q3 0.665173 0.453791 0.503009 max 1 1 1 boxlow 0.274523 0.139342 0.190384 boxmid 0.161904 0.172305 0.153284 box hi 0.228746 0.142144 0.159341 err down 0.436427 0.311647 0.343668 err up 0.563573 0.688353 0.656332 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand WL_C3_Theta 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand WL_C3_Alpha 152 + Thuộc tính 6: WL C3 Beta Groups Count Sum Average Variance Column 1 782 398.3748 0.509431 0.064873 Column 2 401 128.4772 0.320392 0.046196 Column 3 396 147.5633 0.372635 0.049998 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 11.0414 2 5.520702 97.87719 8.56E- 41 3.001434 Within Groups 88.89331 1576 0.056404 Total 99.93471 1578 Rest Right left min 0 0 0 q1 0.324458 0.156122 0.214817 q2 0.473044 0.306627 0.353065 q3 0.677505 0.46178 0.512669 max 1 1 1 boxlow 0.324458 0.156122 0.214817 boxmid 0.148586 0.150505 0.138248 box hi 0.204461 0.155154 0.159604 err down 0.473044 0.306627 0.353065 err up 0.526956 0.693373 0.646935 + Thuộc tính 7: MMAV C3 Theta Groups Count Sum Average Variance Column 1 782 377.9941 0.483368 0.066837 Column 2 401 139.9801 0.349077 0.059857 Column 3 396 136.4358 0.344535 0.053043 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 7.363698 2 3.681849 59.76229 0 3.001434 Within Groups 97.09456 1576 0.061608 Total 104.4583 1578 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand WL_C3_Beta 153 Rest Right left min 0 0 0 q1 0.287632 0.16594 0.185328 q2 0.457409 0.30405 0.300531 q3 0.670477 0.500119 0.475917 max 1 1 1 boxlow 0.287632 0.16594 0.185328 boxmid 0.169777 0.13811 0.115204 box hi 0.213068 0.196069 0.175386 err down 0.457409 0.30405 0.300531 err up 0.542591 0.69595 0.699469 + Thuộc tính 8: MMAV C3 Alpha Groups Count Sum Average Variance Column 1 782 386.6597 0.49445 0.068597 Column 2 401 129.9772 0.324133 0.053282 Column 3 396 138.8777 0.350701 0.052464 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 9.884365 2 4.942183 81.46496 0 3.001434 Within Groups 95.61019 1576 0.060666 Total 105.4946 1578 Rest Right left min 0 0 0 q1 0.290912 0.146062 0.177889 q2 0.456952 0.298312 0.316149 q3 0.679553 0.481307 0.492663 max 1 1 1 boxlow 0.290912 0.146062 0.177889 boxmid 0.166039 0.15225 0.13826 box hi 0.222601 0.182995 0.176514 err down 0.456952 0.298312 0.316149 err up 0.543048 0.701688 0.683851 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand MMAV_C3_Theta 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand MMAV_C3_Alpha 154 + Thuộc tính 9: MMA V C3 Beta Rest Right left min 0 0 0 q1 0.310818 0.155164 0.188674 q2 0.459667 0.278704 0.310536 q3 0.660991 0.410599 0.498193 max 1 1 1 boxlow 0.310818 0.155164 0.188674 boxmid 0.148849 0.12354 0.121862 box hi 0.201324 0.131895 0.187657 err down 0.459667 0.278704 0.310536 err up 0.540333 0.721296 0.689464 .. .. .. 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand MMAV_C3_Beta Groups Count Sum Average Variance Column 1 782 387.6356 0.495698 0.065498 Column 2 401 118.3537 0.295146 0.040469 Column 3 396 136.6143 0.344986 0.049718 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 12.69215 2 6.346076 114.9855 2.43E- 47 3.001434 Within Groups 86.97982 1576 0.05519 Total 99.67197 1578 155 .. + Thuộc tính 66: Hj_Mobi C4 Theta Groups Count Sum Average Variance Column 1 782 320.4496 0.409782 0.065564 Column 2 401 196.6523 0.490405 0.062676 Column 3 396 189.2649 0.477942 0.070479 ANOVA Source of Variation SS df MS F P-value F crit Between Groups 2.217614 2 1.108807 16.78421 6.13E- 08 3.001434 Within Groups 104.1145 1576 0.066062 Total 106.3321 1578 Rest Right left min 0 0 0 q1 0.219422 0.304071 0.29092 q2 0.379448 0.48449 0.464674 q3 0.582452 0.67086 0.663047 max 1 1 1 boxlow 0.219422 0.304071 0.29092 boxmid 0.160026 0.180419 0.173754 box hi 0.203003 0.18637 0.198372 err down 0.379448 0.48449 0.464674 err up 0.620552 0.51551 0.535326 PHỤ LỤC 2 BIÊN BẢN THÍ NGHIỆM ĐO EEG 0 0.2 0.4 0.6 0.8 1 1.2 Rest IM_Right hand IM_Left hand HjMobi_C4_theta 156 Phụ lục mô tả biên bản thí nghiệm đo của các đối tượng đo người Việt nam được thực hiện bằng hệ thống máy đo điện não EEG máy eXea ULTRA của BITMED Tây Ban Nha. Mỗi biên bản sẽ bao gồm các nội dung: 1. Thông tin cá nhân của các đối tượng tham gia thí nghiệm 2. Thông tin môi trường đo 3. Tiến trình và kịch bản từng thí nghiệm 4. Hình ảnh và video các đối tượng đo Thông tin chung về các thí nghiệm được thực hiện trên các đối tượng đo người Việt Nam Thông tin Nội dung Số lượng đối tượng tham gia thí nghiệm 12 người Mã đối tượng P001 – P012 Tỷ lệ nam/nữ 6 nam/6 nữ Tuổi 19-21 Số lượng thí nghiệm của một đối tượng 6 thí nghiệm + E01:Thư giãn nhắm mắt + E02: Thư giãn mở mắt + E03: Nắm mở tay trái/phải + E04: Tưởng tượng nắm mở tay trái/phải + E05: Nắm mở tay trái/phải + E06: Tưởng tượng nắm mở tay trái/phải Hệ thống máy đo BITMED eXea ULTRA Số lượng kênh đo 19 kênh Tần số lấy mẫu 250Hz Biên bản đầy đủ 12 đối tượng thí nghiệm được đăng tại địa chỉ: https://drive.google.com/drive/u/0/folders/0B2BjD1RM3w9GTEhqZFlUWXZTWj A 157 BIÊN BẢN THÍ NGHIỆM ĐO EEG P001 Ngày 25/09/2014 I. Đối tƣợng thí nghiệm ID Chiều cao (cm) Cân nặng (kg) Tình trạng sức khoẻ Thị lực Tay thuận Kích thƣớc hộp sọ (cm) Trán-chẩm 2 dái tai P001 167 54 Sử dụng thuốc đau đầu trước khi thí nghiệm 1 ngày Cận 3 diop 2 mắt Phải 38 46 II. Môi trƣờng thí nghiệm  Địa điểm: Phòng 414 – C9  Thời gian thực hiện: Từ 15h45 đến 16h35  Thiết bị: máy eXea ULTRA của BITMED Tây Ban Nha và phần mềm XGPLab v 2.32b III. Tiến trình thí nghiệm đo EEG  Ghi chú: - Tần số lấy mẫu là 250 Hz - Kênh Pz, F3 tuy có màu xanh (trở kháng tốt) nhưng lại không đo được tín hiệu (tín hiệu yếu hơn mức bình thường) 1. Thí nghiệm 1: Nhắm mắt thư giãn Thời gian Ghi chú Filename(.txt, .xgp) Chuẩn bị: 7.0 s Pz, F3 không có tín P001E01.txt Môi trƣờng Mô tả Tiếng ồn Ít Cường độ sáng Trung bình Nhiệt độ 32oC 158 Thí nghiệm: 1 min hiệu P001E01.XGP 2. Thí nghiệm 2: Mở mắt thư giãn/ Nháy mắt tự do Thời gian Ghi chú Filename(.txt,.xgp) Chuẩn bị: 8.0s Pz, F3 không có tín hiệu P001E02.txt P001E02.XGP Thí nghiệm: 1 min 3. Thí nghiệm 3: Nắm-mở tay trái phải 4. Thí nghiệm 4: Tưởng tượng nắm-mở tay trái phải 5. Thí nghiệm 5: Nắm-mở tay trái phải Events Trạng thái Thời gian Ghi chú Filename (.txt,.xgp) 0 Chuẩn bị 4s Pz, F3 không có tín hiệu P001E03.txt P001E03.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ 8 Nắm-mở tay trái 7 Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s Events Trạng thái Thời gian Ghi chú Filename (.txt,.xgp) 0 Chuẩn bị 4s Pz, F3 không có tín hiệu P001E04.txt P001E04.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ 8 Nắm-mở tay trái 7 Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s 159 6. Thí nghiệm 6: Tưởng tượng nắm-mở tay trái phải  Thứ tự các sự kiện liên quan đến vận động hoặc tưởng tượng nắm mở tay trái phải và các đoạn nghỉ (Thí nghiệm 3 trở đi) có thứ tự theo biểu đồ dưới đây: Events Trạng thái Thời gian Ghi chú Filename (.txt,.xgp) 0 Chuẩn bị 4s Pz, F3 không có tín hiệu P001E05.txt P001E05.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ 8 Nắm-mở tay trái 7 Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s Events Trạng thái Thời gian Ghi chú Filename (.txt,.xgp) 0 Chuẩn bị 4s Pz, F3 không có tín hiệu P001E06.txt P001E06.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ 8 Nắm-mở tay trái 7 Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s 160 PHỤ LỤC 3 MÔ TẢ KẾT QUẢ XỬ LÝ DỮ LIỆU ĐIỆN NÃO ĐỒ THU ĐƢỢC TỪ CÁC ĐỐI TƢỢNG ĐO NGƢỜI VIỆT TRÊN THIẾT BỊ BITMED EXEA ULTRA 19 KÊNH 1. Đối tượng P004 a) Thí nghiệm P004E04 (tưởng tượng chuyển động tay) - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 161 b) Thí nghiệm P004E06 (tưởng tượng chuyển động tay) - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3, C4  Phải: C3, C4  Nghỉ: C3, C4 162 2. Đối tượng P005 a) Thí nghiệm P005E04 (tưởng tượng chuyển động tay) - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 163 b) Thí nghiệm P005E06 (tưởng tượng chuyển động tay) - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3, C4  Phải: C3, C4  Nghỉ: C3, C4 164 3. Đối tượng P007 a) Thí nghiệm P007E04 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 165 b) Thí nghiệm P007E06 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 166 c) Thí nghiệm P007E08 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 167 4. Đối tượng P009 a) Thí nghiệm P009E04 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 168 b) Thí nghiệm P009E06 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 169 c) Thí nghiệm P009E08 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 170 5. Đối tượng P011: a) Thí nghiệm P011E04 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 171 b) Thí nghiệm P011E06 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 172 c) Thí nghiệm P011E08 (tưởng tượng chuyển động tay): - Thời gian thực hiện chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt mỗi epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 173 PHỤ LỤC 4 CẤU HÌNH HỆ THỐNG ĐO ĐIỆN NÃO BITMED EXEA ULTRA 19 KÊNH Nguồn ngoài Nguồn y tế tuân theo EN60601-1 Đầu vào: 100-240V, 50-60Hz, 0.8A Đầu ra: +6VDC, 5A Nguồn ngoài +6VDC, cực tính: dương, âm. Nguồn Pin Thời gian nạp Pin Li-Ion có thể sạc, 5600mAh/tối đa 9h45 phút phụ thuộc vào số kênh <4 giờ Công suất tiêu thụ tối đa 2.5A/15W Mức độ bảo vệ IPX1 Bộ nhớ trong Flash, 512MB (tối đa 4G) Phân loại thiết bị ( theo UNE- EN60601-1) Unit class II Các thành phần có thể tiếp cận loại BF, không bảo vệ chống rung Kiểu sử dụng (theo UNE- EN60601-1) Liên tục Các chế độ hoạt động + Residential: Lưu trữ tại thanh ghi bộ nhớ trong. Có thể đo trở kháng phần cứng + Thời gian thực hoặc kết nối trực tiếp: Theo dõi thanh ghi trên màn hình máy tính khi dữ liệu được thu. Đồng thời ghi ở bộ nhớ trong. Có thể chuẩn trực và đo trở kháng (phần cứng, phần mềm) Dòng vào các kênh <5nA mỗi kênh Trở kháng điện cực >20MΩ Giảm nhiễu 50 Hz (lọc 50Hz) >40dB CMRR >100 dB với điện cực Neutral được kết nối 174 Khử nhiễu crosstalk giữa các kênh >50dB Nhiễu đầu vào <0.5uVrms (lên đến 70Hz) Tần số lƣu trữ  EXG và các kênh polygraphic  Các kênh DC và các kênh chuyên dụng ( Độ bão hòa oxy, ánh sáng, đánh dấu sự kiện) Lựa chọn: 500,250,100,50,20 mẫu/giây mỗi kênh 10 mẫu/giây mỗi kênh Dải biên độ  Các kênh sinh lý thần kinh/polygraph + Độ lệch DC + Dải đầu vào (FSR) + Bit lấy mẫu + Số lượng  Các kênh DC + Dải + Độ phân giải ±400mV ±8333uV 22 bits <80nV ±5V 11 bits Bộ lọc cứng + Bộ lọc thông cao + Bộ lọc thông thấp 0.2Hz (tối đa) 220Hz (tối thiểu) Các bộ lọc mềm (lựa chọn) Lọc thông cao: 0.2 Hz, 0.5Hz, 1 Hz, 2 Hz, 10Hz 175 Lọc thông thấp: 10Hz, 15Hz, 25Hz, 35Hz, 45Hz, 70Hz Giao tiếp với máy tính USB 1.1 Điều kiện môi trƣờng Khi hoạt động: Nhiệt độ môi trường: từ 00C → +400C. Độ ẩm: 25% - 95%. Áp suất: từ 700 đến 1060 hPa Khi lƣu giữ và vận chuyển: Nhiệt độ môi trường: từ 100C → +600C. Độ ẩm: 10% - 95%. Áp suất: từ 500 đến 1060 hPa Kích thƣớc 232x165x42mm Trọng lƣợng bộ khuếch đại 980g Cấu hình máy tính tối thiểu + Pentium III 500 MHz hoặc cấu hình cao hơn với các hệ thống từ 15 hoặc số kênh nhiều hơn + 64MB RAM + 5MB ô nhớ trống tối thiểu trên ổ cứng (khuyến cáo 110MB) + CD-ROM + Độ phân giải màn hình 1024x768 + Cổng USB Cấu hình thực tế hệ thống máy tính + Intel Core 2 Dual + Windows 7 32 bit + RAM 1G + 300GB + Độ phân giải màn hình 1366 x 768 + DVD-ROM + Cổng USB + Máy in 176 PHỤ LỤC 5 CHƢƠNG TRÌNH PHÂN TÍCH VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO LIÊN QUAN ĐẾN VẬN ĐỘNG Để phục vụ quá trình phân tích và xử lý tín hiệu điện não liên quan đến vận động, tác giả đã xây dựng một chương trình dựa trên Matlab GUI và theo mô hình xử lý điện não được đề xuất trong luận án để phân tích và xử lý số liệu. Một số chương trình sẵn có như EEGLAB, OpenVibe được cung cấp miễn phí có thể thực hiện được quá trình phân tách kênh, tách đoạn một số bộ lọc cơ bản, lọc nhiễu mắt tuy nhiên việc tích hợp thuật toán để tự động hóa quy trình định lượng tín hiệu khá khó khăn để thực hiện do cần nhiều thời gian nắm bắt được hết toàn bộ cấu trúc lớn của chương trình. Bên cạnh đó chương trình tự xây dựng còn có thể áp dụng nhiều thuật toán lên các đoạn tín hiệu phục vụ nghiên cứu và phân tích đồng thời có thể lưu ra các tệp tin theo định dạng tự thiết kế phục vụ nghiên cứu và đánh giá dữ liệu Trong luận án tác giả sử dụng thuật toán để lựa chọn tự động tối ưu giá trị C và gamma đảm bảo tối thiểu hóa MSE. So với các chương trình thực hiện phân loại dữ liệu có sẵn thì người sử dụng cần thiết phải lựa chọn thủ công giá trị C và gamma. Việc lựa chọn này tùy thuộc vào kinh nghiệm và ứng dụng thực hiện Công cụ phân tích dữ liệu điện não và tính toán đặc trưng IHMv 177 Công cụ xử lý và phân loại ba phân lớp tín hiệu IHMv theo mô hình phân loại

Các file đính kèm theo tài liệu này:

  • pdf1_luan_an_ts_pham_phuc_ngoc_7352.pdf