Xây dựng hệ thống phân tích thông tin điện não đồ

Các khó khăn trong thực tế xây dựng hệ thống xử lý tín hiệu điện não Với mục đích đó, chúng tôi đã tiến hành đo tín hiệu điện não trực tiếp bằng hệ đo EEG dòng E-series của Compumedics,

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN

Người hướng dẫn khoa học: PGS TS Nguyễn Linh Trung

Hà Nội - 2014

LỜI CAM ĐOAN

Tôi xin cam đoan kết quả trong luận văn là sản phẩm của riêng cá nhân tôi Trong toàn bộ nội dung của luận văn, những điều đƣợc trình bày hoặc là của

cá nhân hoặc là đƣợc tổng hợp từ các tài liệu tham khảo đều có xuất xứ rõ ràng

LỜI CẢM ƠN

Để hoàn thành bài luận văn này và có kiến thức như ngày hôm nay, đầu tiên tôi xin gửi lời cảm ơn đến Nhà trường cùng toàn thể thầy cô Khoa Công nghệ thông tin – Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội đã tận tình giảng dạy, truyền đạt kiến thức cũng như những kinh nghiệm quý báu cho tôi trong suốt quá trình học tập và nghiên cứu tại trường

Tôi xin bày tỏ lòng biết ơn sâu sắc đến thầy giáo, PGS TS Nguyễn Linh Trung, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội đã tận tình hướng dẫn và quan tâm, động viên tôi trong quá trình tìm hiểu và xây dựng luận văn này

Tôi cũng chân thành cảm ơn những người thân trong gia đình, bạn bè đã động viên và tạo mọi điều kiện giúp tôi trong quá trình học tập cũng như trong cuộc sống

Luận văn nằm trong hướng nghiên cứu của nhóm Xử lý tín hiệu Y sinh thuộc trường Đại học Công nghệ

MỤC LỤC

LỜI CAM ĐOAN 3

LỜI CẢM ƠN 4

MỞ ĐẦU 9 CHƯƠNG 1 GIỚI THIỆU CÁC KHÁI NIỆM CƠ BẢN 11

1.1 KHÁI QUÁT VỀ ĐIỆN NÃO ĐỒ 11

1.1.1 Điện não đồ là gì 11

1.1.2 Các đặc điểm của Điện não đồ 12

1.1.2 Vai trò của EEG trong chẩn đoán bệnh động kinh 15

1.2 CÁC VẤN ĐỀ VỀ NHIỄU 15

1.2.1 Nhiễu mắt ( Electroocugram – EOG) 16

1.2.2 Nhiễu cơ (Electromyogram – EMG) 19

1.3 GIỚI THIỆU MỘT SỐ PHẦN MỀM XỬ LÝ EEG 20

CHƯƠNG 2 THUẬT TOÁN TÁCH NHIỄU MẮT NHIỄU CƠ TRONG TÍN HIỆU ĐIỆN NÃO 22 2.1 CÁC THUẬT TOÁN LOẠI NHIỄU MẮT NHIỄU CƠ ĐÃ CÓ 22

2.1.1 Loại nhiễu EOG bằng phương pháp lọc thích nghi 22

2.1.2 Phương pháp tách nguồn mù 24

2.2 TÁCH NGUỒN MÙ VÀ THUẬT TOÁN SOBI 24

2.2.1 Phương án đề xuất 26

2.2.1.1 Kết quả mô phỏng 27

2.2.1.2 Kết quả thực nghiệm 31

2.2.1.3 Đánh giá kết quả 34

CHƯƠNG 3 HỆ THỐNG PHÂN TÍCH THÔNG TIN ĐIỆN NÃO ĐỒ 38

3.1 BÀI TOÁN 38

3.2 DỮ LIỆU MÁY ĐO 38

3.2.1 Đo dữ liệu 38

3.2.2 Các kênh dữ liệu 39

3.2.3 Dữ liệu trên ổ cứng 41

3.2.4 Tiền xử lý dữ liệu điện não 41

3.3 LỰA CHỌN GIẢI PHÁP 44

3.3.1 Nhiệm vụ 44

3.3.2 Khó khăn 44

3.3.3 Lựa chọn giải pháp 44

3.3.4 Môi trường và nền tảng phát triển 45

3.4 CHƯƠNG TRÌNH 46

3.4.1 Mô hình chức năng 46

3.4.2 Giao diện 47

3.4.3 Cơ sở dữ liệu 48

KẾT LUẬN 50 TÀI LIỆU THAM KHẢO 52 PHỤ LỤC 55

DANH MỤC HÌNH VẼ

Hình 1-1: Phân chia các thùy trên vỏ não [17] 11

Hình 1-2: Dạng sóng trong tín hiệu điện não 14

Hình 1-3: Bản chất và sự pha trộn sóng – Kênh Cz 14

Hình 1-4: Ví dụ về gai động kinh 15

Hình 1-5: Phổ của nhiễu EOG 17

Hình 1-6: Dạng nhiễu mắt gây ra do nháy mắt [17] 17

Hình 1-7: Cách đặt điện cực để đo tín hiệu do chuyển động của mắt gây ra [17] 18

Hình 1-8: Nhiễu do nhắm mở mắt gây ra tác động lên các kênh của tín hiệu điện não 18 Hình 1-9: Nhiễu cơ trong bản ghi tín hiệu điện não đồ 20

Hình 1-10: Phần mềm Profusion 21

Hình 1-11: Phần mềm mã nguồn mở 21

Hình 2-1: Mô hình bộ lọc thích nghi thông thường 22

Hình 2-2: Phương pháp tối thiểu hóa nguồn nhiễu 23

Hình 2-3: Tín hiệu chưa có nhiễu mắt 27

Hình 2-4: Tín hiệu nguồn nhiễu mắt mô phỏng 28

Hình 2-5: Tín hiệu trộn EEG và EOG (SNR = 0,208) 28

Hình 2-6: Tín hiệu lọc sử dụng thuật toán Zhou 29

Hình 2-7: Tín hiệu lọc sử dụng thuật toán TV 30

Hình 2-8: Tín hiệu lọc bởi phương pháp đề xuất 30

Hình 2-9: Tín hiệu trước và sau khi sử dụng thuật toán đề xuất 31

Hình 2-10: Tín hiệu tại 4 kênh bị tác động bởi EOG 32

Hình 2-11: Tín hiệu trên 4 kênh sau khi lọc bởi Zhou 32

Hình 2-12: Tín hiệu trên 4 kênh sau khi lọc bởi thuật toán đề xuất 33

Hình 2-13: Tín hiệu trên 4 kênh có tác động bởi nhiễu EMG 34

Hình 2-14: Tín hiệu trên 4 kênh lọc bởi phương pháp đề xuất 34

Hình 3-1: Đo EEG sử dụng hệ thống chuyên dụng 39

Hình 3-2: Vị trí các điện cực theo tiêu chuẩn 10-20 [13] 40

Hình 3-3: Dữ liệu của một bệnh nhân 41

Hình 3-4: Một đoạn dữ liệu điện não được đo và hiển thị trên Profusion 42

Hình 3-5: Đoạn dữ liệu điện não sau khi chuyển sang file mathlab 43

Hình 3-6: Tín hiệu điện não sau khi qua ba bộ lọc 43

Hình 3-7: Công cụ tạo Matlab DLL 45

Hình 3-8: Mô hình hệ thống 46

Hình 3-9: Mô hình chức năng 47

Hình 3-10: Giao diện hệ thống 48

Hình 3-11: Bảng dữ liệu bệnh nhân 49

DANH MỤC BẢNG BIỂU

Bảng 2-1: Giá trị RRMSE theo SNR sử dụng TV 37 Bảng 2-2: Giá trị RRMSE theo SNR sử dụng Zhou 37 Bảng 2-3: Giá trị RRMSE theo SNR sử dụng SOBI và kĩ thuật nhận dạng nguồn 37

Danh sách các thuật ngữ viết tắt

EMD Empirical Mode Decomposition Phân tích chế độ thực nghiệm

FFT Fast Fourier Transform Biến đổi Fourier nhanh

IDE Integrated Development Environment Môi trường phát triển tích hợp

thiểu

RRMSE Relative Root Mean Squared Error Sai số trung bình bình phương

tương đối SOBI Second-Order Blind Identification Nhận dạng mù bậc 2

SNR Signal to Noise Ratio Tỉ số tín hiệu trên nhiễu

MỞ ĐẦU

Điện não đồ dùng để đo tín hiệu điện não, phục vụ phân tích, chẩn đoán, điều trị các bệnh liên quan đến thần kinh Một bệnh phổ biến trên thế giới và ở Việt Nam là bệnh động kinh Động kinh là một rối loạn não được đặc trưng bởi sự xuất hiện xung động kinh lặp đi lặp lại nhiều lần, do có sự phóng điện bất thường, đồng bộ và quá mức trong hoạt động của não bộ Tỉ lệ người mắc bệnh động kinh trên thế giới chiếm 1% các loại bệnh (tương đương với bệnh ung thư vú) và ở Việt Nam là 0.44% (theo thống kê của khu vực miền Bắc)

Hiện nay, các chuyên gia thần kinh đọc trên dữ liệu điện não thô, không qua công đoạn xử lý tín hiệu bậc cao, và qui trình đo chưa đáp ứng chuẩn quốc tế, nên có những khó khăn trong phân tích điện não đồ Việc chẩn cũng gặp nhiều khó khăn do sự biến thiên phức tạp về hình thái của gai, và sự xuất hiện của các thành phần nhiễu (artifacts) như nhiễu mắt, nhiễu cơ Thực tế tại Việt Nam thiếu bác sĩ chuyên khoa trong đọc và phân tích EEG và việc chẩn đoán nhầm khá phổ biến

Để hỗ trợ các chuyên gia thần kinh trong việc phân tích điện não đồ, việc xây dựng hệ thống phân tích tín hiệu với các phương pháp tiên tiến là rất cấp thiết Mục tiêu của luận văn này là xây dựng một hệ thống xử lý nhiễu mắt, nhiễu cơ cho tín hiệu điện não Thuật toán đề xuất được trình bày trong luận văn đã được thực hiện thành công và áp dụng trên nhiều mẫu dữ liệu khác nhau Kết quả cho thấy triển vọng của việc áp dụng hệ thống này vào ứng dụng thực tiễn, hỗ trợ cho các bác sỹ

Các khó khăn trong thực tế xây dựng hệ thống xử lý tín hiệu điện não

Với mục đích đó, chúng tôi đã tiến hành đo tín hiệu điện não trực tiếp bằng hệ đo EEG dòng E-series của Compumedics, đặt tại Khoa Điện tử Viễn thông, trên rất nhiều bệnh nhân động kinh để nghiên cứu và xây dựng các bộ dữ liệu điện não phục vụ cho các nghiên cứu thử nghiệm Một số kết quả bước đầu đạt được cho thấy sự khả quan trong việc phát hiện gai động kinh tự động, loại nhiễu mắt và nhiễu cơ trong tín hiệu EEG Tuy nhiên, khi phân tích và xử lý các tín hiệu điện não thực được đo trực tiếp trên hệ đo EEG dòng E-series thì vẫn còn nhiều vấn đề trong thực tế xử lý tín hiệu điện não và đòi hỏi cần được giải quyết Sau đây là một số vấn đề mà luận văn này đề cập đến:

1 Để có thể áp dụng các thuật toán xử lý tín hiệu cần chuyển đổi dữ liệu từ định dạng

của máy đo sang dạng *.MAT để xử lý bằng MATLAB, phục vụ cho các nghiên cứu về xử lý tiếp theo;

2 Cần loại nhiễu cơ bản do các thiết bị điện tử gây ra như nhiễu 50Hz, nhiễu tần số

cao do tiếp xúc điện cực, v.v.;

3 Cần nghiên cứu các đặc điểm của nhiễu mắt, nhiễu cơ để có phương pháp phù hợp loại bỏ chúng

4 Trong thực tế, cần xử lý tín hiệu EEG đa kênh và có chiều dài lớn, đòi hỏi xử lý

loại nhiễu trên từng đoạn tín hiệu và ghép chúng lại

5 Matlab hạn chế về thiết kế giao diện, hạn chế việc quản lý dữ liệu bệnh nhân, không phù hợp pháp triển phần mềm Cần sử dụng ngôn ngữ C# để lập trình quản

lý dữ liệu và có được giao diện thân thiện, đồng thời kết hợp với thư viện Matlab

để xử lý tính toán

Mục tiêu của luận văn là xây dựng một phần mềm có các chức năng cần thiết hỗ trợ các bác sĩ trong việc chẩn đoán bệnh động kinh Phần mềm sử dụng ngôn ngữ C# (mạnh về thiết kế giao diện) kết hợp với thư viện Matlab (để xử lý tính toán) nên có thể giải quyết các vấn đề toán học phức tạp mà các bác sĩ vẫn có thể sử dụng trực tiếp

và dễ thao tác Luận văn này sẽ tập trung phân tích và xử lý các vấn đề trên, nhằm phát triển và ứng dụng các thuật toán loại nhiễu mắt và nhiễu cơ trong tín hiệu điện não chứa tín hiệu gai động kinh một cách hữu hiệu nhất

Luận văn được trình bày theo cấu trúc như sau:

 Chương 1: Trình bày tổng quan về điện não đồ, các loại nhiễu như nhiễu mắt, nhiễu cơ

 Chương 2: Đánh giá một số phương pháp loại nhiễu trong tín hiệu điện não đồ, và đề phương pháp mới sử dụng thuật toán tách nguồn mù SOBI kết hợp kĩ thuật nhận dạng nguồn nhiễu

 Chương 3: Xây dựng hệ thống

 Kết luận và đặt ra một số vấn đề cần nghiên cứu tiếp

Chương 1 GIỚI THIỆU CÁC KHÁI NIỆM CƠ BẢN

1.1 KHÁI QUÁT VỀ ĐIỆN NÃO ĐỒ

1.1.1 Điện não đồ là gì

Điện não đồ (EEG – Electroencephalogram) đo và biểu diễn sự thay đổi điện thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não trên đồ thị máy tính Thông qua các đặc trưng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG cho ta các thông tin về các hoạt động của não Dựa trên các đặc trưng đó, các chuyên gia có thể đánh giá, phân tích các biểu hiện bất thường của bộ não để phát hiện bệnh động kinh dựa trên sự xuất hiện các gai động kinh trong EEG

Trong quá trình hoạt động, não sẽ phát ra các xung điện lan truyền theo các dây thần kinh Các xung điện này phản ánh trạng thái hoạt động và kích thích của bộ não Các xung điện não sẽ lan truyền đến lớp vỏ não có độ dày khoảng 2-3mm Bề mặt của

vỏ não có dạng các lớp, khe nhỏ với nhiều kích thước khác nhau lằm làm tăng diện dích hệ thần kinh, với tổng diện tích hơn 2,5m2 bao gồm hơn 10 tỉ nơ-ron thần kinh [17]

Vỏ não bao gồm 2 bán cầu đối xứng: bán cầu trái và bán cầu phải, được tách biệt bởi rãnh sâu Mỗi bán cầu được chia thành bốn thùy khác nhau: thùy trán (frontal lobe), thùy thái dương (temporal lobe), thùy đỉnh (parietal lobe), thùy chẩm (occipital lobe) (hình 1-1)

Hình 1-1: Phân chia các thùy trên vỏ não [17]

Mỗi vùng trên các thùy có các vai trò khác nhau:

- Các vùng sơ cấp (chiếm diện tích tương đối nhỏ): các nơ-ron (các tế bào thần kinh được gọi chung là nơ-ron) trong vùng này có một mục đích cụ thể như vùng chuyên về vận động (the motor cortex) nằm ở thùy trán, vùng thần kinh cảm giác về

âm thanh nằm ở vùng trên của thùy thái dương

- Các vùng thứ cấp: các nơ-ron ở vùng này làm nhiệm vụ phân tích, hỗ trợ cho các nơ-ron vùng sơ cấp Các nơron này cũng chứa các thông tin tham chiếu để so sánh giữa các thông tin hiện tại với các thông tin được tích lũy trước đó Điện sinh lý (electrophysiology) là kết quả của các hoạt động điện hoá của một nhóm các tế bào bị kích thích [17]

EEG ghi hoạt động điện trên da đầu không phải là hoạt động riêng lẻ của từng nơ-ron mà là tổng hợp hoạt động điện của hàng triệu nơ-ron Dòng đo được có nguồn gốc tại khớp (synapse) trong quá trình kích thích

Biên độ của tín hiệu EEG liên quan tới mức độ đồng bộ của các nơ-ron khi chúng tương tác lẫn nhau Sự kích thích đồng thời của một nhóm các nơ-ron sẽ tạo ra tín hiệu có biên độ lớn trên bề mặt da bởi vì các tín hiệu có nguồn gốc từ các nơ-ron độc lập được cộng lại Ngược lại, các nơ-ron kích thích không đồng bộ sẽ tạo ra EEG

có biên độ thấp Biên độ EEG phụ thuộc vào chủ thể đo như tình trạng tâm lý, lứa tuổi

và phụ thuộc vào kỹ thuật đo như loại điện cực, đạo trình, khoảng cách từ điện cực đến nguồn thế v.v Biên độ EEG giảm khi tăng trở kháng Sự thay đổi biên độ điện thế được quan sát rõ nếu sự thay đổi này xảy ra gần các điện cực hoặc được tạo bởi một vùng mô có diện tích lớn Sự thay đổi cũng có thể quan sát rõ khi điện thế tăng, giảm chậm Việc định lượng các đặc trưng của tín hiệu EEG có ý nghĩa quan trọng trong nghiên cứu trạng thái của não

1.1.2 Các đặc điểm của Điện não đồ

EEG được đặc trưng bởi biên độ, tần số, hình thái, sự phân cực, phân bố vị trí và điều kiện làm thay đổi của hiệu điện thế Các tín hiệu được ghi trên da đầu có biên độ biến thiên từ vài μV đến xấp xỉ 200μV và tần số nằm trong phạm vi từ 0.5 đến 70Hz Nếu trạng thái của đối tượng đo ổn định trong một khoảng thời gian, các nhịp này có dạng tuần hoàn [17] Các kênh Fz, Cz, Pz là những kênh tốt nhất cho việc đọc tín hiệu EEG

 Các nhịp cơ bản được chia thành 5 dải [10]

+ Nhịp delta: tần số 0.5 - 4Hz

+ Nhịp theta: tần số 4-7,5Hz

+ Nhịp alpha: 8-13,5Hz

+ Nhịp beta: 14-30Hz

+ Nhịp gamma: có tần số lớn 30Hz

- Nhịp delta: Có tần số nằm trong khoảng từ 0.5- 4Hz: nhịp delta xuất hiện trong

giấc ngủ sâu và có thể xuất hiện trong giai đoạn thức giấc Biên độ nhịp delta lớn, trung bình 100μV Nhịp này là bình thường ở trẻ nhỏ, nhưng xuất hiện ở người lớn khi thức là dấu hiệu của các tổn thương hoặc bệnh ở não

- Nhịp theta: Nhịp theta có phạm vi tần số từ 4-7.5Hz, biên độ và hình thái thay

đổi, xuất hiện ở vùng trán tới vùng trung tâm Biên độ nhỏ cỡ 15μV Nhịp theta ở vùng trán được quan sát dễ dàng khi có các hoạt động cảm xúc, tập trung hoặc các hoạt động trí óc Thông thường, nhịp theta tăng cường hoạt động khi chủ thể ở trạng thái buồn ngủ hoặc ngủ Nhịp theta đóng vai trò quan trọng ở trẻ nhỏ Sự xuất hiện với một

số lượng lớn các nhịp theta không liên tục ở người lớn khi thức là dấu hiệu bất thường

có nguyên nhân từ nhiều bệnh lý khác nhau

- Nhịp alpha: Nhịp alpha biến thiên trong khoảng 8-13,5Hz (chu kỳ sóng từ

75ms đến 125ms) Thông thường, biên độ của nhịp alpha không vượt quá 50μV Nhịp Alpha bình thường bắt đầu xuất hiện ở trẻ em 3 tuổi với tần số 8Hz Alpha là nhịp nổi trội ở người lớn khi thức và thư giãn với mắt nhắm Nhịp alpha giảm hoặc mất đi khi người bệnh mở mắt, hoặc nghe một âm thanh lạ, lo lắng, hoạt động trí óc Khi nhắm mắt nhịp alpha lại xuất hiện

Nhịp alpha thường có dạng hình sine hoặc tròn Trong một số ít trường hợp, nhịp alpha có dạng như sóng nhọn Trường hợp này, phần âm có dạng nhọn, phần dương có dạng tròn Alpha là nhịp nổi trội nhất trong các nhịp quan sát được trong hoạt động điện não Nhịp alpha đo được ở nửa sau của đầu, xuất hiện trên tất cả các thuỳ phía sau đầu, phân bố nhiều và có biên độ lớn nhất ở vùng chẩm Khoảng ¼ số người lớn bình thường rất khó quan sát nhịp alpha Nhịp alpha bất đối xứng lớn hơn 50% giữa hai bán cầu được coi là bất thường, đặc biệt trong trường hợp biên độ bên trái lớn hơn bên phải

- Nhịp beta: Nằm trong miền tần số từ 14-30Hz (chu kỳ sóng từ 34ms đến

71ms), thường quan sát được trong khoảng 18-25Hz Biên độ nhịp beta thông thường nhỏ hơn 20μV Nhịp beta có biên độ lớn hơn 25μV là bất thường Đây là nhịp không đều, có biên độ nhỏ, quan sát trong lúc buồn ngủ, ngủ nhẹ hoặc hoạt động trí óc Nhịp beta cũng xuất hiện ở giai đoạn giấc ngủ REM ở giai đoạn 3 Khi có sự hoảng loạn, nhịp beta tăng Nhịp beta quan sát thấy chủ yếu ở vùng trán và vùng trung tâm Nhịp beta ở vùng trung tâm bị mất khi có các hoạt động vận động hoặc kích thích xúc giác Nhịp này cũng tăng lên quanh các vùng có khối u hay các khuyết tật về xương Beta là nhịp bình thường thấy ở người lớn [17]

- Nhịp gamma: Có tần số lớn 30Hz, biên độ nhỏ, tần suất xuất hiện thấp Nhịp

này liên quan với trạng thái hoạt động xử lý thông tin của vỏ não Sử dụng một điện cực đặt trên vùng vận động và kết nối với kỹ thuật ghi độ nhạy cao, nhịp gamma có thể quan sát được khi di chuyển các ngón tay

Hình 1-2: Dạng sóng trong tín hiệu điện não [10]

Hình 1-3: Bản chất và sự pha trộn sóng – Kênh Cz

 Gai (Spikes)

Gai là một dạng bất thường của điện não đồ thường là dấu hiệu nhận biết bệnh động kinh Gai có thời gian tồn tại từ 20-70ms, được đặc trưng bởi đường đi lên dốc

đứng tạo ra đỉnh nhọn, nổi bật trên các sóng cơ bản, biên độ tương đối lớn Gai động kinh xuất hiện trước và sau cơn động kinh Mức độ và tần xuất xuất hiên của các xung spike được dùng làm tiêu chí để đánh giá mức độ nặng nhẹ vê bệnh động kinh của các bệnh nhân

Hình 1-4: Ví dụ về gai động kinh

 Sóng nhọn:

Có hình dạng tương tự gai, thời gian tồn tại từ 70-200ms Sóng nhọn thường ghi nhận được ở các vùng xa tổn thương

1.1.2 Vai trò của EEG trong chẩn đoán bệnh động kinh

Trong quá trình chẩn đoán động kinh, ngoài các yếu tố lâm sàng, các bác sĩ cần

sử dụng các thông tin trợ giúp thu được từ EEG Trên cơ sở sự phân bố không gian, mật độ và hình dạng của các gai, nhọn và các dạng phức hợp, EEG hỗ trợ cho các chẩn đoán lâm sàng, giúp phân loại các triệu chứng, xác định vị trí của vùng phát sinh dạng động kinh EEG cũng cung cấp các bằng chứng về nguyên nhân động kinh, ngoài ra còn giúp đánh giá kết quả tiến trình điều trị

1.2 CÁC VẤN ĐỀ VỀ NHIỄU

Nhiễu là những sóng hoặc những nhóm các sóng do lỗi kỹ thuật hoặc do các lỗi khác gây ra, và không phải do hoạt động điện của não gây ra Nhiễu là các rối loạn do khiếm khuyết kỹ thuật gây ra, thường đó là những lỗi có tính tạm thời

Nhiễu có từ nguồn sinh lý và không phải do sinh lý Nhiễu không do sinh lý có nguồn gốc từ bên ngoài cơ thể con người (ví dụ như điện lưới 50/60 Hz, tiếng ồn hoặc thay đổi trở kháng điện cực), và thường tránh được bằng cách lọc thích hợp, che

chắn,… Đối với các nhiễu không do sinh lý, các phương pháp tránh hoặc loại bỏ chúng được nói rõ trong [11, 19, 20]

Nhiễu do sinh lý phát sinh từ một loạt các hoạt động của cơ thể Nhiễu điện tâm

đồ (nhiễu ECG) được gây ra bởi nhịp tim và có thể ảnh hưởng đến tín hiệu điện não

đồ Hô hấp cũng có thể gây ra nhiễu Phản ứng của da như đổ mồ hôi có thể thay đổi trở kháng của các điện cực và là nguyên nhân gây ra nhiễu trong tín hiệu điện não đồ [3] Hai loại nhiễu do sinh lý phổ biến nhất là nhiễu mắt và nhiễu cơ

1.2.1 Nhiễu mắt ( Electroocugram – EOG)

Tín hiệu EOG là sự chênh lệch điện áp giữa giác mạc và võng mạc của mắt Chênh lệch điện áp này thay đổi trong suốt quá trình chuyển động của mắt, và điện áp

đo được gần như tỉ lệ với góc nhìn [17, 23, 24] Ta có thể ghi nhận chênh lệch điện áp này tương ứng với mức độ chuyển động và hướng chuyển động của mắt để làm kênh tham chiếu Khi giác mạc hay võng mạc của mắt chuyển động sẽ không những làm thay đổi độ chênh lệch điện thế tạo ra tín hiệu EOG mà còn ảnh hưởng làm thay đổi điện thế ở các vị trí khác trên da đầu và do đó làm thay đổi tín hiệu EEG Tín hiệu EOG có nhiều tính chất đặc trưng riêng, khác biệt với các tín hiệu điện não đồ thông thường Việc nghiên cứu và phân tích các tính chất của các tín hiệu EOG là nền tảng quan trọng để áp dụng và kiểm tra các thuật toán loại bỏ nhiễu mắt EOG khỏi tín hiệu điện não

Theo các công trình đã được công bố [17, 23, 24] biên độ của tín hiệu EOG nằm trong dải từ 50 – 3500 µV và có tần số từ 0 – 100Hz Hoạt động của mắt có dải tần rộng, tuy nhiên nhiễu mắt chỉ xuất hiện nhiều ở tần số dưới 4Hz [18]

Hình 1-5: Phổ của nhiễu EOG Các chuyển động của võng mạc hay giác mạc tạo ra các tín hiệu điện EOG, tín hiệu này thường đủ mạnh và những người có kinh nghiệm về tín hiệu điện não có thể thể phân biệt một cách khá rõ ràng với tín hiệu EEG Độ mạnh của tín hiệu nhiễu EOG phụ thuộc chủ yếu vào mức độ gần nhau của các điện cực so với mắt và hướng mà mắt đang di chuyển Dạng sóng được tạo ra bởi chuyển động của mắt lặp đi lặp lại như được minh họa trong hình 1-6 Mặc dù theo kết quả thể hiện trên hình 1.7 thì nhiễu mắt này dễ dàng được nhận dạng nhờ vào tính chất lặp lại của nó Nhưng đôi khi nhiễu mắt có thể bị nhầm lẫn với các tín hiệu EEG chậm như các hoạt động ở nhịp theta và delta Chuyển động của nó không chỉ trong trạng thái thức mà còn xuất hiện ngay cả khi ta ngủ

Hình 1-6: Dạng nhiễu mắt gây ra do nháy mắt [17]

Nhiễu mắt thông thường hay gặp do chuyển động của mí mắt gây ra Khi đóng và

mở mí mắt sẽ ảnh hưởng đến chênh lệch điện thế giữa giác mạc và võng mạc Nháy mắt thường tạo ra một dạng sóng thay đổi đột ngột hơn chuyển động của mắt, và theo

do

đó, nhiễu nháy mắt chứa các thành phần tần số cao hơn Tính chất tín hiệu đặc biệt được minh họa như trên hình 1-6

Hình 1-7: Cách đặt điện cực để đo tín hiệu do chuyển động của mắt gây ra [17] Một trong những tín hiệu mắt mà ta thường gặp nhất là tín hiệu nháy mắt Tính chất quan trọng để phân biệt tín hiệu nháy mắt với các tín hiệu của các chuyển động khác của mắt là độ dốc thẳng đứng của tín hiệu gây ra bởi sự đóng mở mí mắt rất nhanh [17] Thời gian nhắm hoặc mở mắt có thể được sử dụng như tiêu chí để phân biệt nháy mắt so với các chuyển động khác của mắt Thời gian nhắm mở mắt thường là

300 ms hoặc trong một số trường hợp là 200ms hoặc ít hơn Các kênh thu EOG thay đổi điện thế giữa giác mạc và võng mạc như sự chuyển dộng của mí mắt Việc nhắm

mở mắt tạo ra sự thay đổi mạnh điện áp giữa giác mạc và võng mạc

Hình 1-8: Nhiễu do nhắm mở mắt gây ra tác động lên các kênh của tín hiệu điện não

1.2.2 Nhiễu cơ (Electromyogram – EMG)

Tín hiệu EMG là tín hiệu tạo ra bởi điểu khiển hoạt động của cơ bắp và chứa thông tin về cấu trúc cơ của từng bộ phận cơ thể khác nhau Khi ta đo điện não, bệnh nhân thường không tránh khỏi một số hoạt động bình thường như co ngón tay, co tay, nói chuyện, cử động chân, quay đầu, quay người, … tất cả các hoạt động đó điều tạo ra nhiễu cơ lên tín hiệu điện não

 Bản chất của tín hiệu cơ

Sự co các mô cơ sẽ giúp di chuyển các bộ phận khác nhau của cơ thể như mắt, tay, chân… Các cơ có thể chia ra thành 3 loại chính: cơ xương (Skeletal muscle), cơ trơn (Smooth muscle), cơ tim (Cardiac muscle)

Cơ xương tác động đến hệ xương và giúp cơ thể di chuyển hay định hình, trong khi cơ trơn có thể thấy trong các tuyến cơ thể, mạch máu, cơ tim tạo nên thành tim và tạo sự co bóp của tim – nhịp tim Tuy nhiên, tín hiệu cơ xương có tác động lớn nhất đến tín hiệu điện não

Trong cơ xương, sự co cơ điều khiển bởi các xung điện Các xung điện này được điều khiển bởi hệ thống thần kinh trung ương và ngoại biên sẽ tác động đến các cơ nhất định Xung điện sẽ truyền từ não bộ hay xương sống qua các sợi trục thần kinh của dây thần kinh vận động Mỗi dây thần kinh vận động đều được nối với một số sợi

cơ qua một khớp đặc biệt, nơi cho phép xung điện kích thích sự co bóp Một dây thần kinh vận động kết hợp với một vài sợi cơ sẽ tạo thành đơn vị vận động thể hiện chức năng của một đơn vị cơ nhất định Tùy thuộc vào mục đích của cơ, một đơn vị vận động riêng lẻ có thể có từ một vài đến hàng nghìn sợi cơ Số sợi cơ sẽ phù hợp với vận động nặng hay nhẹ, ví dụ như cử động mắt hay ngón tay sẽ cần ít sợi cơ trong mỗi đơn

vị vận động hơn so với các hoạt động mạnh như chạy, nhảy…Tín hiệu EMG thu được

là sự kết hợp của nhiều chuyển động cơ khác nhau lên vị trí đặt điện cực

 Nhiễu cơ trong tín hiệu điện não

Tín hiệu điện não thường xuyên bị nhiễu bởi thế điện sinh học tạo ra bởi các hoạt động co bóp cơ bắp và gây ra nhiễu đối với tín hiệu điện não Nếu các cơ hoạt động manh sẽ tạo ra nhiễu cơ rất mạnh che phủ hoàn toàn tín hiệu điện não nền Dải tần của EMG khá rộng, tuy nhiên dải tần của nhiễu EMG chủ yếu trong khoảng trên 30 Hz tùy thuộc vào hoạt động của các cơ khác nhau [1, 18] Các nhiễu cơ này rất mạnh, tạo thành các nhịp, dạng nhiễu trắng và hoàn toàn che lấp tín hiệu EEG nền Với dải tần trên 30Hz, nhiễu cơ chồng lên dải Beta của tín hiệu điện não làm che đi các xung gai trong động kinh ngoài cơn (hay trong cơn) Tuy nhiên, trong nghiên cứu của này, các điện cực được gắn cố định trên một chiếc mũ để hạn chế ảnh hưởng của nhiễu cơ do

các chuyển động của các cơ tay, cơ chân, hay cơ cổ … gây ra Mũ này được gắn cố định trên đầu bệnh nhân Trong trường hợp này, nhiễu cơ trong tín hiệu điện não chủ yếu là so các chuyển động của các cơ trên mặt gây ra Các cử động cơ này tạo ra nhiễu

cơ trên tín hiệu điện não thường có tần lớn và biên độ tương đối nhỏ như được chỉ ra trong hình 1-9

Hình 1-9: Nhiễu cơ trong bản ghi tín hiệu điện não đồ

1.3 GIỚI THIỆU MỘT SỐ PHẦN MỀM XỬ LÝ EEG

Trên thế giới cũng có một số phần mềm xử lý tín hiệu EEG Phần mềm ProFusion được phát triển từ năm 1999 là sản phẩm của Compumedics (chuyên cung cấp các sản phẩm, dịch vụ… liên quan đến y tế) Đây là một sản phẩm chuyên nghiệp với giao diện người sử dụng thân thiện và các tính năng mạnh mẽ Tuy nhiên bản quyền phần mềm này rất đắt và không có chức năng loại nhiễu mắt, nhiễu cơ

Hình 1-10: Phần mềm Profusion Phần mềm mã nguồn mở EEGLAB được phát triển từ năm 1997, sử dụng công

cụ lập trình Matlab, và hiện giờ vẫn được phát triển Đây là phần mềm mã nguồn mở nên phù hợp cho việc học tập nghiên cứu Tuy nhiên giao diện người sử dụng của Matlab rất hạn chế, không phù hợp cho việc triển khai thực tế và cũng chưa hỗ trợ loại nhiễu mắt, nhiễu cơ

Hình 1-11: Phần mềm mã nguồn mở

Chương 2 THUẬT TOÁN TÁCH NHIỄU MẮT NHIỄU CƠ

TRONG TÍN HIỆU ĐIỆN NÃO 2.1 CÁC THUẬT TOÁN LOẠI NHIỄU MẮT NHIỄU CƠ ĐÃ CÓ

2.1.1 Loại nhiễu EOG bằng phương pháp lọc thích nghi

Lọc thích nghi là dùng bộ lọc có hệ số được điều chỉnh tự động bằng thuật toán thích nghi phù hợp với tín hiệu thu được để loại ảnh hưởng của nhiễu Tín hiệu nhiễu mắt là tín hiệu thay đổi theo thời gian, có thể thu được riêng biệt nên có thể dùng bộ lọc thích nghi để loại bỏ Phương pháp lọc thích nghi bao gồm các thuật toán thông dụng là LMS (least mean square), RLS (recursive least square) (He, 2004), và gần đây hơn là thuật toán H-infinite [22] Thuật toán LMS được áp dụng trong tín hiệu điện não có chứa nhiễu mắt Nhiễu mắt có thể thu được riêng biệt từ một kênh tham chiếu nên có thể kết hợp tuyến tính các tín hiệu nhiễu mắt lại và lấy tín hiệu điện não trừ đi

sự kết hợp tuyến tính đó sao cho tín hiệu lỗi là nhỏ nhất Thuật toán RLS sử dụng thống kê bậc 2 (hàm tự tương quan của tín hiệu reference) nhưng không cần giả sử gì

về đặc tính thống kê của tín hiệu, thuật toán đệ quy trong miền thời gian, yêu cầu nhiều không gian bộ nhớ hơn là thuật toán LMS Thuật toán H-infinite có ưu điểm là chúng ít nhạy với những mẫu không xác định, thiếu thông tin thống kê về nhiễu Phương pháp này đảm bảo loại nhiễu trong trường hợp xấu nhất và không cần giả sử

gì về tính thống kê của tín hiệu

Một bộ lọc thích nghi bao gồm hai phần riêng biệt: một bộ lọc số thực hiện xử lý tín hiệu mong muốn, và một thuật toán thích nghi để điều chỉnh hệ số của bộ lọc Một dạng của bộ lọc thích nghi:

Hình 2-1: Mô hình bộ lọc thích nghi thông thường

d(n) là tín hiệu cần lọc nhiễu (primary input signal), y(n) là tín hiệu lối ra của bộ

lọc số , x(n) là tín hiệu tham chiếu, và một tín hiệu lỗi e(n) là sự khác nhau giữa d(n)

và y(n) Thuật toán thích nghi sẽ điền chỉnh hệ số bộ lọc số để trung bình lỗi là nhỏ nhất (e(n) là nhỏ nhất) Do vậy trọng số của bộ lọc sẽ được cập nhât để lỗi nhỏ dần

Ý tưởng của phương pháp: Trong tín hiệu EEG có chứa nhiễu mắt (EOG), các tín hiệu EOG lại có thể đo được từ một vài kênh riêng biệt, do đó chung ta có thể kết hợp tuyến tính các tín hiệu EOG riêng biệt lại và dùng tín hiệu EEG trừ đi tín hiệu kết hợp

đó sao cho tín hiệu lỗi là nhỏ nhất [12]

Hình 2-2:Phương pháp tối thiểu hóa nguồn nhiễu

y(n) : tín hiệu đầu vào cần loại nhiễu (primary input)

r(n): tín hiệu đầu vào tham chiếu (reference input)

Giả sử tín hiệu EEG là tổng của 2 tín hiệu : tín hiệu sự hoạt động của não s(n), và tín hiệu nhiễu EOG z(n)

(2.3)

Một vấn đề với việc sử dụng bộ lộc thích nghi là trừ các tín hiệu nhiễu EOG cũng có thể loại bỏ một phần của tín hiệu EEG, các phương pháp điều chỉnh được cho

là tốt hơn các phương pháp loại bỏ [8]

Vấn đề này càng trở nên khó khăn hơn đối với nhiễu EMG, vì không có kênh tham chiếu cho chúng [3] và áp dụng lọc thích nghi từ nhiều nhóm cơ đòi hỏi nhiều kênh tham khảo [14] Có một số bài báo về vấn đề loại bỏ nhiễu cơ với những chuyển động của đầu [4-6], nhưng tác giả không giải thích cách đã thực hiện Tính chính xác của kết quả cũng không được chứng minh

2.1.2 Phương pháp tách nguồn mù

Tách nguồn mù là kỹ thuật nhằm khôi phục lại một tập hợp tín hiệu nguồn trong khi chỉ quan sát được một tổ hợp tuyến tính các tín hiệu đó mà không biết giá trị của tổ hợp tuyến tính [7] Kỹ thuật tách nguồn mù dùng nhiều mô hình khác nhau như ICA (Independent Component Analysis) chuẩn dựa trên thống kê bậc cao, có ưu điểm là sử dụng thông tin đồng thời từ các kênh tín hiệu quan sát được mà không cần đến tín hiệu tham chiếu như trong các thuật toán LMS, RLS và H-infinite [22] ICA là phương pháp tách hỗn hợp các nguồn tín hiệu độc lập Nó đã được áp dụng rộng rãi để loại bỏ nhiễu mắt từ tín hiệu điện não đồ [15, 16, 25] Một trong những phương pháp tách nguồn mù hữu hiệu gần đây cho nhiễu mắt được phát triển bởi Zhou (2008) [27], khắc phục được phương pháp ICA chuẩn, sử dụng quá trình tập huấn (learning process) bao gồm 2 giai đoạn: giai đoạn nhiễu (artifact period) và giai đoạn nghỉ (rest period) để thu được một ước lượng thô của tín hiệu nhiễu Sau đó, tách các tín hiệu nguồn chính xác hơn bằng cách hiệu chỉnh các tín hiệu được ước lượng thô này dựa trên thống kê bậc hai Cuối cùng, tín hiệu nhiễu sẽ được loại đi bằng phương pháp “tháo hơi” (deflation method), tách từng tín hiệu một

2.2 TÁCH NGUỒN MÙ VÀ THUẬT TOÁN SOBI

Giả sử rằng các nguồn tín hiệu là độc lập có thể được nới lỏng để không tương quan trong khi sử dụng thông tin về tương quan nguồn Nhờ việc chỉ sử dụng thống kê bậc 2 (SOS) các thông tin, độ phức tạp của thuật toán SOBI [2] và độ dài tín hiệu có thể giảm đi Các thuật toán này trước đây đã được áp dụng để tách tín hiệu EEG động kinh

Mô hình pha trộn tuyến tính cổ điển, tại mỗi thời điểm tức thời k, có thể được viết là:

Trong đó, x là vecto của M tín hiệu quan sát được trên các kênh EEG, A là ma trận trộn có kích thước N×M và s là vecto của N nguồn độc lập chưa biết Trong

nghiên cứu này, coi M>N vì số lượng các kênh EEG là lớn hơn so với số nguồn Vì vậy, vấn đề phân tách ở đây đã có giải pháp Để ước lượng các nguồn ban đầu, chỉ cần tính toán theo biến đổi tuyến tính sau:

Với y là vector của N nguồn ước lượng được và W là một ma trận biến đổi tuyến

tính kích thước NxM cho phép phân tách các tín hiệu trộn vào những thành phần độc

lập của nó Do đó, W nên là nghịch đảo của ma trận A, vì vậy, các nguồn có thể được

phục hồi một cách hoàn hảo Giải pháp hiện đang được sử dụng gần đây nhất là đánh giá số độc lập tuyến tính đo đạc được trong hỗn hợp bằng cách sử dụng một số tiêu chuẩn dựa trên các giá trị eigen của ma trận hiệp phương sai của các tín hiệu đo được

Tuy nhiên, sẽ rất khó khăn để có được chính xác nghịch đảo của ma trận trộn A Do

đó, các thuật toán tách nguồn được tập trung sử dụng để tìm W sao cho G =WA là một

ma trận hoán vị và đường chéo Nó có nghĩa là các nguồn có thể khôi phục được mà không cần thông tin về thứ tự và biên độ của chúng

Trong ứng dụng thực tế, không nên bỏ qua nhiễu Vì vậy, phương trình (2.4) nên được viết lại là:

Với N là vecto nhiễu Gaussian kích thước Mx1

Một vài thuật toán BSS đã được đề xuất và phân tích trong những thập kỉ vừa qua Trên toàn thế giới, các thuật toán tách nguồn được chia làm 2 nhóm: nhóm dựa trên thống kê bậc cao (HOS) và nhóm dựa trên thống kê bậc 2 (SOS) SOBI là một thuật toán đại diện của nhóm SOS Ưu điểm chính của thuật toán này là giả thuyết của

nó là được xác nhận ưu tiên cho tín hiệu điên não thực tế, những tín hiệu giới hạn băng tần và bị nhiễu thuật toán này đã được áp dụng thành công cho tách tín hiệu điện não,

ví dụ như trong [23, 24] Do đó, nó sẽ được đưa vào phân tích

Bước đầu tiên của SOBI bao gồm làm trắng phần tín hiệu quan sát được bằng ma trân làm trắng 𝑊 SOBI tính các phần chéo 𝑈 của một tập hợp các ma trận hiệp phương sai Dựa vào quá trình làm trắng, 𝑈 là đơn nhất Sau đó, ma trận trộn có thể được tính bằng cách nhân giả nghịch đảo của ma trận làm trắng với ma trận đường chéo 𝐴 = 𝑊 #𝑈

Cuối cùng, các nguồn tín hiệu được ước lượng là: 𝑠 (𝑡) = 𝐴 #𝑥 (𝑡)

2.2.1 Phương án đề xuất

Nhược điểm của SOBI là không thể có được thông tin về thứ tự của các nguồn [2], vì thế không thể khôi phục các tín hiệu bị nhiễu một cách chính xác Trong nghiên cứu gần đây, chúng tôi đề xuất phương pháp SOBI kết hợp kĩ thuật nhận dạng nguồn nhiễu để loại bỏ nhiễu mắt và nhiễu cơ ra khỏi tín hiệu EEG nhiễu [9]

Khai triển phương trình (2.4) thành:

Với 1 cửa sổ kích thước cố định N, năng lượng của mọi tín hiệu đầu ra của SOBI

là giới hạn [2] Trong miền tần số, năng lượng của tín hiệu EOG là lớn nhất tại các tần

số thấp [18], trong khi năng lượng của tín hiệu EMG là cao nhất trong miền tần số cao [1, 18] Do đó, đặc tính này được khai thác để xác định tín hiệu EOG và EMG

Phương án của chúng tôi có thể tổng hợp lại ở Thuật toán 1

Thuật toán 1: Xác định EOG và EMG sử dụng của sổ dịch chuyển

Bước 1: Khởi tạo một của sổ dịch chuyển với kích thước N=1000 mẫu

Bước 2: Tính toán tham số trọng lượng cho tất cả các kênh

w=E(f>30Hz)/E(f<5Hz)

Bước 3: Kênh tín hiệu EOG được xác định bởi giá trị nhỏ nhất của w và kênh tín

hiệu EMG được xác định bởi giá trị lớn nhất của w

Bước 4: Khôi phục kênh tín hiệu EEG nhiễu bằng công thức (2.8)

Bước 5: Tiếp tục với cửa số tiếp theo

Lý do sử dụng tỉ số w=E(f>30Hz)/E(f<5Hz) thay vì dùng năng lượng là vì năng

lượng có thể biến đổi từ kênh này qua kênh khác

2.2.1.1 Kết quả mô phỏng

Hình 2-3 biểu diễn tín hiệu EEG sạch không có nhiễu cơ hay nhiễu mắt Chúng

ta có thể thấy rằng có tồn tại gai động kinh trong đoạn 2000 mẫu này (ở vị trí mẫu thứ 1800) Hơn nữa, một số lượng nhiễu cộng đã được cộng thêm vào tín hiệu này

Hình 2-3: Tín hiệu chưa có nhiễu mắt Hình 2-4 biễu diễn 2000 mẫu tín hiệu EOG Sau đó, tín hiệu EEG được trộn lẫn với nhiễu EOG theo các tỷ lệ khác nhau để thu được 4 loại tín hiệu trộn khác nhau (phương pháp SOBI kết hợp kĩ thuật nhận dạng nguồn nhiễu đề xuất cần 4 kênh đầu

vào) Tín hiệu trộn đầu tiên được biểu diễn trên hình 2-5, với (SNR = 0,208) Có thể dễ

dàng thấy được các tín hiệu EEG đã bị chi phối bởi tín hiệu EOG Do đó, chúng tôi sẽ phân tích hiệu suất loại bỏ EOG sử dụng các phương pháp: Zhou [27], Total variation (TV) - H-infinite [22] và phương pháp đề xuất

Hình 2-4: Tín hiệu nguồn nhiễu mắt mô phỏng

Hình 2-5: Tín hiệu trộn EEG và EOG (SNR = 0,208)

0 200 400 600 800 1000 1200 1400 1600 1800 2000 -100

Hình 2-6, 2-7, 2-8 biểu diễn các tín hiệu đã được lọc áp dụng cho tín hiệu trộn đầu tiên bằng các phương pháp Zhou, TV và phương pháp để xuất Sử dụng TV đã loại được nhiễu mắt tuy nhiên cho kết quả không tốt (Bảng 2-1) và làm thay đổi hình dạng của gai tại vị trí mẫu thứ 1800 (so với tín hiệu gốc) Các kết quả thu được bằng

sử dụng phương pháp Zhou tương đối tốt tuy nhiên không ổn định và theo đánh giá vẫn không tốt bằng phương pháp đề xuất (Bảng 2-2 và Bảng 2-3) Trong khi đó, phương pháp đề xuất của chúng tôi đưa ra kết quả tốt, nó có thể loại trừ tín hiệu EOG hoàn toàn và vẫn đảm bảo được sự tồn tại của gai động kinh tại vị trí mẫu thứ 1800

Hình 2-6: Tín hiệu lọc sử dụng thuật toán Zhou

Hình 2-7: Tín hiệu lọc sử dụng thuật toán TV

Hình 2-8: Tín hiệu lọc bởi phương pháp đề xuất Tương tự với tín hiệu EOG, kịch bản mô phỏng được thay đổi để trộn tín hiệu EEG với tín hiệu nhiễu cơ EMG cũng thu được kết quả rất tốt khi so sánh với các phương pháp khác Hình 2-9 biểu diễn tín hiệu trước và sau khi lọc nhiễu EMG sử dụng phương pháp đề xuất

do

Hình 2-9: Tín hiệu trước và sau khi sử dụng thuật toán đề xuất

2.2.1.2 Kết quả thực nghiệm

Trước tiên, dữ liệu được thu thập từ 19 kênh với tần số lấy mẫu là 256Hz Sau

đó, dữ liệu thô được lưu trữ trên đĩa cứng để phục vụ cho các quá trình sau này Quá trình tiền xử lý là lọc tín hiệu thô bằng cách cho qua bộ lọc triệt dải 50Hz, và bộ lọc thông dải mà cho các tín hiệu trong khoảng 0.5Hz – 70Hz đi qua

Chọn kênh tín hiệu đầu vào thứ nhất là kênh tín hiệu mà bị ảnh hưởng nhiều nhất bởi nhiễu mắt EOG (kênh Fp1), 3 kênh tín hiệu đầu vào tiếp theo là những kênh bị ảnh hưởng ít hơn bởi nhiễu mắt EOG (kênh C3, kênh O2 và kênh F2) Hình 2-8 biểu diễn tín hiệu của 4 kênh mà bị ảnh hưởng bởi nhiễu mắt EOG Có thể thấy rằng tín hiệu nhiễu mắt chi phối trên cả 4 kênh từ mẫu thứ nhất đến mẫu thứ 450 Hình 2-9 và 2-10 lần lượt biểu diễn tín hiệu của 4 kênh được lọc bởi phương pháp Zhou và phương pháp

đề xuất Có thể thấy rằng tín hiệu nhiễu EOG đã được loại bỏ ở tất cả các kênh Bằng việc sử dụng phương pháp đề xuất, biên độ của gai động kinh tồn tại trong 4 kênh là lớn hơn so với sử dụng phương pháp Zhou

-4 Tin hieu truoc va sau loc tai kenh 6 (C4)

Tin hieu truoc loc Tin hieu sau loc

Bien

do

So mau