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

Với các mục tiêu đề ra của luận án: (1) Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv, (2) Xây dựng 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. Luận án đã nghiên cứu xây dựng bộ đặc trưng, phương pháp phân loại, mô phỏng thành công, xây dựng bộ dữ liệu IHMv trên đối tượng người Việt Nam và đã đạt được các mục tiêu đề ra. Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí trong nước và quốc tế

pdf27 trang | Chia sẻ: toanphat99 | Ngày: 21/07/2016 | Lượt xem: 3951 | Lượt tải: 1download
Bạn đang xem trước 20 trang tài liệu Tóm tắt 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
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Phúc Ngọc XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2016 Công trình được hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TS. PHẠM VĂN BÌNH TS. PHẠM HẢI ĐĂNG Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp tại Trường Đại học Bách khoa Hà Nội Vào hồi .. giờ, ngày .. tháng .. năm Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam 1 MỞ ĐẦU 1.1. Mục đích nghiên cứu Hệ thần kinh đóng vai trò phát ra các thông tin để điều khiển và tạo ra vận động ở người thông qua các sóng điện từ (gọi tắt là sóng não). Sóng não điều khiển tưởng tượng vận động chi trên (IHMv - Imagery Hand Movement) là một hoạt động của não bộ khi con người tưởng tượng hoặc suy nghĩ về điều khiển vận động chi trên mà không tạo ra chuyển động thật. Việc nghiên cứu các tín hiệu này sẽ giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người. Nghiên cứu về các hoạt động tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi chức năng đối với những người bị liệt chi sau đột quỵ [54], [100], [20], hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng[49], [68], [82]. Như vậy, việc phân giải được các thông tin điều khiển vận động từ sóng não và tạo ra được các tín hiệu điều khiển vận động từ sóng não sẽ có vai trò trò rất lớn trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân tay giả được điều khiển bởi hệ thống thần kinh. Trong nghiên cứu của luận án, tác giả tập trung nghiên cứu về các tín hiệu IHMv. Để có thể ứng dụng được trong thực tế, các hệ thống phân loại IHMv cần thiết phải chú trọng đến việc nâng cao được độ chính xác, tin cậy và tốc độ xử lý và khả năng phân giải nhiều phân lớp IHMv. Hiện nay có bốn xu hướng nghiên cứu nhằm phân giải các phân lớp IHMv và tạo ra tín hiệu điều khiển chuyển động từ sóng não đó là: (1) Phân tích chỉ số khóa pha PLV của các cặp điện cực [10], (2) Sử dụng sự biến thiên năng lượng và công suất của tín hiệu dựa trên quá trình suy giảm đồng bộ và tăng đồng bộ trong và trước khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) [113], [93] kết hợp với các mô hình phân loại (3) Phân tích các chỉ số tín hiệu theo mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) [25], [16] kết hợp với các mô hình phân loại (4) Phân tích tín hiệu trên miền thời gian - tần số [23], [89] dựa trên biến đổi Wavelet kết hợp với mô hình phân loại NN, SVM, LDA 2 Trong các phương pháp tiếp cận trên, có thể nhận thấy một số vấn đề sau: Thứ nhất đó là vẫn chưa xác định rõ các nhóm thuộc tính chuẩn định lượng tín hiệu IHMv. Để nâng cao độ chính xác phân loại, phần lớn mô hình sử dụng phương pháp tách đặc trưng trên nhiều điện cực làm tăng thời gian tính toán và thời gian thiết lập hệ thống khi áp dụng trên các mô hình BCI thực tế. Thứ hai đó là các hệ thống phân loại tưởng tượng vận động chi trên mới có khả năng phân loại ít trạng thái, phần lớn tập trung phân lớp hai trạng thái tưởng tượng vận động. Thứ ba là độ chính xác và tin cậy của các hệ thống phân loại phụ thuộc nhiều vào các bộ dữ liệu huấn luyện. Bênh cạnh đó, tín hiệu điện não có tính thống kê phụ thuộc vào nhiều điều kiện như tuổi tác, giới tính, tình trạng sức khỏe do đó nghiên cứu xây dựng tập dữ liệu từ các đối tượng đo dưới các điều kiện xác định sẽ giúp trích xuất được các thông tin thông qua các kỹ thuật phân tích dữ liệu. Đồng thời có thể đóng góp vào bộ cơ sở dữ liệu chung của thế giới để giúp nghiên cứu những đặc tính mới của tín hiệu trên bộ cơ sở dữ liệu lớn. Mục tiêu nghiên cứu của luận án - Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại ba phân lớp tưởng tượng vận động chi trên. - Xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm. Xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất. - Xây dựng bộ dữ liệu điện não liên quan đến điều khiển vận động của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích. Các vấn đề cần giải quyết của luận án - Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn đề cần giải quyết của luận án. 3 - Nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ thông số đặc trưng trên số lượng kênh đo ít hơn và có khả năng phân biệt các nhóm tín hiệu IHMv để có thể nâng cao độ chính xác phân loại. - Nghiên cứu và đề xuất phương pháp phân loại ba phân lớp IHMv bao gồm: tưởng tượng chuyển động tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv). Để thực hiện được điều này thì kết hợp giữa nhóm các thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv là một vấn đề cần giải quyết - Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến vận động người của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích. Phạm vi nghiên cứu - Nghiên cứu chức năng điều khiển vận động của não bộ và các giải pháp kỹ thuật nâng cao chất lượng tín hiệu IHMv. - Nghiên cứu các thuật toán định lượng tín hiệu IHMv và phương pháp lựa chọn bộ đặc trưng. - Nghiên cứu phương pháp phân loại các tín hiệu IHMv. - Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến vận động chi trên của đối tượng người Việt nam khỏe mạnh. Phƣơng pháp nghiên cứu - Nghiên cứu lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận động chi trên. - Mô hình hóa phương pháp định lượng và phân loại ba phân lớp IHMv. - Kiểm chứng đánh giá phương pháp phân lớp IHMv bằng thực nghiệm trên bộ dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế. Các đóng góp của Luận án - Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv. Bộ đặc trưng mới được phát triển từ phương pháp định 4 lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn. Dựa trên phương pháp kiểm định ANOVA, bộ đặc trưng đề xuất đã cho thấy khả năng phân biệt ba phân lớp IHMv trên bộ dữ liệu mẫu. Kết quả được công bố trong bài báo (4) - Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân lớp 3 trạng thái đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv. Phương pháp được đề xuất dựa trên việc xây dựng bộ phân loại theo mô hình vector học máy SVM được cấu trúc 2 tầng nối tiếp. Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy cấu trúc bộ phân loại đề xuất cho kết quả phân loại tốt với ba phân lớp IHMv. Kết quả được công bố tại công trình (5). - Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi trên của đối tượng người Việt Nam khỏe mạnh. Bộ dữ liệu sẽ đóng góp vào bộ dữ liệu điện não liên quan đến vận động chi trên của thế giới và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại - Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại đề xuất. 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. Điều này cho thấy tính khả thi của phương pháp phân loại và độ tin cậy của tập dữ liệu tự thiết kế. Luận án đưa ra một số khuyến nghị về vấn đề lựa chọn kênh đo, tiền xử lý bằng bộ lọc pha bằng không, bộ lọc không gian, 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. Một số khuyến nghị được đề cập trong công trình số (1), (2), (3) 1.2 Cấu trúc nội dung luận án Nội dung luận án bao gồm 4 chương. Trong đó các đóng góp khoa học của luận án thể hiện ở các nội dung đề xuất và thực 5 hiện trong chương 2, chương 3 và chương 4. Các nội dung cụ thể như sau: - Chương 1: Chương 1 trình bày hệ thần kinh điều khiển vận động và các mô hình xử lý và phân giải tín hiệu IHMv. Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG. Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR, lọc không gian Laplacian. - Chương 2: Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv. Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số. Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA. Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái điều khiển vận động tưởng tượng chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA. - Chương 3: Chương 3 đề xuất phương pháp sử dụng bộ thông số định lượng để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận động điều khiển bằng sóng não EEG. Trong chương này, luận án nghiên cứu và đề xuất sử dụng bộ phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng đề xuất. Phần tiếp theo sẽ mô tả khả năng thực hiện của hệ 6 thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình. - Chương 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến vận động chi trên của đối tượng đo người Việt nam phục vụ phân tích và nghiên cứu. Phần đầu chương mô tả phương pháp thiết lập hệ thống đo và đối tượng đo để thu nhận tín hiệu điện não IHMv. Phần tiếp theo mô tả đóng góp về bộ dữ liệu điện não IHMv của đối tượng người Việt. Phần cuối chương trình bày kết quả mô phỏng của bộ phân loại đề xuất trên bộ dữ liệu được tạo ra và đánh giá kết quả. - KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƢỜI 1.1 Hệ thần kinh điều khiển vận động 1.1.1 Các hoạt động điện của não 1.1.2 Điện thế hoạt động Vận tốc dẫn của điện thế hoạt động trong khoảng 1-100ms. Đối với người thì biên độ của AP xấp xỉ -60mV đến 10 mV. 1.1.3 Tạo tín hiệu EEG Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và tạo ra bởi các dòng ion trong các nơ ron não. Sóng µ (8-13Hz) là một sóng điện não có dải tần nằm trong dải alpha và thường liên quan đến quá trình lập kế hoạch vận động hoặc tưởng tượng vận động của người. 1.1.4 Hệ thống điều khiển vận động não Vỏ não điều khiển vận động là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý. Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của bó tháp. So với các vùng khác thì vùng vận động có diện tích lớn 7 nhất. Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ. Khi nơron trên vỏ não kích hoạt thì nó sẽ làm cơ co. Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh. Hình 1.13. Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo 1.1.5 Tín hiệu điện não đồ liên quan đến tƣởng tƣợng vận động Quá trình tưởng tượng vận động có phân bố năng lượng tín hiệu ở các dải tần số alpha (8-13Hz) và beta (15-30Hz). Sóng chậm theta (4-7Hz) cũng được sử dụng do nó có liên quan đến quá trình nhận thức, cơ chế tập trung và cũng có sự liên quan đến quá trình vận động [55], [63]. Sự xuất hiện của các sóng điện này thường có liên quan đến các sự kiện vận động hoặc các thông tin động học (vị trí, vận tốc (động học) cũng như lực (tĩnh học – kinetics), chúng thường xuất hiện trước, đồng thời và sau khi có đáp ứng. Nhiều nghiên cứu đã được triển khai theo để phân tích các đặc điểm năng lượng phổ tại các dải tần số qua đó tạo được các đặc trưng giúp tăng độ chính xác phân loại. Do đó các thuộc tính lượng hóa được sự thay đổi này của tín hiệu IHMv có thể giúp nâng cao khả năng nhận diện tín hiệu và độ chính xác phân loại. Bên cạnh đó, tín hiệu IHMv là bản chất không dừng và có tính thống kê nên việc lựa chọn được các thuộc tính có khả năng đặc tả các khía cạnh của tín hiệu đồng thời có khả năng phân biệt được các trạng thái là một hướng nghiên cứu được nhiều nhà khoa học quan tâm. 8 1.2 Mô hình xử lý tín hiệu điện não IHMv Trong các hệ thống hỗ trợ vận động điều khiển bằng sóng não, độ chính xác của hệ thống phân lớp các trạng thái điều khiển vận động phụ thuộc vào bộ dữ liệu huấn luyện mô hình. Bộ dữ liệu huấn luyện ít chịu ảnh hưởng của nhiễu và chứa đựng thông tin cần thiết thì độ tin cậy của hệ thống phân lớp càng cao. Để có được bộ dữ liệu huấn luyện có chất lượng cao, trong mô hình thu nhận, xử lý và phân tích tín hiệu điện não cần phải chú ý đến các giải pháp kỹ thuật để nâng cao được tỷ số SNR của nhóm tín hiệu cần phân tích. Luận án sẽ tập trung giải quyết ba vấn đề sau: - Xác định số lượng và vị trí không gian điện cực thu nhận tín hiệu IHMv - Tiền xử lý tín hiệu nâng cao tỷ số SNR. - Phân giải tín hiệu điện não IHMv 1.2.1 Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv Một số khu vực não bộ được kích hoạt trong thời gian tưởng tượng vận động (MI – Motor Imagery) như khu vực vỏ não vận động chính (M1), khu vực vỏ não bổ sung, và vùng tiền vận động tại khu vực thùy trán, và tiểu thùy đỉnh dưới (IPL), tiểu thùy đỉnh trên (SPL) và vỏ não xúc giác chính (S1) tại thùy đỉnh. Hình 1.15. Phân bố năng lượng trên một số đối tượng thực hiện vận động tay và chân phải tưởng tượng Các nghiên cứu cũng đã chỉ ra các hoạt động thần kinh có liên quan đến vận động và tưởng tượng vận động chi trên có phân 9 bố khá rộng và có thể thu nhận từ các điện cực C3 và C4 của hệ thống ghi điện não EEG bố trí theo chuẩn quốc tế 10/20. 1.2.2 Nâng cao tỷ số SNR của tín hiệu 1.2.2.1 Tăng cƣờng chất lƣợng tín hiệu IHMv dựa trên việc sử dụng các bộ lọc số có pha bằng không Luận án kiến nghị sử dụng bộ lọc FIR pha bằng không có tần số cắt dưới fc1 = 1Hz và tần số cắt trên fc2 = 40Hz. Tín hiệu sau lọc có thể loại bỏ được nhiễu nguồn và nhiễu đường biên tần số thấp xuất hiện trên bản ghi. Kết quả được đề cập trong công trình số (1), (4). Bộ lọc FIR có pha bằng không có khả năng phân tách được dải tần quan tâm đồng thời không gây trễ pha giúp thuận tiện trong quá trình đồng bộ tín hiệu với các sự kiện. Hình 1.18. a) Tín hiệu gốc trên kênh C3. b) Tín hiệu đã bị trễ với bộ lọc thông thường. c) Tín hiệu trên kênh C3 được lọc với bộ lọc pha bằng không. Tín hiệu sau lọc có sự đồng bộ về mặt thời gian với tín hiệu trước lọc 1.2.2.2 Tăng cƣờng chất lƣợng kênh đo tín hiệu EEG bằng kỹ thuật lọc không gian Việc sử dụng ít điện cực để trích xuất thông tin có nhược điểm là độ phân giải không gian thấp nên để tăng cường chất lượng tín hiệu, luận án kiến nghị sử dụng bộ lọc không gian Laplacian rộng. 10 Nếu gọi ( ) L a p i C t là tín hiệu kênh cần lọc trong đó i là kênh C3 và C4. ( )iC t là dữ liệu kênh đo. Bộ lọc Laplacian sẽ lọc bằng cách lấy tín hiệu tại kênh đo và trừ đi các kênh đo lân cận nhân với một trọng số phụ thuộc vào khoảng cách giữa điện cực lân cận và điện cực thu. Các điện cực là các điện cực trên trục dọc hoặc ngang với tâm là điện cực thu i C . Trong đó i j w là hằng số trọng số ij ( ) ( ) w ( ) i L a p i i j j S C t C t C t     Dữ liệu sử dụng trong luận án được tác giả sử dụng mô hình lọc không gian Laplacian rộng sử dụng 4 điện cực kế tiếp lân cận bao gồm: T7[trái],Cz[phải] ,P3[sau], F3[trước] sử dụng cho kênh C3 và nhóm kênh Cz[trái], P4[sau], T8[phải], F4[trước] cho kênh C4 Hình 1.20. Mô hình phân bố điện cực EEG 64 kênh. Các điện cực được sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc. 1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ Quá trình biến đổi năng lượng tín hiệu IHMv được phát hiện xảy ra ở trên các khoảng thời gian trước, trong và sau so với thời điểm có tưởng tượng vận động. Để phân giải được các nhóm tín hiệu IHMv, việc lựa chọn các cửa sổ thời gian đồng bộ với các 11 sự kiện tưởng tượng vận động phù hợp đóng vai trò quan trọng trong việc trích xuất được thông tin cần thiết. Trong luận án, khi thực nghiệm trên bộ dữ liệu mẫu, tác giả sử dụng cửa sổ có độ dài 512 mẫu (tương ứng với khoảng thời gian 3s tính từ thời điểm bắt đầu có điều khiển chuyển động) để phân tách các đoạn tín hiệu IHMv. Độ dài của sổ 512 mẫu khi thực nghiệm trên bộ dữ liệu mẫu có chứa đựng thông tin về sự biến đổi năng lượng giữa các trạng thái. Bên cạnh đó, do quá trình trích chọn đặc trưng của các đoạn tín hiệu IHMv sử dụng phương pháp phân tích trên miền thời gian – tần số dựa trên biến đổi wavelet, nên kích thước cửa sổ phân đoạn phải có độ lớn bằng lũy thừa của 2. Kết quả của quá trình phân đoạn các nhóm tín hiệu IHMv từ bản ghi EEG trên bộ dữ liệu mẫu Physionet Hình 1.26 a) Định vị các đoạn tín hiệu tương ứng với chuyển động tưởng tượng tay trái, chuyển động tưởng tượng tay phải và nghỉ trong khung màu khác nhau tương ứng (Xanh, đỏ, đen). 1.3 Kết luận Trong chương 1, tác giả kiến nghị sử dụng một số các giải pháp kỹ thuật trong mô hình xử lý tín hiệu điện não IHMv để giúp nâng cao tỷ số SNR bao gồm: lựa chọn kênh đo, bộ lọc số FIR pha bằng không, bộ lọc không gian Laplacian rộng, phân tách tín hiệu IHMv bằng cửa sổ cố định. Thử nghiệm trên bộ dữ liệu mẫu của Physionet, các tín hiệu IHMv sau khi được tiền xử lý đã loại được các loại nhiễu và tách được dải tần số điện não quan tâm. Các nhóm tín hiệu IHMv của bộ dữ liệu mẫu đã cho thấy được sự 12 biến động năng lượng phổ khác nhau đảm bảo chứa đựng các thông tin cần thiết cho bước định lượng tín hiệu. CHƢƠNG 2: PHÁT TRIỂN BỘ ĐẶC TRƢNG MỚI NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN LỚP IHMv ĐẦU RA Tín hiệu điện não IHMv có dạng phức tạp và có bản chất không dừng. Do đó ta cần phải thông qua các bộ đặc trưng định lượng tín hiệu để có cơ sở để nhận diện được dạng tín hiệu này. Các đặc trưng định lượng mô tả các đặc điểm thống kê của tín hiệu IHMv giúp đặc tả các khía cạnh khác nhau của tín hiệu. Các phương pháp [10], [131], [42] phân tách đặc trưng gặp một số nhược điểm đó là việc sử dụng khá nhiều các điện cực để xử lý và việc dùng số lượng lớn các điện cực có thể tăng thêm nhiễu cho dữ liệu, tăng độ phức tạp của mô hình và thời gian tính toán. Phương pháp định lượng tín hiệu theo miền thời gian - tần số dựa trên biến đổi Wavelet đề xuất bởi [23], [89] là một phương pháp tiếp cận hiệu quả và đơn giản khi thực hiện. Kỹ thuật này cho thấy khả năng định lượng được tín hiệu và vẫn đảm bảo chứa đựng các thông tin trên miền thời gian và tần số. Trong phần này, tác giả sẽ nghiên cứu và đề xuất nhóm các đặc trưng mới được trích chọn trên hai kênh C3, C4 để định lượng tín hiệu điện não IHMv. Luận án đề xuất sử dụng phương pháp phân tích phương sai ANOVA [30] giúp lựa chọn được các đặc trưng có tính phân biệt ba phân lớp IHMv dựa trên chỉ số F và p. Các thuộc tính được đánh giá và lựa chọn dựa trên việc thử nghiệm trên bộ cơ sở dữ liệu mẫu Physionet. 2.1 Phƣơng pháp định lƣợng trên miền thời gian – tần số dựa trên biến đổi wavelet Phương pháp định lượng tín hiệu dựa trên phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet được xử lý theo những bước sau: 13 Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng các phân lớp IMHv Dựa trên đề xuất trong nghiên cứu [89], hàm symlet 2 được tác giả sử dụng để phân tách các hệ số của biến đổi Wavelet. 6 hệ số chi tiết được luận án lựa chọn sử dụng cho quá trình phân tách đặc trưng (2 kênh C3 và C4 x 3 băng tần): 3 C IH M v  , 3 C IH M v  , 3 C IH M v  , 4 C IH M v  , 4 C IH M v  , 4 C IH M v  . 14 2.2 Xây dựng bộ các thuộc tính định lƣợng tín hiệu điều khiển vận động IHMv Phát triển từ bộ đặc trưng đề xuất trong [23] và [89], với mục tiêu giảm số kênh đo và đảm bảo độ chính xác phân loại ba trạng thái vận động tưởng tượng chi trên, luận án sử dụng các đặc trưng định lượng tín hiệu trên 3 băng tần cơ bản trên hai kênh C3 và C4 đó là: 3C  , 3C  , 3C  , 4C  , 4C  , 4C  . Từ đó luận án đề xuất sử dụng bộ đặc trưng định lượng mở rộng bao gồm: RMS, WL, SSI, MMAV, ZC, SSC, WAMP, Shan_En, Log_En, HjAct, HjMobi, HjComplex tính toán trên các hệ số chi tiết wavelet cD3, cD4, cD5 trên hai kênh C3, C4 Công thức mô tả một số các giải thuật định lượng tín hiệu trên các hệ số chi tiết wavelet như sau: 1) MMAV 1 ( ) 1 1, 0 .2 5 0 .7 5 4 , 0 .2 5 4 ( ) , 0 .7 5 i N n n IH M v nM M A V w N N n N n w N n N n N N n N                               (2.9) 2) Hjorths parameters [9] 2 aie H jA c t  (2.16) d ie a H jM o b i    (2.17) d d( ) ( ) d ie d a H jC o m p le x      (2.18) 15 Kết quả mô phỏng định lƣợng tín hiệu trên bộ dữ liệu Physionet Bảng 2.2 Tóm tắt giá trị trung bình (µ) và phương sai (ϭ) của các thuộc tính theo các phân lớp IHMv khác nhau C3 C4 Lf_IHMv Ri_IH Mv Re_IH Mv Lf_IH Mv Ri_IH Mv Re_IH Mv RMS_Theta 0.347 (µ) 0.054 (ϭ) 0.341 0.058 0.487 0.065 0.335 0.065 0.348 0.061 0.484 0.069 RMS_Alpha 0.355 0.049 0.322 0.050 0.483 0.067 0.334 0.058 0.379 0.063 0.472 0.071 RMS_Beta 0.352 0.053 0.298 0.043 0.485 0.068 0.293 0.049 0.356 0.056 0.452 0.069 WL_Theta 0.350 0.054 0.331 0.055 0.475 0.067 0.347 0.060 0.376 0.060 0.489 0.069 WL_Alpha 0.365 0.054 0.319 0.049 0.479 0.072 0.322 0.052 0.386 0.062 0.464 0.069 WL_Beta 0.372 0.049 0.320 0.046 0.509 0.064 0.309 0.047 0.387 0.056 0.484 0.068 Hình 2.4 Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng đặc trưng Từ đồ thị ta có thể nhận thấy có sự khác biệt giữa giá trị trung vị của các phân nhóm IHMv. Mặt khác, dựa vào phân bố của biến nhận thấy 16 giữa các phân nhóm vẫn có nhiều giá trị thuộc phân nhóm này nằm trong vùng giá trị của phân nhóm kia. Do đó cần thiết phải lựa chọn nhiều các thuộc tính để xây dựng vector đặc qua đó nâng cao độ chính xác phân loại. 2.4. Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phƣơng pháp phân tích phƣơng sai một chiều ANOVA theo chỉ số F và p 2.4.1 Phƣơng pháp phân tích phƣơng sai một chiều ANOVA Kỹ thuật ANOVA là kỹ thuật phân tích cho phép kiểm chứng và đánh giá độ khác nhau các đặc trưng giữa 3 nhóm. Việc mô tả sự khác nhau giữa các phân lớp phụ thuộc vào việc kiểm định giả thuyết đảo H0 là trung bình của 3 phân lớp là bằng nhau H0: _ _ R e_L f IH M v R i IH M v IH M v    (2.24) Fđặc trưng được xác định theo biểu thức (2.27) Nếu chỉ số Fđặc trưng xác định được lớn hơn Fngưỡng thì đặc trưng đó sẽ có khả năng phân biệt giữa các trạng thái hay chúng ta có thể loại bỏ giả thuyết không là không thể phân biệt các trạng thái với đặc trưng. Điều này có nghĩa là một phân lớp IHMv có sự khác biệt với ít nhất 1 phân lớp còn lại. Như vậy đặc trưng đó có thể sử dụng như một thuộc tính có khả năng phân biệt. 2.4.2. Đề xuất xây dựng bộ đặc trƣng lựa chọn bằng phƣơng pháp kiểm định ANOVA theo chỉ số F và p Do đó việc chỉ sử dụng một đặc trưng cho quá trình phân loại khó có khả năng cho độ chính xác phân loại cao. Từ đó tác giả đề xuất xây dựng mô hình phân loại dựa trên bộ đặc trưng được đề cập phần trên. Tuy nhiên, việc có nhiều các đặc trưng làm đầu vào có thể là quá dư thừa hoặc không liên quan đến nhiệm vụ phân loại (Koprinska, 2009). Trong luận án, tác giả đề xuất sử dụng phương pháp lựa chọn bộ đặc trưng dựa trên chỉ số F và p của phân tích phương sai ANOVA. Chỉ số F của phân tích phương sai sẽ giúp ta đánh giá 17 được khả năng phân biệt các phân lớp IHMv của đặc trưng đồng thời có thể đánh giá được độ tin cậy trên tập dữ liệu thông qua chỉ số p. Quy tắc lựa chọn bộ đặc trưng như sau Bƣớc 1: Áp dụng phân tích phương sai ANOVA cho từng thuộc tính để kiểm tra khả năng phân biệt các nhóm trạng thái. Bƣớc 2: So sánh chỉ số F của đặc trưng với F ngưỡng. Nếu đặc trưng nào cho chỉ số F > F ngưỡng thì sẽ được lựa chọn. Bƣớc 3: Chỉ số p<0.05 cho phép khẳng định thuộc tính đó có khả năng phân biệt với độ tin cậy 95% Đánh giá khả năng phân biệt của các đặc trưng theo kiểm định ANOVA Lựa chọn đặc trưng theo chỉ số F và p Dữ liệu đầu vào (tất cả các đặc trưng) C3 C4 Theta Alpha Beta RMS WL ShanEn LogEn RMS WL ShanEn LogEn RMS WL ShanEn LogEn Kênh Băng tần Hình 2.5. Các bước lựa chọn đặc trưng theo phân tích phương sai ANOVA Bảng 2.3 Bảng giá trị ANOVA F và p với các đặc trưng trong dải θ, α và β của kênh C3 (Bảng rút gọn) C3 RMS C3θ RMS C3α RMS C3β WL C3θ WL C3α WL C3β F 66 71 91 59.1 62.5 97.8 P 0 0 0 0 0 0 SSI C3θ SSI C3α SSI C3β Shan_En C3θ Shan_En C3α Shan_E n C3β F 59.9 67.9 88.1 58.5 66.2 85.1 P 0 0 0 0 0 0 ZC C3_α ZC C3_β SSC C3_θ SSC C3_α SSC C3_β HjMobi C3_ θ 18 F 11.0 9.2 15.6 16.1 26.8 19.85 P 0 0 0 0 0 0 2.5. Kết luận chƣơng Như vậy bằng phương pháp lựa chọn đặc trưng dựa trên kiểm định phương sai ANOVA, luận án đề xuất bộ đặc trưng mới sử dụng cho quá trình phân loại tín hiệu IHMv với số lượng là 62 thuộc tính. Các thuộc tính đã cho thấy khả năng phân biệt các phân lớp IHMv với độ tin cậy 95% dựa trên phương pháp kiểm định phương sai ANOVA. CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP IHMv 3.1 Xây dựng vector đặc trƣng mô tả tín hiệu điện não IHMv từ bộ đặc trƣng đề xuất và cấu trúc các lớp Vector đặc trưng 62 thuộc tính theo phương pháp lựa chọn ANOVA làm đầu vào cho bộ phân loại. Kích thước vector đặc trưng 62 x 1. Cấu trúc tập dữ liệu huấn luyện n mẫu được mô tả như hình 3.2. Hình 3.2. Mô tả ma trận dữ liệu huấn luyện Từ bộ dữ liệu Physionet, số mẫu n = 1579 mẫu bao gồm 782 mẫu nghỉ, 401 mẫu chuyển động tưởng tượng tay trái, 396 mẫu chuyển động tưởng tượng tay phải. 3.2 Mô hình máy vector hỗ trợ nhị phân SVM Mô hình SVM là mô hình phân loại nhị phân. Thuật toán huấn luyện SVM đồng thời tối đa khả năng phân loại trong khi đó tối thiểu hóa được khả năng quá vừa huấn luyện với bộ dữ liệu 19 cho trước. Luận án xây dựng bộ phân loại bằng phần mềm MATLAB và sử dụng hàm biến đổi RBF Kernel SVM [108]. 3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái điều khiển tƣởng tƣợng vận động tay trái, tay phải và nghỉ. Luận án đề xuất cải tiến mô hình SVM thành mô hình 2 tầng phân loại nối tiếp: SVM1 và SVM2. Ba phân lớp đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv. Dữ liệu qua tầng phân loại thứ nhất được phân loại thành hai nhóm nghỉ (Re_IHMv) và nhóm có vận động (non-Rest IHMv). Tầng phân loại thứ hai phân chia dữ liệu thành hai nhóm: nhóm tưởng tượng vận động tay trái và nhóm tưởng tượng vận động tay phải. Đầu ra toàn bộ mô hình tuân theo quy tắc ở bảng 3.1: Để ước lượng các chỉ số của siêu phẳng SVM (trong đó C để điều khiển chống quá vừa huấn luyện và γ để điều khiển độ rộng của Gaussian kernel) trong luận án sử dụng phương pháp Nelder- Mead Simplex Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa trên mô hình 2 tầng SVM phi tuyến Tầng phân loại 1 SVM1 Tầng phân loại 2 SVM2 Mô hình phân loại 3IHMv_SVM2 IHMvs Thƣ giãn Tƣởng tƣợng vận động tay trái Tƣởng tƣợng vận động tay phải 20 Bảng 3.1 Bảng quyết định trạng thái đầu ra Tầng phân loại SVM1 (non-rest/ Re_IHMv) Tầng phân loại SVM 2 (Lf_IHMv/Ri_IHMv) Kết quả phân loại Kết quả phân loại đầu ra 1 1 1 Lf_IHMv 1 -1 -1 Ri_IHMv 0 1/-1 0 Re_IHMv 3.4 Mô phỏng và đánh giá khả năng của bộ phân loại 3IHMv_SVM2 Mười mô hình được xây dựng từ tập dữ liệu huấn luyện với độ chính xác tối đa đạt 92%. Độ chính xác phân loại trung bình của bộ phân loại đề xuất đạt 80,75%. Bảng 3.6 So sánh kết quả phân loại các phân lớp IHMv của bộ phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương Phƣơng pháp đề xuất Cheolsoo Park[29] (2013) Ana Loboda [10] (2014) Goeorge Townsend [42](2004) Độ chính xác phân loại trung bình 80,75% MEMD: 75,6% ±5.2 và NA- MEMD: 78.7±3.7 71,55% (13-30Hz); 65,55% (8- 13Hz) Độ nhạy L, Ri L: 76,91% Ri: 78,72% Re: 88,74% L:68%, R:75,1% (beta band), L:60,5% R:70,6% (mu band) Ri:69-84%, L:67%- 86% 21 AUC L, Ri L: 86,52% Ri: 88,38% Re: 91,98 Ri: 73 - 92% L: 72 - 93% Số trạng thái đầu ra 3 2 2 2 3.3 Kết luận chƣơng Luận án đã đề xuất phương pháp mới phân lớp ba nhóm tín hiệu IHMv. Phương pháp 3IHMv_SVM2 sử dụng bộ đặc trưng 62 thuộc tính đề xuất để xây dựng vector đầu vào và mô hình phân loại SVM cải tiến. Kết quả mô phỏng cho thấy khả năng phân loại 3 phân lớp IHMv của bộ phân loại với các thuộc tính đề xuất và phương pháp phân loại có độ chính xác cao (>80%). Bộ phân loại đề xuất được mô tả trong công bố (5) của tác giả. CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM 4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của ngƣời Việt Nam Do bản chất thống kê của tín hiệu EEG, tín hiệu IHMv thu nhận có thể thay đổi dưới các điều kiện khác nhau như tuổi tác, giới tính, tình trạng sức khỏe, nhiệt độVì vậy, việc xây dựng được các tập mẫu từ các đối tượng dưới các điều kiện xác định có thể hỗ trợ trích xuất được các thông tin, kiến thức có ích và thông qua các kỹ thuật phân tích dữ liệu. Từ đó có thể tạo ra các quyết định có độ chính xác cao từ các dữ liệu thực tế. Bên cạnh đó, việc xây dựng được tập dữ liệu sẽ đóng góp vào bộ cơ sở dữ liệu IHMv chung của thế giới và giúp các nghiên cứu có thể thử nghiệm, đánh giá được các thuật toán trích chọn đặc trưng hoặc độ chính xác phân loại của mô hình. Mặt khác, vấn đề xây dựng được các bộ cơ sở dữ liệu liên quan trực tiếp đến đặc điểm, cấu trúc, sinh lý của người Việt nam có ý nghĩa rất lớn để đề ra những 22 nghiên cứu, giải pháp phục vụ chính đối tượng người Việt nam. Để xây dựng tập dữ liệu mẫu, tác giả sử dụng mô hình BCI2000 [111] trong đó quy định về việc xây dựng tập dữ liệu phục vụ phân tích offline. 4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/ tƣởng tƣợng vận động của đối tƣợng đo ngƣời Việt nam Quy trình bao gồm: Thiết lập điều kiện đo, đối tượng đo, môi trường đo, thiết kế thí nghiệm và định thời gian các tín hiệu điện não liên quan đến vận động Hình 4.8 Hướng dẫn đối tượng thực hiện tưởng tượng chuyển động tay trái hoặc tay phải Hình 4.10. Thiết kế thí nghiệm đo điện não của các đối tượng người Việt Nam Hình 4.9. Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này được sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình 23 4.1.2 Kết quả và đánh giá bộ dữ liệu Bộ dữ liệu thu nhận bằng hệ thống Exea Ultra tại phòng thí nghiệm được thực hiện trên 12 đối tượng đo khác nhau. Mỗi đối tượng sẽ thực hiện 7 chuyển động tưởng tượng và vận động tay trái, 8 chuyển động tưởng tượng và vận động tay phải và xen giữa là các khoảng thời gian nghỉ. Số lượng mẫu thu được từ 12 đối tượng đo bao gồm: 240 mẫu trái, 210 mẫu phải và 420 mẫu nghỉ Bộ dữ liệu đo tại phòng thí nghiệm được tiến hành theo sự hướng dẫn của các chuyên gia về Điện não tại Việt nam. Các thông số về môi trường đo, thông tin cá nhân của đối tượng đo được ghi chép phục vụ nghiên cứu và phân tích. Áp dụng phương pháp xây dựng vector đặc trưng tín hiệu và bộ phân loại đề xuất trên 870 mẫu tín hiệu từ 12 đối tượng đo người Việt Nam đã cho kết quả phân loại tốt. Độ chính xác phân loại trung bình đạt 74%. Kết quả cho thấy khả năng ứng dụng của hệ thống lên các đối tượng đo thực tế tại Việt Nam 4.2. Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận động Hình 4.15. Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu điện não điều khiển tưởng tượng vận động chi trên dựa trên bộ phân loại đề xuất 4.4 Kết luận chƣơng Với mục tiêu xây dựng bộ dữ liệu điện não IHMv liên quan đến đối tượng người Việt Nam, luận án đã xây dựng đươc bộ cơ sở dữ liệu bao gồm 870 mẫu tín hiệu IHMv tại phòng thí nghiệm EEGLab & ARM Rehabilitation và sử dụng hệ thống máy đo của 24 Exea Ultra. Bên cạnh đó, để phục vụ cho quá trình phân tích và xử lý tín hiệu điện não đồng thời để xây dựng hệ thống hỗ trợ vận động được điều khiển bằng sóng não, luận án đã thiết kế chương trình phân loại dựa trên mô hình đề xuất để tạo quyết định phân lớp IHMv và hệ thống hỗ trợ tập luyện chi trên. Hướng phát triển tương lai của đề tài là ghép nối các hệ thống này thành một hệ thống hoàn chỉnh hỗ trợ vận động người được điều khiển bằng sóng não. KẾT LUẬN CHUNG Với các mục tiêu đề ra của luận án: (1) Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv, (2) Xây dựng 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. Luận án đã nghiên cứu xây dựng bộ đặc trưng, phương pháp phân loại, mô phỏng thành công, xây dựng bộ dữ liệu IHMv trên đối tượng người Việt Nam và đã đạt được các mục tiêu đề ra. Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí trong nước và quốc tế DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 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].

Các file đính kèm theo tài liệu này:

  • pdf2_tom_tat_lats_pham_phuc_ngoc_2332.pdf