1. Trang chủ
  2. » Luận Văn - Báo Cáo

ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ

117 854 8

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 117
Dung lượng 4,62 MB

Nội dung

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC KHOA HỌC TỰ NHIÊN IHJK HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ CHUYÊN NGÀNH: VẬT LÝ VÔ TUYẾN VÀ ĐIỆN TỬ - KỸ THUẬT MÃ SỐ: 60 44 03 LUẬN VĂN THẠC SĨ VẬT LÝ VÔ TUYẾN VÀ ĐIỆN TỬ - KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN HỮU PHƯƠNG TP. HỒ CHÍ MINH – NĂM 2009 LỜI CẢM ƠN Trong thời gian gần ba năm học chương trình cao học với nhiều khó khăn thử thách, bên cạnh tôi luôn có những lời quan tâm, động viên từ phía gia đình, quý thầy cô, bạn bè để giúp tôi vượt qua và hoàn thành luận văn tốt nghiệp này. Đầu tiên tôi chân thành cảm ơn đến thầy Nguyễn Hữu Phương, thầy đã đề nghị tôi hướng nghiên cứu kỹ thuật ICA và đưa vào ứng dụng trong lĩnh vực y sinh. Trong suố t quá trình học tập cũng như làm luận văn, thầy đã tận tình giúp đỡ tôi về chuyên môn, tạo mọi điều kiện thuận lợi trong học tập để tôi có thể hoàn thành chương trình cao học và luận văn tốt nghiệp này. Tôi xin chân thành cảm ơn quý thầy cô trong Khoa Điện Tử – Viễn Thông đã giúp đỡ tôi trong quá trình học tập và thực hiện luận văn. Tôi xin chân thành cảm ơn gia đình, bạn bè và đồng nghiệp đã động viên, tạo điều kiện và hỗ trợ tôi trong suốt thời gian qua. Mặc dù đã có nhiều cố gắng nhưng do kiến thức còn hạn chế và phạm vi đề tài có giới hạn nên nội dung đề tài chỉ được thực hiện ở một mức độ nào đó và chắc rằng sẽ còn nhiều thiếu sót. Kính mong quý thầy cô cùng các bạn góp ý để đề tài được tốt h ơn. ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 1 MỤC LỤC MỤC LỤC 1 Danh mục các ký hiệu, các chữ viết tắt 3 Danh mục các hình vẽ, đồ thị 4 MỞ ĐẦU 6 Chương 1 – PHẦN GIỚI THIỆU 9 1.1. GIỚI THIỆU 9 1.2. BỐ CỤC CÁC CHƯƠNG 11 Chương 2 – PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP ICA 13 2.1. ĐỘNG LỰC THÚC ĐẨY SỰ PHÁT TRIỂN CỦA ICA 13 2.2. ĐỊNH NGHĨA ICA 19 2.2.1. ICA dưới dạng xấp xỉ của mô hình sản sinh 19 2.2.2. Các điều kiện cho ICA 21 2.2.3. Tính không xác định của ICA 22 2.2.4. Quy tâm các biến 23 2.3. MINH HỌA ICA 24 2.4. ICA VÀ TRẮNG HÓA 28 2.4.1. Phi tương quan và trắng hóa 28 2.4.2. Làm trắng hóa chỉ là một nửa của ICA 30 2.5. CÁC BIẾN GAUSS 32 2.6. TIỀN XỬ LÝ CHO ICA 34 2.6.1. Tính độc lập của các thành phần 34 2.6.2. Cơ bản về ước lượng ICA 38 2.6.3. Tiền xử lý cho ICA 46 Chương 3 – ỨNG DỤNG ICA TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 50 3.1. CƠ BẢN VỀ ĐIỆN NÃO ĐỒ 50 ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 2 3.1.1 Cách mắc điện cực và các kiểu đạo trình 52 3.1.2. Phân biệt các sóng 59 3.1.3. Xác định sóng dựa vào tần số 60 3.1.4. Xác định sóng dựa vào hình dạng 62 3.1.5. Các dạng sóng phức hợp 63 3.1.6. Nhiễu 65 3.1.7. Các biến thể bình thường 67 3.1.8. Khác biệt theo vùng trên bản ghi điện não 69 3.1.9 Các phương thức hoạt hóa 71 3.2. CÁC BƯỚC THỰC HIỆN CỦA CHƯƠNG TRÌNH 73 3.2.1. Nhập dữ liệu 73 3.2.2. Thiết lập thông số ICA 77 3.2.3. Phân tích dữ liệu 84 3.2.4. Mô phỏng kết quả qua giao diện ảnh 85 3.3. GIẢI THUẬT CỦA CHƯƠNG TRÌNH 89 3.3.1. Các bước thực hiện chính của chương trình 89 3.3.2. Giải thuật của chương trình 92 Chương 4 – MỘT SỐ KẾT QUẢ THỰC HIỆN 93 Chương 5 – KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 111 TÀI LIỆU THAM KHẢO 114 ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 3 Danh mục các ký hiệu, các chữ viết tắt 1. BSS: Blind Source Separation – Tách nguồn mù. 2. Decorrelation – Giải tương quan. 3. EEG: Electroencephalogram – Điện não đồ. 4. EVD: Eigenvalue Decomposition – Phân tích trị riêng. 5. ICA: Independent Component Analysis – Phân tích thành phần độc lập. 6. Joint pdf: Joint probability density function – Hàm mật độ sác xuất kết hợp. 7. MEG: Magnetoencephalography - Phương pháp từ não đồ. 8. MRI: Magnetic Resonnance Imaging - Phương pháp chụp ảnh cộng hưởng từ hạt nhân. 9. PCA: Principle Component Analysis – Phân tích thành phần chính. 10. Pdf: Probability density function – Hàm mật độ sác xuất. 11. PET: Positron Emission Topography - Phương pháp chụp ảnh cắt lớp phát xạ 12. Uncorrelatedness – Phi tương quan. 13. Whitening – Làm trắng. ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 4 Danh mục các hình vẽ, đồ thị Hình 2.1 Các tín hiệu audio ban đầu s i (t) Hình 2.2 Các trộn lẫn x i (t) của các tín hiệu ở hình 2.1 Hình 2.3 Các xấp xỉ ˆ () i st từ các tín hiệu ban đầu s i (t) Hình 2.4 Các hàm cơ sở trong ICA của các ảnh tự nhiên Hình 2.5 Phân bố kết hợp của các thành phần độc lập s 1 và s 2 có phân bố đồng nhất Hình 2.6 Phân bố kết hợp của các trộn lẫn x 1 và x 2 Hình 2.7 Mật độ của một thành phần độc lập siêu gauss Hình 2.8 Phân bố kết hợp của các trộn lẫn s 1 và s 2 Hình 2.9 Phân bố kết hợp của các trộn lẫn x 1 và x 2 , có được từ các thành phần độc lập siêu gauss Hình 2.10 Phân bố kết hợp của trộn lẫn được làm trắng của các thành phần độc lập có phân bố đều Hình 2.11 Phân bố đa biến của hai biến gauss độc lập Hình 2.12 Phân bố đa biến của hai biến gauss độc lập Hình 2.13 Phân bố kết hợp của sự trộn trắng hóa Hình 3.1 Hệ thống đặt điện cực ghi 10-20 quốc tế (international 10-20 system) Hình 3.2 Cách đặt điện cực theo kiểu 21 kênh Hình 3.3 Cách đặt điện cực theo kiểu 36 kênh Hình 3.4 Cách đặt điện cực theo kiểu 74 kênh Hình 3.5 Giao diện chính Hình 3.6 Chọn file EEG Hình 3.7 Những tham số EEG Hình 3.8 Chọn đường dẫn để lưu dữ liệu Hình 3.9 Làm nhẵn những tín hiệu thu Hình 3.10 Chọn đường dẫn ngõ ra ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 5 Hình 3.11 Cửa sổ chọn tham số ban đầu Hình 3.12 Chọn cách thức lưu trữ dữ liệu Hình 3.13 Chọn thư mục gốc Hình 3.14 File mẫu và câu hỏi để chọn dữ liệu Hình 3.15 Cửa sổ chọn tham số hoàn chỉnh Hình 3.16 Những chọn lựa cho thuật toán ICA Hình 3.17 Chọn file tham số Hình 3.18 Chạy phân tích Hình 3.19 Quá trình phân tích Hình 3.20 EEG trình bày qua giao diện GUI Hình 3.21 Chọn file vị trí kênh EEG Hình 3.22 Thành phần trị trung bình của những bộ dữ liệu Hình 3.23 Nhìn mở r ộng hình vẽ thành phần 032 Hình 4.1 Kết quả hiển thị thành phần 001-002-003-004 Hình 4.2 Kết quả hiển thị thành phần 005-006-007-008 Hình 4.3 Kết quả hiển thị thành phần 009-010-011-012 Hình 4.4 Kết quả hiển thị thành phần 013-014-015-016 Hình 4.5 Kết quả hiển thị thành phần 017-018-019-020 Hình 4.6 Kết quả hiển thị thành phần 021-022-023-024 Hình 4.7 Kết quả hiển thị thành phần 025-026-027-028 Hình 4.8 Kết quả hiển thị thành phần 029-030-031-032 ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 6 MỞ ĐẦU Phân tích thành phần độc lập ICA (Independent Component Analysis) là một kỹ thuật tính toán và thống kê để phát hiện những thừa số tìm ẩn tồn tại dưới những tập hợp biến, phép đo hay tín hiệu ngẫu nhiên. ICA chỉ rõ tính chất một mô hình tổng quát cho dữ liệu đa biến quan sát được, mà dạng đưa ra điển hình là một bộ cơ sở dữ liệu mẫu rộng lớn. Trong một mô hình, những biế n dữ liệu được cho rằng là những hỗn hợp tuyến tính hay phi tuyến tính của một vài biến tìm ẩn chưa biết, và phương thức trộn cũng chưa biết. Những biến tìm ẩn được cho rằng phi gauss và độc lập với nhau, và chúng được gọi là những thành phần độc lập của dữ liệu quan sát được. Những thành phần độc lập này cũng được gọi là những nguồn hay những thừa số có thể được tìm thấy bằng ICA. ICA có thể được xem là sự mở rộng của phân tích thành phần chính và phân tích thừa số. ICA là một kỹ thuật mạnh hơn rất nhiều về khả năng tìm kiếm những thừa số hay nguồn tìm ẩn mà những phương pháp cổ điển thất bại hoàn toàn. Dữ liệu được phân tích bằng ICA có thể bắt nguồn từ nhi ều lĩnh vực ứng dụng khác nhau, bao gồm ảnh kỹ thuật số, cơ sở dữ liệu tài liệu, cũng như chỉ số kinh tế và số đo thần kinh. Trong nhiều trường hợp, những số đo được đưa ra là một tập hợp những tín hiệu tương tự hay chuỗi thời gian; phân chia nguồn mù sử dụng đặc tính của vấn đề này. Một ví dụ tiêu biểu là trộn lẫn những tín hiệu thoại cùng lúc được phát ra từ một vài micro, những sóng não bộ thu từ những đầu dò, những tín hiệu vô tuyến đến từ một điện thoại di động, hay những chuỗi thời gian song song nhận được từ một vài quá trình kỹ nghệ. ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 7 Kỹ thuật ICA là một phát minh mới gần đây. Nó đã được giới thiệu lần đầu tiên vào đầu thập niên 80 trong nội dung về mô hình mạng nơron. Vào giữa thập niên 90, một vài thuật toán mới thành công lớn được giới thiệu bởi một vài nhóm nghiên cứu, cùng với những chứng minh ấn tượng căn cứ vào những bài toán như buổi tiệc cocktail, ở đó những dạng sóng hội thoại riêng biệt có thể được tìm thấy từ những trộn lẫn của chúng. ICA trở thành một trong những chủ đề mới hấp dẫn, kể cả trong lĩnh vực mạng nơron, nhất là nghiên cứu chưa được quan tâm, và tổng quát hơn trong ứng dụng xử lý tín hiệu và thống kê. Báo cáo về những ứng dụng thực tế của ICA dựa trên xử lý tín hiệu sinh học, tách tín hiệu âm thanh, viễn thông, chuẩn đoán sự hư hỏng, trích đặc trưng, phân tích chuỗi thời gian tài chính và sự khai thác dữ liệu bắt đầu xuất hiện. Nhiều bài báo về ICA được công bố suốt hơn 30 năm qua trong rất nhiều tạp chí và hội nghị bắt nguồn từ nhiều lĩnh vực như xử lý tín hiệu, mạng nơron nhân tạo, khoa học thống kê, lý thuyết thông tin và nhiều lĩnh vực ứng dụng khác. Một vài hội th ảo và cuộc họp đặc biệt về ICA cũng được tổ chức gần đây. Tập hợp những bài báo cũng như công trình nghiên cứu về ICA, phân chia nguồn mù và những chủ đề liên quan cũng đã xuất hiện. Tuy nhiên, lợi ích đối với những đọc giả là những đề tài hiện nay tập trung vào một vài khía cạnh chọn lựa của những phương pháp ICA. Trong những bài báo khoa học ngắn và những ch ương sách, toán học và cơ bản thống kê thường lại không bao hàm, điều này làm rất khó để có một tiếp cận rộng rãi và am hiểu tường tận chủ đề kỹ thuật này một cách rõ ràng. Một trong những ứng dụng thực tế và cụ thể của ICA là ứng dụng ICA trong phân tích tín hiệu não bộ. Tín hiệu não bộ được đo bằng một điện não đồ EEG (Electroencephalogram) với các tần số khác nhau. Điện cực được đặt ở vị trí thích hợp trên da đầu để ghi các xung động xuất phát từ não. Tín hiệu thu được từ các điện cực là ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 8 tổng hợp từ nhiều tín hiệu não riêng biệt và bao gồm cả nhiễu. Có hai loại nhiễu chính: nhiễu do bệnh nhân gây ra với các quá trình sinh lý của cơ thể, nhiễu do yếu tố bên ngoài như dụng cụ, dòng điện, … Một số loại nhiễu thường gặp như: nháy mắt liên tục, mắt vận động sang bên, vận động của lưỡi, nhiễu do co cơ, nhiễu do mạch, khịch mũi, nhiễu mồ hôi, do điện cực tiếp xúc kém, nhiễu kim loại, nhiễu do chạm điện cực kim loại, nhiễu do dòng tĩnh điện. Bài toán đặt ra là phải tìm ra các tín hiệu não bộ riêng biệt ban đầu từ các tín hiệu thu được ở các điện cực. Phân tích thành phần độc lập đã giải được bài toán trên bằng cách loại trừ các tín hiệu nhiễu và tách ra các tín hiệu não cần tìm. Một trong những công cụ mạnh mẽ được sử dụng để thực hiện cho nhiệm vụ trên đó là phần mềm GroupICA, GroupICA là một hộp công cụ và có giao diện hình ảnh, chạy trên môi trường MATLAB cho những thu thập xử lý thử nghiệm riêng và/hay dữ liệu EEG chuẩn của bất kỳ số kênh truyền. Những chức năng có thể dùng được bao gồm dữ liệu EEG, nhập kênh truyền và thông tin sự kiện, sự hình dung dữ liệu, xử lý (bao gồm loạ i trừ nhiễu, lọc, chọn miền, và chuẩn hóa), phân tích thành phần độc lập (ICA) và những phân tích thời gian/tần số bao gồm kênh truyền và thành phần tạp giao với nhau hỗ trợ bởi những phương pháp thống kê bậc cao từ việc lấy mẫu dữ liệu. [...]... phương pháp này để phân tích tín hiệu não bộ EEG Những cơ sở và tính cần thiết để thực hiện luận văn này GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 12 Chương 2: Phân tích thành phần độc lập ICA Đây là chương tập trung trình bày những cơ sở lý thuyết về toán học của phương pháp phân tích thành phần độc lập ICA Những định nghĩa... tín hiệu được xấp xỉ bởi các phương pháp ICA Như chúng ta thấy, chúng (hình 2.3) rất giống với các tín hiệu nguồn ban đầu (hình 2.1) GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ Hình 2.2 Các trộn lẫn xi(t) của các tín hiệu ở hình 2.1 GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 16 ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG. .. tự khác, thường có các tính toán rất phức tạp và không tin cậy Cái chúng ta cần là một phương pháp áp dụng được cho mọi phân bố của các thành phần độc lập, hoạt động có hiệu quả và đáng tin cậy Hình 2.7 Mật độ của một thành phần độc lập siêu gauss GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 27 Hình 2.8 Phân bố kết hợp của các... KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 21 n x = As hoặc x = ∑ ai si Các thành phần s có thể được tái tạo lại hoàn toàn khi chúng là i =1 độc lập thống kê và có phân bố phi gauss 2.2.2 Các điều kiện cho ICA Để đảm bảo rằng mô hình ICA cơ bản trên có thể được xấp xỉ, chúng ta phải có một số giả sử sau: 1 Các thành phần độc lập được giả sử là độc lập thống kê “Các thành. .. sai (năng lượng) của các thành phần độc lập Lý do là, cả s và A là chưa biết, ta có thể viết x = ∑( i 1 αi ai )( si ai ) Với α i là một đại lượng vô hướng bất kỳ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG (2.9) ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 23 Kết quả ta có thể điều chỉnh độ lớn của các thành phần độc lập Do các thành phần độc lập là các biến ngẫu nhiên,.. .ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 9 Chương 1 – PHẦN GIỚI THIỆU 1.1 GIỚI THIỆU Điện não đồ là dụng cụ thử nghiệm y học ghi lại những xung điện từ các neuron trong não có thể nhận được từ da đầu Đa số thử nghiệm điện não đồ là để định dạng chứng động kinh 1875 Richard Caton, bác sĩ vùng Liverpool, viết trong báo y học Anh về phát hiện điện trường trong não của... các thành phần độc lập cho dữ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 24 liệu có trị trung bình bằng không, trị trung bình bị trừ có thể được tái tạo bằng cách cộng A-1E{x} vào các thành phần độc lập có trị trung bình bằng không 2.3 MINH HỌA ICA [8] Để minh họa mô hình ICA theo thuật ngữ thống kê, ta xét hai thành phần độc. .. phần đó ICA có thể tìm GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 18 ra thông tin hữu ích về hoạt động não bộ bằng cách truy xuất vào các thành phần độc lập của nó Một ứng dụng khác của ICA là rút trích đặc trưng Một bài toán cơ sở trong xử lý tín hiệu là tìm các sự biểu diễn phù hợp cho hình ảnh, audio, hay các loại dữ liệu... hợp của các trộn lẫn s1 và s2, có được từ các thành phần độc lập siêu gauss (Trục ngang: x1, trục ứng: x2) Hình 2.9 Phân bố kết hợp của các trộn lẫn x1 và x2, có được từ các thành phần độc lập siêu gauss (Trục ngang: x1, trục ứng: x2) GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 28 2.4 ICA VÀ TRẮNG HÓA [8] Với các biến ngẫu... trộn lẫn Hình 2.11 Phân bố đa biến của hai biến gauss độc lập Hiện tượng ma trận trộn lẫn trực chuẩn không thể được xấp xỉ cho các biến gauss có liên quan đến tính chất các biến gauss kết hợp phi tương quan là độc lập Do GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 34 vậy, thông tin về tính độc lập của các thành phần không cho . ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 13 Chương 2 – PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP ICA Trong chương. ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 9 Chương 1 – PHẦN GIỚI THIỆU 1.1. GIỚI THIỆU Điện não đồ là dụng. thị thành phần 029-030-031-032 ỨNG DỤNG PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ GVHD: PGS.TS NGUYỄN HỮU PHƯƠNG HVTH: HỒ THẾ KHƯƠNG 6 MỞ ĐẦU Phân tích thành

Ngày đăng: 08/10/2014, 19:02

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] Nguyễn Hữu Phương, Xử lý tín hiệu số, Nxb ĐHQG, TP.HCM, 2007 Sách, tạp chí
Tiêu đề: Xử lý tín hiệu số
Nhà XB: Nxb ĐHQG
[2] Nguyễn Hữu Phương, Trương Tấn Quang, Tách âm dùng phương pháp phân tích thành phần độc lập, Nxb ĐHQG, TP.HCM, 2006 Sách, tạp chí
Tiêu đề: Tách âm dùng phương pháp phân tích thành phần độc lập
Nhà XB: Nxb ĐHQG
[6] Nguyen Huu Phuong, Fuzzy logic and Neuron Network, University of Natural Science HCMC, Vietnam, 2006 Sách, tạp chí
Tiêu đề: Fuzzy logic and Neuron Network
[7] Nguyen Huu Phuong, Digital signal processing and Wavelet transform, University of Natural Science HCMC, Vietnam, 2006 Sách, tạp chí
Tiêu đề: Digital signal processing and Wavelet transform
[8] Aapo Hyvãrinen, Juha Karhunen, Erkki Oja, Independent Component Analysis, John Wiley & Sons, Inc, Canada, 2001 Sách, tạp chí
Tiêu đề: Independent Component Analysis
[9] Aapo Hyvãrinen and Erkki Oja, Independent Component Analysis Algorithms and Applications, Elsevier Science Ltd, Finland, 2000 Sách, tạp chí
Tiêu đề: Independent Component Analysis Algorithms and Applications
[10] Tzzy-Ping Jung, Scott Makeig, Te-Won Lee, Martin J. McKeown, Glen Brown, Anthony J. Bell and Terrence J. Sejnowski, Independent component analysis of Biomedical signals, International Workshop on Independent Component Analysis, Helsinki, 2000 Sách, tạp chí
Tiêu đề: Independent component analysis of Biomedical signals
[11] Arnaud Delorme, Terrence Sejnowski, Scott Makeig, Enhanced detection of artifacts in EEG data using higher-order statisitics and independent component analysis, Elsevier Inc, USA, 2006 Sách, tạp chí
Tiêu đề: Enhanced detection of artifacts in EEG data using higher-order statisitics and independent component analysis
[12] Arnaud Delorme, Toby Fernsler, Hilit Serby, and Scott Makeig, EEGLAB Tutorial, University of San Diego California, USA, 2006 Sách, tạp chí
Tiêu đề: EEGLAB Tutorial
[13] Arnaud Delorme, Scott Makeig, EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis, University of San Diego California, USA, 2004 Sách, tạp chí
Tiêu đề: EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis
[14] Andrzej CICHOCKI, Shun-inchi AMARI, Adaptive Blind Signal and Image Processing, John Wiley & Sons, Ltd, England, 2002 Sách, tạp chí
Tiêu đề: Adaptive Blind Signal and Image Processing
[15] Shoji Makino, Te-Won Lee, Hiroshi Sawada, Blind Speech Separation, Springer, The Netherlands, 2007 Sách, tạp chí
Tiêu đề: Blind Speech Separation
[16] Te-Won Lee, Introduction to Independent Component Analysis, 1998, http://cnl.salk.edu/~tewon/ICA/intro.html Sách, tạp chí
Tiêu đề: Introduction to Independent Component Analysis
[17] Andrzej Cichocki, Blind Signal Processing Methods for Analyzing Multichannel Brain Signals, International Journal of Bioelectromagtism, 2004, http://www.ijbem.org Sách, tạp chí
Tiêu đề: Blind Signal Processing Methods for Analyzing Multichannel Brain Signals, International Journal of Bioelectromagtism
[3] Điện não đồ cơ bản, http://www.vbeg.org/forum/showthread.php?p=14092 [4] Điện não đồ - Xét nghiệm kiểm tra sóng não, http://www.suckhoe360.com [5] Điện não đồ, http://vi.wikipedia.orgTiếng Anh Link

HÌNH ẢNH LIÊN QUAN

Hình 2.2 Các trộn lẫn x i (t) của các tín hiệu ở hình 2.1 - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.2 Các trộn lẫn x i (t) của các tín hiệu ở hình 2.1 (Trang 18)
Hình 2.3 Các xấp xỉ  s t ˆ ( ) i  từ các tín hiệu ban đầu s i (t) - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.3 Các xấp xỉ s t ˆ ( ) i từ các tín hiệu ban đầu s i (t) (Trang 19)
Hình 2.4 Các hàm cơ sở trong ICA của các ảnh tự nhiên. Các hàm cơ sở này có thể - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.4 Các hàm cơ sở trong ICA của các ảnh tự nhiên. Các hàm cơ sở này có thể (Trang 20)
Hình 2.5 Phân bố kết hợp của các thành phần độc lập s 1  và s 2  có phân bố đồng nhất - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.5 Phân bố kết hợp của các thành phần độc lập s 1 và s 2 có phân bố đồng nhất (Trang 26)
Hình 2.6 Phân bố kết hợp của các trộn lẫn x 1  và x 2 . (Trục ngang: x 1 , trục đứng: x 2 ) - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.6 Phân bố kết hợp của các trộn lẫn x 1 và x 2 . (Trục ngang: x 1 , trục đứng: x 2 ) (Trang 27)
Hình 2.8 Phân bố kết hợp của các trộn lẫn s 1  và s 2 , có được từ các thành phần độc lập - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.8 Phân bố kết hợp của các trộn lẫn s 1 và s 2 , có được từ các thành phần độc lập (Trang 29)
Hình 2.11 Phân bố đa biến của hai biến gauss độc lập - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 2.11 Phân bố đa biến của hai biến gauss độc lập (Trang 35)
Hình 3.2 Cách đặt điện cực theo kiểu 21 kênh - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.2 Cách đặt điện cực theo kiểu 21 kênh (Trang 59)
Hình 3.3 Cách đặt điện cực theo kiểu 36 kênh - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.3 Cách đặt điện cực theo kiểu 36 kênh (Trang 60)
Hình 3.4 Cách đặt điện cực theo kiểu 74 kênh - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.4 Cách đặt điện cực theo kiểu 74 kênh (Trang 61)
Hình 3.5 Giao diện chính - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.5 Giao diện chính (Trang 75)
Hình 3.7 Những tham số EEG - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.7 Những tham số EEG (Trang 77)
Hình 3.8 Chọn đường dẫn để lưu dữ liệu - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.8 Chọn đường dẫn để lưu dữ liệu (Trang 78)
Hình 3.11 Cửa sổ chọn tham số ban đầu - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.11 Cửa sổ chọn tham số ban đầu (Trang 81)
Hình 3.12 Chọn cách thức lưu trữ dữ liệu - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.12 Chọn cách thức lưu trữ dữ liệu (Trang 82)
Hình 3.13 Chọn thư mục gốc - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.13 Chọn thư mục gốc (Trang 83)
Hình 3.15 Cửa sổ chọn tham số hoàn chỉnh - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.15 Cửa sổ chọn tham số hoàn chỉnh (Trang 84)
Hình 3.18 Chạy phân tích - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.18 Chạy phân tích (Trang 86)
Hình 3.22 Thành phần trị trung bình của những bộ dữ liệu - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.22 Thành phần trị trung bình của những bộ dữ liệu (Trang 89)
Hình 3.23 Nhìn mở rộng hình vẽ thành phần 032 - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 3.23 Nhìn mở rộng hình vẽ thành phần 032 (Trang 90)
Hình 4.2 Kết quả hiển thị thành phần 005-006-007-008 - ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ
Hình 4.2 Kết quả hiển thị thành phần 005-006-007-008 (Trang 97)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN