Xây dựng hệ thống nhận diện chuyển động của người thông qua giải mã tín hiệu điện não đồ bị mất 1

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC SƯ PHẠM DƯƠNG THANH LINH XÂY DỰNG HỆ THỐNG NHẬN DIỆN CHUYỂN ĐỘNG CỦA NGƯỜI THƠNG QUA GIẢI MÃ TÍN HIỆU ĐIỆN NÃO ĐỒ BỊ MẤT Chuyên Ngành: Hệ thống Thông tin Mã số: 848.01.04 TÓM TẮT LUẬN VĂN THẠC SĨ NGÀNH HỆ THỐNG THƠNG TIN Đà Nẵng - Năm 2022 Cơng trình hoàn thành TRƯỜNG ĐẠI HỌC SƯ PHẠM - ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học TS Nguyễn Thị Ngọc Anh Phản biện 1: TS Nguyễn Trần Quốc Vinh Phản biện 2: PGS TS Trần Văn Lăng Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ ngành Hệ thống thông tin họp Trường Đại học Sư phạm – Đại học Đà Nẵng vào ngày tháng năm 2022 Có thể tìm hiểu luận văn tại: Thư viện Trường Đại học Sư phạm – Đại học Đà Nẵng Khoa Tin học, Trường Đại học Sư phạm – Đại học Đà Nẵng MỞ ĐẦU Lý chọn đề tài Điện não đồ (EEG) kỹ thuật ghi lại hoạt động điện não tạo cách sử dụng điện cực Có hai phương pháp để thu tín hiệu điện não đồ: xâm lấn không xâm lấn Trong phương pháp xâm lấn điện cực đặt bề mặt tiếp xúc não, phương pháp không xâm lấn điện cực đặt dọc theo da đầu Giao diện não-máy tính (BCI) công nghệ sử dụng điện cực khác để thu thập tín hiệu điện sinh học hoạt động não tạo ra, sau xử lý phân tích tín hiệu thơng qua máy tính để giải mã tín hiệu chuyển động thị giác, nhằm đạt tương tác người máy tính BCI cung cấp kênh giao tiếp trực tiếp não thiết bị bên ngồi mà khơng liên quan đến hoạt động bắp Các hệ thống sử dụng hoạt động điện não đồ ghi lại từ da đầu hoạt động tế bào thần kinh vỏ não riêng lẻ ghi lại từ điện cực cấy ghép BCI có nhiều ứng dụng điều khiển phận giả, điều hướng robot, điều khiển hệ thống tự động hóa nhà, điều khiển ứng dụng điện thoại di động, điều khiển chuyển động xe lăn hệ thống nhận dạng giọng nói Khi cơng nghệ hỗ trợ đại ngày trở nên tinh vi hơn, việc chuyển đổi từ vật dụng đơn giản nhằm mục đích hỗ trợ trọng lượng người dùng sang thiết bị điện tử có khả hỗ trợ phản ứng phức tạp chí chuyển động, nhu cầu kiểm soát người dùng ngày tăng Bây phần cứng đủ tiên tiến, nghiên cứu chuyển trọng tâm sang kỹ thuật cho phép người giao tiếp dễ dàng với thiết bị để sửa đổi kiểm soát hành vi Một phương pháp quan trọng để tương tác với thiết bị trợ giúp BCI 2 Hình ảnh chuyển động (MI) trình nhận thức tưởng tượng chuyển động phận thể mà không cần thực di chuyển phận thể Giao diện não-máy tính dựa hình ảnh chuyển động (MI-BCI) có ý nghĩa thực tế nhiều lĩnh vực như: quan sát hành vi vô thức người, ứng dụng thần kinh học, ứng dụng tương tác người máy,… đặc biệt ứng dụng kỹ thuật sinh học thiết bị điều khiển hoạt động người, đem lại niềm hy vọng cho bệnh nhân phục hồi chức thần kinh vận động Ngày nay, biên giới cuối người máy tính bắc cầu thơng qua việc sử dụng giao diện não-máy tính, cho phép máy tính điều khiển có chủ đích thơng qua giám sát hoạt động tín hiệu não Mặc dù BCI thiết kế để sử dụng tín hiệu EEG theo nhiều cách khác để điều khiển, người dùng tưởng tượng chuyển động xảy tay chân họ để điều khiển hệ thống quan tâm nghiên cứu sâu rộng năm qua Sự quan tâm chúng có tiềm ứng dụng giải mã suy nghĩ người chuyển động tưởng tượng vô giá Với vấn đề nêu chọn đề tài: “Xây dựng hệ thống nhận diện chuyển động người thơng qua giải mã tín hiệu điện não đồ bị mất” làm chủ đề nghiên cứu luận văn thạc sĩ Mục đích nghiên cứu Lĩnh vực phận loại chuyển động dựa đặc điểm tín hiệu EEG khó khăn tín hiệu EEG phi tuyến tính, khơng cố định chứa lượng nhiễu đáng kể Hơn nữa, đặc trưng tín hiệu EEG chủ yếu trích xuất từ miền thời gian, tần số tần số thời gian gần từ miền không gian Mục tiêu đề tài đề xuất mơ hình mới, cấp độ lý thuyết thuật toán để khai thác phát cấu trúc ẩn liệu chuỗi thời gian hoạt động não ghi lại dạng đa phương thức dựa tiến gần đại số tensor hình học vi phân Nghiên cứu tín hiệu điện não đồ, phương pháp phục hồi liệu bị thuật toán phân lớp SVM áp dụng vào toán nhận dạng chuyển động người thơng qua giải mã tín hiệu điện não đồ bị Mục tiêu nghiên cứu Dữ liệu điện não thu thập đa chiều, chất EEG nên cần bảo tồn ngun gốc liệu, khơng phá vỡ cấu trúc nguyên thủy việc khai thác đặc trưng Ngồi ra, q trình thu thập liệu, liệu bị lỗi, khơng đọc nên luận văn tiến hành nghiên cứu vấn đề phục hồi liệu bị dựa phương pháp cải tiến từ thuật toán Kalman Filter Sau đảm bảo tính tồn vẹn liệu, luận văn đề xuất phương pháp cải tiến tensor để tiến hành trích chọn đặc trưng liệu từ phân lớp nhận diện chuyển động Đối tượng phạm vi nghiên cứu Trong khuôn khổ luận văn thuộc loại nghiên cứu ứng dụng, đề tài giới hạn nghiên cứu vấn đề sau: - Nghiên cứu tổng quan não người, tính hiệu điện não đồ (EEG) - Phương pháp Support Vector Machine (SVM) - Nghiên cứu vấn đề để giải tốn phục hồi liệu tín hiệu EEG bị mất, phân lớp nhận diện chuyển động Phương pháp nghiên cứu 5.1 Phương pháp lý thuyết - Thu thập nghiên cứu tài liệu có liên quan - Nghiên cứu lý thuyết đại số tensor 4 - Nghiên cứu kỹ thuật học máy - Nghiên cứu phương pháp xử lý liệu bậc cao gồm: phục hồi liệu bị dựa phương pháp cải tiến từ thuật toán Kalman Filter, phân rã Tucker để trích chọn đặc trưng cho liệu đa phương thức EEG, phương thức phân lớp liệu 5.2 Phương pháp thực nghiệm - Xây dựng kho liệu huấn luyện - Tiền xử lí liệu - Xây dựng mơ hình phục hồi liệu EEG bị - Trích chọn đặc trưng phương pháp phân rã Tucker nhận dạng chuyển động người Ý nghĩa khoa học thực tiễn luận văn 6.1 Ý nghĩa khoa học Đề tài hướng vào ứng dụng công nghệ thông tin lĩnh lĩnh vực chăm sóc sức khỏe, cụ thể giao diện não-máy tính dựa nghiên cứu EEG Việc ứng dụng xu hướng việc khai phá liệu cho việc phân tích tính hiệu não nhận quan tâm hàng đầu nhà khoa học nhà nghiên cứu nhằm tạo công cụ phân tích linh hoạt Đóng góp đề tài đề xuất cách tiếp cận dựa đại số tensor việc phục hồi liệu bị trích chọn đặc trưng cho tốn nhận diện chuyển động người thơng qua giải mã tín hiệu điện não đồ bị 6.2 Ý nghĩa thực tiễn Hướng đến cách mạng công nghệ internet vạn vật, cảm biến y tế có sẵn thiết bị phục vụ đời sống ngày (điện thoại thông minh, đồng hồ thông minh), thiết bị thu thập tạo nhiều liệu Hệ thống đề xuất trả lời cho thách thức làm để phân tích xử lý liệu Đề tài nghiên cứu theo hướng tiếp cận mới, kết phát hành dạng mã nguồn mở Vì đề tài nghiên cứu dựa vào liệu mở chia sẻ, mục tiêu đóng góp kết nghiên cứu tác động tiềm để thiết kế công cụ để phân tích đánh giá hoạt động não Nội dung luận văn Luận văn gồm chương chính: Chương 1: Giới thiệu tổng quan Trong chương này, luận văn trın ̀ h bày cách tổng quan não người, điện não đồ giao diện não-máy tính Chương 2: Cơ sở lý thuyết Trong chương này, luận văn trı̀nh bày cách tổng quan sở lý thuyết liên quan đến kỹ thuật xử lý liệu bị mất, hệ thống động lực học tuyến tính (LDS) hay cịn gọi thuật tốn Kalman Filter, máy vector hỗ trợ (SVM) mơ hình khơng gian chung (CPS) Chương 3: Xây dựng mơ hình – Thực nghiệm đánh giá mơ hình Từ sở lý thuyết tìm hiểu chương 2, chương đề xuất phương pháp phục hồi liệu bị mất, kỹ thuật phân rã tucker thuật toán phân lớp CSP áp dụng vào tốn nhận dạng chuyển động người thơng qua giải mã tín hiệu điện não đồ bị Từ mơ hình xây dựng trên, tơi sử dụng ngơn ngữ lập trình Matlab chạy thử mơ hình Chương 4: Kết luận hướng phát triển Sau nhiều lần thực nghiệm chương 3, cuối kinh nghiệm, kết luận, định hướng nghiên cứu phát triển luận văn CHƯƠNG GIỚI THIỆU TỔNG QUAN 1.1 Giới thiệu não người Chỉ huy tối cao thể người não, phần trung tâm hệ thống thần kinh, nơi chi phối chức quan khác thể Đầu tiên, tìm hiểu cấu trúc giải phẫu não chức chúng Sau đó, tập trung vào cách thức, não nơi tạo hoạt động điện ghi lại da đầu Nó cung cấp ý tưởng rõ ràng để hiểu việc tạo dịng điện cục não ghi lại điện não đồ 1.1.1 Cấu trúc não chức não Về mặt giải phẫu, não chia thành ba phần chính: đại não, tiểu não thân não [50] minh họa Hình 1.1 Hình 1.1 Các khu vực giải phẫu não 1.1.2 Sinh lý học thần kinh não người Bộ não người bao gồm khoảng 100 tỷ tế bào thần kinh gọi nơ-ron (neurons) điện tích não trì nơron Các tế bào thần kinh có đặc điểm có phận giống tế bào khác, khía cạnh điện hóa cho phép chúng truyền tín hiệu điện truyền thơng điệp cho qua khoảng cách xa Tế bào thần kinh có ba phần bản: thân tế bào (soma), sợi trục gai [25,109] mơ tả Hình 1.2 1.2 Giới thiệu điện não đồ 1.2.1 Hệ thống 10-20 Điện não đồ (EEG) phép đo điện phản ánh hoạt động điện não người Đây kỹ thuật ghi lại tín hiệu điện não cách sử dụng điện cực đặt da đầu [19], cung cấp chứng cách não hoạt động theo thời gian Lịch sử điện não đồ năm 1875 ghi điện não đồ từ động vật thực Richard Caton [142] 1.2.2 Phân loại tín hiệu điện não đồ - Sóng Delta (δ): sóng có tần số chậm 0.5 – Hz, có biên độ tương đối lớn, chủ yếu gặp người ngủ say - Sóng Theta (θ): Đây nhịp điệu nhanh chút (4-7 Hz), quan sát chủ yếu buồn ngủ trẻ nhỏ - Sóng Alpha (α): Đây dao động nằm dải tần 812 Hz, xuất chủ yếu vùng sau đầu (thùy chẩm) nhắm mắt trạng thái thư giãn - Sóng Mu (μ): Đây dao động dải tần số 8-13 Hz, nằm vỏ não vận động cảm giác Biên độ nhịp điệu thay đổi đối tượng thực chuyển động Do đó, nhịp điệu cịn gọi nhịp điệu vận động thể - Sóng Beta (β): Đây sóng có tần số tương đối nhanh từ 13 Hz đến 30 Hz Sóng Beta quan sát thấy người tỉnh táo có ý thức Sóng bị ảnh hưởng việc thực chuyển động - Sóng Gamma (γ): sóng chủ yếu liên quan đến tần số 30 Hz Sóng Gamma đơi định nghĩa có tần số tối đa khoảng 80 Hz đến 100 Hz Nó có liên quan đến chức nhận thức vận động khác 1.2.3 Thách thức nghiên cứu EEG ứng dụng Trong hầu hết phân tích liệu EEG (hay gọi liệu chuỗi thời gian), giá trị bị thiếu nhiều lý khác lỗi người dùng lỗi thiết bị dẫn đến giảm hiệu suất chí gây lỗi hệ thống Các kỹ thuật phân tích liệu EEG áp dụng gần khơng áp đặt thống kê truyền thống mà áp dụng phương pháp tổng hợp dựa học máy để giải vấn đề giá trị bị thiếu Tuy nhiên, phương pháp khơng có khả tạo giá trị tín hiệu chuỗi thời gian thực tế bị mất, chuỗi thời gian bị liên quan đến thông tin tiềm ẩn quan trọng cần thiết để khai thác ứng dụng thực tế, chẳng hạn phân loại chuyển động dựa điện não đồ 1.3 Giao diện não-máy tính (BCI) 1.3.1 Định nghĩa Giao diện não-máy tính đường giao tiếp trực tiếp não nâng cao có dây thiết bị bên BCI khác với điều khiển thần kinh chỗ cho phép luồng thơng tin hai chiều BCI thường hướng vào nghiên cứu, lập đồ, hỗ trợ, tăng cường sửa chữa chức nhận thức vận động cảm giác người [71] 1.3.2 Kiến trúc hệ thống BCI 1.3.3 Ứng dụng BCI 1.3.4 BCI dựa hình ảnh chuyển động (Motor Imagery) CHƯƠNG CƠ SỞ LÝ THUYẾT 2.1 Các kỹ thuật xử lý liệu bị Phần lớn giá trị bị thiếu tập liệu giải hai chiến lược Việc xem xét giá trị bị thiếu cách phát triển mơ hình thuật tốn (1) không bị ảnh hưởng giá trị bị thiếu (2) sửa đổi tập liệu cách nhập xóa để có tập liệu hồn chỉnh mà khơng bị thiếu giá trị Xóa đơn giản loại bỏ tất ghi chí cột bao gồm giá trị bị thiếu áp đặt thống kê đơn giản thay giá trị bị thiếu giá trị trung bình, giá trị xuất với mật độ thường xuyên nhất, sử dụng khứ [64] Tuy nhiên, việc xóa liệu dẫn đến q nhiều thơng tin tập liệu phép áp đặt đơn giản thường không tạo liệu hợp lý thực tế xem xét ngữ cảnh Hơn nữa, mục tiêu để phát triển mơ hình mạnh mẽ xử lý giá trị bị thiếu vốn có hạn chế phải nghĩ kỹ thuật riêng cho ứng dụng với tập liệu 2.1.1 Phương pháp phân tích liệu sẵn có 2.1.1.1 Xóa theo danh sách 2.1.1.2 Xóa theo cặp 2.1.2 Phương pháp áp đặt 2.2 2.1.2.1 Mean substitution 2.1.2.2 Cold deck imputation 2.1.2.3 Hot deck imputation 2.1.2.4 Linear regression analysis 2.1.2.5 Spline interpolation 2.1.2.6 Maximum likelihood (EM algorithm) 2.1.2.7 Multiple imputation Hệ thống động lực học tuyến tính 2.2.1 Giới thiệu 2.2.2 Hệ thống động lực học tuyến tính EEG liệu đa chiều nhiều điện cực sử dụng để ghi lại hoạt động điện dọc theo bề mặt da đầu Một hệ thống động lực học mơ hình hóa chuỗi tín hiệu EEG đa chiều, ký hiệu 𝑌 = {𝑦! , 𝑦" , 𝑦# , 𝑦$ }, vectơ 𝑦% biểu thị liệu thời điểm đánh dấu 𝑡 = 1, 2, 𝑇 của chiều 𝑚 Điều có nghĩa liệu từ EEG trình bày ma trận 𝑌&'$ biến 𝑚 tích thời gian quan sát 𝑇 Coi liệu chuỗi thời gian EEG thu từ tín hiệu EEG hệ thống động lực học Nó xây dựng mơ hình thống kê để biểu diễn trạng thái biến ẩn phát triển thành phép biến đổi tuyến tính dẫn đến chuỗi thời gian số quan sát Mơ hình tìm hiểu 10 động lực liệu chuỗi thời gian [9] Sau đó, nắm bắt mối tương quan nhiều điện cực cách chọn số biến ẩn thích hợp 2.2.3 The Forward Pass (Kalman Filter) 2.2.4 Tối đa hóa kỳ vọng 2.3 Giới thiệu kỹ thuật học máy để phân loại EEG 2.3.1 K-Nearest Neighbor 2.3.2 Regression Tree 2.3.3 Bayesian Network 2.3.4 Support Vector Machine 2.3.5 Artificial Neural Networks 2.4 Máy vector hỗ trợ 2.5 Mơ hình khơng gian chung 2.6 Phép biến đổi Wavelet CHƯƠNG XÂY DỰNG MƠ HÌNH – THỰC NGHIỆM VÀ ĐÁNH GIÁ 3.1 Mơ tả tốn phục hồi liệu EEG bị Thơng thường tín hiệu điện não đồ bị suy giảm nhiều lý khác ngắt kết nối điện cực với thể tín hiệu bị nhiễu Việc khơi phục liệu bị thiếu ứng dụng thực tế cần thiết, ảnh hưởng tiêu cực đến độ xác việc phân loại, dẫn đến việc đưa kết không hiệu [38,70,136] Thông thường liệu bị có hai loại: (1) khơng có cấu trúc (2) có cấu trúc Dữ liệu bị khơng có cấu trúc nghĩa giá trị liệu bị thiếu số ngẫu nhiên liệu quan sát Trong liệu bị có cấu trúc phần liệu từ cảm biến cụ thể bị thiếu Trong ứng dụng thực tế, liệu thường bị theo cách có cấu trúc, luận văn tơi đề xuất thiết lập mơ hình liệu bị thiếu có cấu trúc 11 3.2 Đề xuất mơ hình 3.2.1 Hệ thống động lực học tuyến tính cho EEG EEG liệu đa chiều nhiều điện cực sử dụng để ghi lại hoạt động điện dọc theo bề mặt da đầu Một hệ thống động lực học mơ hình hóa chuỗi tín hiệu EEG đa chiều, ký hiệu 𝑌 = {𝑦! , 𝑦" , 𝑦# , 𝑦$ }, vectơ 𝑦% biểu thị liệu thời điểm đánh dấu 𝑡 = 1, 2, 𝑇 của chiều 𝑚 Điều có nghĩa liệu từ EEG trình bày ma trận 𝑌&'$ biến 𝑚 tích thời gian quan sát 𝑇 Coi liệu chuỗi thời gian EEG thu từ tín hiệu EEG hệ thống động lực học 3.2.2 Thiết lập mơ hình đề xuất thiếu giá trị Hình 3.1 Kiến trúc thiết lập mơ hình đề xuất Về tổng thể, phương pháp đề xuất để giải vấn đề thiếu giá trị chuỗi thời gian EEG tóm tắt sau: - Ước tính biến ẩn Z (E-step): Với tham số cố định, q Y chứa giá trị bị thiếu, quy trình tiến-lùi để ước tính hậu nghiệm 12 P(Z | Y;q) số liệu thống kê đầy đủ E(zn|Y;q), E(znz’n|Y;q), E(znz’n+1|Y;q) sử dụng - Khơi phục giá trị bị thiếu: Đã cho Z cố định, giá trị bị thiếu Ymiss E(Ymiss|Z;q) sử dụng E(zn|Y;q) ước tính - Cập nhật thơng số mơ hình (M-step): Với Y Z cố định, thông số mơ hình mới, 𝜃 new ← argmax 𝐸[log (𝑌, 𝑍, 𝜃] ước tính 3.3 Thực nghiệm đánh giá 3.3.1 Môi trường thực nghiệm Môi trường thử nghiệm hệ thống nhận diện chuyển động người thông qua giải mã tín hiệu điện não đồ bị máy tính có cấu Bảng 3.2 cài đặt phần mềm MatLab R2019b với Tensor Toolbox Bảng 3.1 Thiết bị thực nghiệm STT Cấu hình Thơng số CPU 2.6 GHz 6-Core Intel Core i7 RAM 16 GB 2667 MHz DDR4 OS macOS Monterey GPU AMD Radeon Pro 5300M GB 3.3.2 Giới thiệu sở liệu thực nghiệm Trong luận văn này, sử dụng liệu EEG: - Bộ liệu hình ảnh chuyển động ABSP EEG [30] Các tín hiệu điện não đồ tập liệu ghi lại từ đối tượng khỏe mạnh mặt huyết Mơ hình BCI dựa gợi ý bao gồm 2/3 nhiệm vụ hình ảnh vận động, cụ thể tưởng tượng chuyển động tay trái (Left Hand - LH), tay phải (Right Hand - RH) hai chân 13 (feet - F) Một số buổi thí nghiệm vào ngày khác ghi lại cho số thí nghiệm, liệu thí nghiệm lưu trữ tệp liệu tương ứng Có 31 tệp bao gồm tín hiệu EEG cho thí nghiệm riêng biệt; - Bộ liệu hình ảnh chuyển động BCI III (4a) [41] Bộ liệu cung cấp Fraunhofer FIRST, Nhóm Phân tích Dữ liệu Thông minh (Klaus-Robert Müller, Benjamin Blankertz), Cơ sở Benjamin Franklin Charité - Đại học Y Berlin, Khoa Thần kinh, Nhóm Khoa học Thần kinh (Gabriel Curio) xuất trang web https://www.bbci.de/competition/iii/desc_IVa.html 3.3.3 Mơ hình thực nghiệm Trong khuôn khổ luận văn, đề xuất khơi phục liệu bị thiếu có cấu trúc cách sử dụng phương pháp phân tích nhân tử dựa tensor nhằm bảo tồn tính chất đa chiều liệu khôi phục liệu bị thiếu cách hiệu Sau đó, sử dụng phương pháp phân loại sau liệu bị thiếu khơi phục Hình 3.2 Mơ tín hiệu EEG gốc, bị thiếu phục hồi Tôi đề xuất ba mơ hình để so sánh hiệu suất phương pháp phục hồi liệu EEG bị Mơ hình thứ nhất, sử dụng phương pháp phân loại tập liệu hoàn chỉnh hiển thị Hình 3.3 Mơ hình thứ hai, cố tình bỏ sót liệu từ 5% đến 15% 14 sau áp dụng phương pháp phân loại Hình 3.4 Trong mơ hình thứ ba, tơi khơi phục liệu mơ hình thứ hai sau sử dụng phép phân loại Hình 3.5 Dữ liệu tập huấn Phương pháp phân loại Dữ liệu kiểm tra Mơ hình phân loại Dữ liệu EEG hồn chỉnh Độ xác phân loại Hình 3.3 Phân loại liệu EEG hồn chỉnh Hình 3.4 Phân loại liệu EEG với 5% đến 15% giá trị bị thiếu Hình 3.5 Phân loại liệu điện não đồ phục hồi giá trị bị 15 Kết lý tưởng hiệu suất phân loại liệu khôi phục phải tốt hiệu suất phân loại liệu hoàn chỉnh Trong đó, hiệu suất phân loại liệu bị thiếu so với hai mơ hình lại 3.3.4 Kết thực nghiệm đánh giá Đầu tiên so sánh dựa khác biệt sai số xây dựng lại ba phương pháp giá trị bị thiếu 5%, 10% 15%, thể Bảng 3.3 Trong tất trường hợp, phương pháp đề xuất, phương pháp MSVD phương pháp nội suy sử dụng số biến ẩn với 98% lượng; độ dài trung bình giá trị cịn thiếu liên tiếp 35 mốc thời gian Bảng 3.3 chứng minh tất lượng liệu bị thiếu khác phạm vi 5%, 10% 15%, sai số tái tạo phương pháp đề xuất cho kết tốt nhất, có sai số nhỏ so với phương pháp nội suy phương pháp MSVD Cụ thể, tập liệu ABSP, phương pháp đề xuất đưa 0.0039 0.0105 sai số tái tạo trung bình, thấp so với phương pháp MSVD phương pháp nội suy Trên tập liệu này, cho thấy cải thiện khoảng 67% 75% so với phương pháp MSVD phương pháp nội suy Bảng 3.3 Lỗi cấu trúc lại tỷ lệ khác giá trị bị 5%, 10% 15% Dataset ABSP Tệp subA Phương pháp Đề xuất Lỗi tái cấu trúc liệu bị so với liệu gốc 5% 10% 15% 0.0039 0.00602 0.0807 Trung bình MSE 0.0302 16 MSVD subB 0.0284 0.0509 0.0934 0.0576 Interpolation 0.03463 0.07357 0.0926 0.0669 Đề xuất 0.0015 0.00523 0.00738 0.0047 MSVD 0.02203 0.03374 0.09193 0.0492 Interpolation 0.03959 0.08728 aw 0.0738 0.0966 0.0745 Đề xuất 0.01109 0.07459 0.0532 MSVD 0.13903 0.22025 0.29322 0.2175 Interpolation 0.16643 0.28596 0.38245 0.2783 BCI III (4a) ay Đề xuất 0.03013 0.17195 0.30328 0.1685 MSVD 0.19056 0.29601 0.99752 0.4947 Interpolation 0.38527 0.60137 0.73021 0.5723 Tương tự, thực nghiệm phục hồi liệu bị với tập liệu BCI III (4a) với tệp aw ay, hiệu suất phương pháp đề xuất cho thấy việc tái tạo cải thiện 69% 74% so với hiệu suất phương pháp MSVD phương pháp nội suy Để kiểm tra tính hiệu phương pháp đề xuất, Hình 3.6 cho thấy trực giác việc tái tạo định tính kênh 22 liệu BCI III (4a) ba cách tiếp cận Trong tất trường hợp, phục hồi thực với 50 150 mốc thời gian liên tiếp Quan sát Hình 3.6, đường nét gạch biểu thị tín hiệu ban đầu (nguyên bản), đường màu xanh tín hiệu tái tạo phương pháp nội suy, đường màu xanh dương tín hiệu tái phương pháp MSVD đường màu đỏ mơ tả tín hiệu tái tạo phương pháp đề xuất cho thấy phương pháp đề xuất 17 (đường màu đỏ) đạt tái tạo tốt đạt gần với tín hiệu ban đầu so với phương pháp MSVD phương pháp nội suy a) 50 mốc thời gian liên tiếp b) 150 mốc thời gian liên tiếp Hình 3.6 Cấu trúc lại so với tín hiệu ban đầu kênh 22 Thử nghiệm phân loại với liệu ABSP với hai đối tượng: ‘subA_6chan_2LR_s1’ (subA) ‘subB_6chan_2LR’ (subB) Tập liệu subA bao gồm 130 thử nghiệm hình ảnh động BCI EEG cho đối tượng A Tất tín hiệu EEG ghi lại thời gian giây tần số lấy mẫu 256 Hz kênh khuếch đại gTec Mỗi thử nghiệm gán nhãn theo hình ảnh động bên trái bên phải Tập liệu subB bao gồm 162 lần thử nghiệm hình ảnh động BCI EEG cho đối tượng B Tất tín hiệu EEG ghi lại thời gian giây tần số lấy mẫu 250 Hz kênh khuếch đại Neuroscan Với liệu hoàn chỉnh phân loại phương thức CSP ta thu kết 90.77% cho subA 92.41% cho subB Sau giả định liệu ABSP bị theo cấu trúc 5%, 10% 15%, sau nhận dạng liệu bị giả định bị ta thu kết 78.08%, 63.46% 61.54 cho tệp liệu subA, với trung bình cộng 67.69% Sau tiến hành phục hồi liệu phương pháp đề xuất ta thu kết nhận dạng với trung bình cộng 87.88% cải thiện 20.19% 18 Bảng 3.4 So sánh kết thực nghiệm phân loại với liệu giả định bị liệu sau phục hồi Bộ liệu BCI III (4a) chọn kênh (51-57) từ 118 kênh liệu đầy đủ để minh họa hoạt động, tiến hành phân loại theo phương thức CSP thu độ xác 91.61%, 93.81% cho tệp aw, ay hoàn chỉnh Ta thu kết phân loại sau phục hồi dữ liệu EEG bị theo cấu trúc 5%, 10% 15%, với trung bình cộng 86.01% với 89.73% cho tệp aw ay Các thực nghiệm cho kết cải thiện mức độ xác 8,89% thuật tốn phân loại áp dụng liệu phục hồi so với liệu bị Bảng 3.2 Độ xác phương thức phân loại chuyển động với liệu EEG Dataset ABSP Tệp Dữ liệu EEG hồn chỉnh Trung bình cộng liệu EEG bị Trung bình cộng liệu EEG sau phục hồi subA 90.77 67.69 87.88 subB 92.41 69.86 81.08 aw 91.61 77.22 86.01 19 Dataset Tệp BCI III (4a) ay Dữ liệu EEG hoàn chỉnh Trung bình cộng liệu EEG bị Trung bình cộng liệu EEG sau phục hồi 93.81 77.98 89.73 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Kết luận Như đề cập phần giới thiệu, liệu bị thiếu vấn đề phổ biến khơng thể bị bỏ qua Nó làm sai lệch kết phân tích liệu, đơi chí đến mức khơng thể phân tích liệu Hiện tại, sử dụng máy tính để giải vấn đề (ít phần) Tuy nhiên, số thuật toán yêu cầu khả tính tốn phức tạp, phần cứng để chạy thuật toán cao so với tiêu chuẩn Tuy nhiên, khơng thể hồn tồn phủ nhận khả sử dụng chúng tương lai gần Trong năm gần đây, lĩnh vực nhận dạng chuyển động người quan tâm nghiên cứu Các nhà nghiên cứu phát rằng, cách tiếp cận tốt để xác định chuyển động người, cách phân tích kết điện não đồ kết hợp với tín hiệu ngoại vi Như biết, EEG tạo nhiều liệu xảy vấn đề thiếu liệu trình thu thập Vì vậy, điều quan trọng phải tìm phương pháp ứng phó liệu bị mất, phương pháp áp dụng thực tế đạt hiệu cao Trong khuôn khổ luận văn này, đề xuất phương pháp để giải vấn đề giá trị bị thiếu liên tiếp cho nhiều chuỗi thời gian EEG, đặc biệt việc tái tạo phục hồi lại chúng Phương pháp giải giá trị bị thiếu liên tiếp chuỗi thời gian EEG thực đa chiều Nó tự động khám phá vài mẫu hữu ích 20 tìm hiểu động lực học chúng thành công để giải vấn đề với quan sát bị thiếu liên tiếp Trong hầu hết trường hợp thực nghiệm, phương pháp cung cấp kết tốt phân loại liệu sau phục hồi 4.2 Định hướng phát triển Trong luận văn khơng phải tất phương pháp có thử nghiệm thực Các phương pháp phục hồi liệu phân tích tích giá trị đơn lẻ bị thiếu (MSVD), phương pháp nội suy (interpolation) nhiều phương pháp khác cần phải kiểm tra thử nghiệm Hơn nữa, phương pháp đề xuất luận văn nên thử nghiệm liệu lớn hơn, phức tạp Việc sử dụng lượng lớn liệu để xử lý thay đổi kết phương pháp Vì vậy, là việc chắn cần quan tâm thực tương lai gần Việc xử lý liệu bị cho phép giảm thiểu số lượng sai lầm phân tích liệu khơng xác Các cơng việc tương tự cơng việc nên thực lĩnh vực khoa học để xác định kỹ thuật phù hợp cho nhà nghiên cứu sử dụng Bằng cách này, xây dựng sở vững giúp nhà khoa học tương lai thực nghiên cứu họ cách đáng tin cậy Cuối cùng, kết trình luận văn thực kiểm tra liệu EEG để tái tạo giá trị bị thiếu Đối với công việc tiếp theo, phương pháp đề xuất kiểm tra với nhiệm vụ khai thác chuỗi thời gian EEG khác nén dự báo Hơn nữa, mở rộng nghiên cứu để liên quan đến loại liệu khác Điện tâm đồ (ECG) liệu nhiều hệ số tương tự mơ hình chuỗi thời gian  ... [25 ,10 9] mơ tả Hình 1. 2 1. 2 Giới thiệu điện não đồ 1. 2 .1 Hệ thống 10 -20 Điện não đồ (EEG) phép đo điện phản ánh hoạt động điện não người Đây kỹ thuật ghi lại tín hiệu điện não cách sử dụng điện. .. tài: ? ?Xây dựng hệ thống nhận diện chuyển động người thông qua giải mã tín hiệu điện não đồ bị mất? ?? làm chủ đề nghiên cứu luận văn thạc sĩ Mục đích nghiên cứu Lĩnh vực phận loại chuyển động dựa...