Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (TT)

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 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 bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Trường họp Trường Đại học Bách khoa Hà Nội Vào hồi …… giờ, ngày … tháng … năm ……… Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội Thư viện Quốc gia Việt Nam MỞ ĐẦU 1.1 Mục đích nghiên cứu Hệ thần kinh đóng vai trò phát thông tin để điều khiển tạo vận động người thông qua sóng điện từ (gọi tắt sóng não) Sóng não điều khiển tưởng tượng vận động chi (IHMv - Imagery Hand Movement) hoạt động não người tưởng tượng suy nghĩ điều khiển vận động chi mà không tạo chuyển động thật Việc nghiên cứu tín hiệu giúp giải mã hoạt động não liên quan đến hệ vận động người Nghiên cứu hoạt động tưởng tượng vận động sử dụng phương pháp huấn luyện phục hồi chức người bị liệt chi sau đột quỵ [54], [100], [20], kết hợp tưởng tượng vận động với thiết bị robot hỗ trợ phục hồi chức năng[49], [68], [82] Như vậy, việc phân giải thông tin điều khiển vận động từ sóng não tạo tín hiệu điều khiển vận động từ sóng não có vai trò trò lớn hệ thống hỗ trợ vận động, giao tiếp người máy BCI thiết bị chân tay giả điều khiển hệ thống thần kinh Trong nghiên cứu luận án, tác giả tập trung nghiên cứu tín hiệu IHMv Để ứng dụng thực tế, hệ thống phân loại IHMv cần thiết phải trọng đến việc nâng cao độ xác, tin cậy tốc độ xử lý khả phân giải nhiều phân lớp IHMv Hiện có bốn xu hướng nghiên cứu nhằm phân giải phân lớp IHMv tạo tín hiệu điều khiển chuyển động từ sóng não là: (1) Phân tích số khóa pha PLV cặp điện cực [10], (2) Sử dụng biến thiên lượng công suất tín hiệu dựa trình suy giảm đồng tăng đồng trước xảy trình vận động băng tần µ (Mu) β (beta) [113], [93] kết hợp với mô hình phân loại (3) Phân tích số tín hiệu theo mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) [25], [16] kết hợp với mô hình phân loại (4) Phân tích tín hiệu miền thời gian - tần số [23], [89] dựa biến đổi Wavelet kết hợp với mô hình phân loại NN, SVM, LDA Trong phương pháp tiếp cận trên, nhận thấy số vấn đề sau: Thứ chưa xác định rõ nhóm thuộc tính chuẩn định lượng tín hiệu IHMv Để nâng cao độ xác phân loại, phần lớn mô hình sử dụng phương pháp tách đặc trưng nhiều điện cực làm tăng thời gian tính toán thời gian thiết lập hệ thống áp dụng mô hình BCI thực tế Thứ hai hệ thống phân loại tưởng tượng vận động chi có khả phân loại trạng thái, phần lớn tập trung phân lớp hai trạng thái tưởng tượng vận động Thứ ba độ xác tin cậy hệ thống phân loại phụ thuộc nhiều vào liệu huấn luyện Bênh cạnh đó, tín hiệu điện não có tính thống kê phụ thuộc vào nhiều điều kiện tuổi tác, giới tính, tình trạng sức khỏe… nghiên cứu xây dựng tập liệu từ đối tượng đo điều kiện xác định giúp trích xuất thông tin thông qua kỹ thuật phân tích liệu Đồng thời đóng góp vào sở liệu chung giới để giúp nghiên cứu đặc tính tín hiệu sở liệu lớn Mục tiêu nghiên cứu luận án - Đề xuất đặc trưng tín hiệu IHMv nhằm nâng cao độ xác phân loại ba phân lớp tưởng tượng vận động chi - Xây dựng phương pháp phân loại tín hiệu IHMv theo hướng tăng độ xác số lượng phân nhóm Xây dựng mô hình hệ thống định phân lớp IHMv dựa thuộc tính phương pháp phân loại đề xuất - Xây dựng liệu điện não liên quan đến điều khiển vận động đối tượng người Việt Nam phục vụ nghiên cứu phân tích Các vấn đề cần giải luận án - Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận vấn đề cần giải luận án Nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv đề xuất thông số đặc trưng số lượng kênh đo có khả phân biệt nhóm tín hiệu IHMv để nâng cao độ xác phân loại - Nghiên cứu 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) trạng thái nghỉ (Re_IHMv) Để thực điều kết hợp nhóm thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv vấn đề cần giải - Nghiên cứu xây dựng sở liệu điện não liên quan đến vận động người đối tượng người Việt Nam phục vụ nghiên cứu phân tích Phạm vi nghiên cứu - Nghiên cứu chức điều khiển vận động não giải pháp kỹ thuật nâng cao chất lượng tín hiệu IHMv - Nghiên cứu thuật toán định lượng tín hiệu IHMv phương pháp lựa chọn đặc trưng - Nghiên cứu phương pháp phân loại tín hiệu IHMv - Nghiên cứu xây dựng sở liệu tín hiệu điện não liên quan đến vận động chi đối tượng người Việt nam khỏe mạnh Phƣơng pháp nghiên cứu - Nghiên cứu lý thuyết tín hiệu điện não liên quan đến tưởng tượng vận động chi - Mô hình hóa phương pháp định lượng phân loại ba phân lớp IHMv - Kiểm chứng đánh giá phương pháp phân lớp IHMv thực nghiệm liệu mẫu liệu từ máy đo thực tế Các đóng góp Luận án - Đề xuất đặc trưng định lượng tín hiệu IHMv Bộ đặc trưng phát triển từ phương pháp định - lượng tín hiệu miền thời gian - tần số dựa biến đổi Wavelet với số lượng kênh xử lý rút gọn Dựa phương pháp kiểm định ANOVA, đặc trưng đề xuất cho thấy khả phân biệt ba phân lớp IHMv liệu mẫu Kết công bố báo (4) - Đề xuất phương pháp sử dụng thông số định lượng tín hiệu IHMv để phân lớp trạng thái đầu bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv Phương pháp đề xuất dựa việc xây dựng phân loại theo mô hình vector học máy SVM cấu trúc tầng nối tiếp Kết mô liệu mẫu cho thấy cấu trúc phân loại đề xuất cho kết phân loại tốt với ba phân lớp IHMv Kết công bố công trình (5) - Xây dựng tập liệu điện não liên quan đến tưởng tượng vận động vận động thật chi đối tượng người Việt Nam khỏe mạnh Bộ liệu đóng góp vào liệu điện não liên quan đến vận động chi giới có khả sử dụng cho trình huấn luyện hệ thống phân loại - Xây dựng ứng dụng tạo định phân lớp IHMv theo mô hình phân loại đề xuất Kết hệ thống thực nghiệm thành công liệu mẫu liệu thực tế đo phòng thí nghiệm Điều cho thấy tính khả thi phương pháp phân loại độ tin cậy tập liệu tự thiết kế Luận án đưa số khuyến nghị vấn đề lựa chọn kênh đo, tiền xử lý lọc pha không, 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 đề cập công trình số (1), (2), (3) 1.2 Cấu trúc nội dung luận án Nội dung luận án bao gồm chương Trong đóng góp khoa học luận án thể nội dung đề xuất thực chương 2, chương chương Các nội dung cụ thể sau: - Chương 1: Chương trình bày hệ thần kinh điều khiển vận động mô hình xử lý phân giải tín hiệu IHMv Phần đầu chương trình bày tổng quan đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, 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 đưa kiến nghị giải pháp kỹ thuật mô hình xử lý để tăng tỷ số SNR tín hiệu lựa chọn kênh đo, sử dụng lọc số FIR, lọc không gian Laplacian - Chương 2: Chương trình bày đề xuất phát triển đặc trưng để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu miền thời gian – tần số dựa biến đổi wavelet để nâng cao độ xác phân loại tín hiệu IHMv Phần đầu chương tập trung nghiên cứu phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu miền thời gian - tần số Phần tiếp theo, đặc trưng xây dựng đánh giá khả phân biệt trạng thái dựa phương pháp kiểm định thống kê ANOVA Phần cuối chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa khả phân biệt trạng thái điều khiển vận động tưởng tượng chi theo số F p mô hình phân tích phương sai ANOVA - Chương 3: Chương đề xuất phương pháp sử dụng thông số định lượng để thực phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận động điều khiển sóng não EEG Trong chương này, luận án nghiên cứu đề xuất sử dụng phân loại ba phân lớp IHMv theo mô hình phân loại SVM tầng dựa đặc trưng đề xuất Phần mô tả khả thực hệ - - thống liệu mẫu Physionet để đánh giá hiệu mô hình Chương 4: Chương trình bày quy trình xây dựng liệu liên quan đến vận động chi đối tượng đo người Việt nam phục vụ phân tích nghiên cứu Phần đầu chương mô tả phương pháp thiết lập hệ thống đo đối tượng đo để thu nhận tín hiệu điện não IHMv Phần mô tả đóng góp liệu điện não IHMv đối tượng người Việt Phần cuối chương trình bày kết mô phân loại đề xuất liệu tạo đánh giá kết KẾT LUẬN: Kết luận hướng phát triển cho luận án CHƢƠNG 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 não 1.1.2 Điện hoạt động Vận tốc dẫn điện hoạt động khoảng 1-100ms Đối với người biên độ AP xấp xỉ -60mV đến 10 mV 1.1.3 Tạo tín hiệu EEG Tín hiệu điện não EEG tín hiệu điện đo sọ não tạo dòng ion nơ ron não Sóng µ (8-13Hz) sóng điện não có dải tần nằm dải alpha thường liên quan đến trình lập kế hoạch vận động tưởng tượng vận động người 1.1.4 Hệ thống điều khiển vận động não Vỏ não điều khiển vận động khu vực tham gia vào trình lập kế hoạch, điều khiển thực chuyển động có chủ ý Vùng vận động thuộc hồi trán lên, nơi xuất phát bó tháp So với vùng khác vùng vận động có diện tích lớn Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ Khi nơron vỏ não kích hoạt làm co Hoạt động vỏ não vận động lớn lực mạnh Hình 1.13 Khu vực vận động kích thích trực tiếp 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 lượng tín hiệu dải tần số alpha (8-13Hz) beta (15-30Hz) Sóng chậm theta (4-7Hz) sử dụng có liên quan đến trình nhận thức, chế tập trung có liên quan đến trình vận động [55], [63] Sự xuất sóng điện thường có liên quan đến kiện vận động thông tin động học (vị trí, vận tốc (động học) lực (tĩnh học – kinetics), chúng thường xuất trước, đồng thời sau có đáp ứng Nhiều nghiên cứu triển khai theo để phân tích đặc điểm lượng phổ dải tần số qua tạo đặc trưng giúp tăng độ xác phân loại Do thuộc tính lượng hóa thay đổi tín hiệu IHMv giúp nâng cao khả nhận diện tín hiệu độ xác phân loại Bên cạnh đó, tín hiệu IHMv chất không dừng có tính thống kê nên việc lựa chọn thuộc tính có khả đặc tả khía cạnh tín hiệu đồng thời có khả phân biệt trạng thái hướng nghiên cứu nhiều nhà khoa học quan tâm 1.2 Mô hình xử lý tín hiệu điện não IHMv Trong hệ thống hỗ trợ vận động điều khiển sóng não, độ xác hệ thống phân lớp trạng thái điều khiển vận động phụ thuộc vào liệu huấn luyện mô hình Bộ liệu huấn luyện chịu ảnh hưởng nhiễu chứa đựng thông tin cần thiết độ tin cậy hệ thống phân lớp cao Để có liệu huấn luyện có chất lượng cao, mô hình thu nhận, xử lý phân tích tín hiệu điện não cần phải ý đến giải pháp kỹ thuật để nâng cao tỷ số SNR nhóm tín hiệu cần phân tích Luận án tập trung giải ba vấn đề sau: - Xác định số lượng 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 kích hoạt thời gian tưởng tượng vận động (MI – Motor Imagery) khu vực vỏ não vận động (M1), khu vực vỏ não bổ sung, vùng tiền vận động khu vực thùy trán, tiểu thùy đỉnh (IPL), tiểu thùy đỉnh (SPL) vỏ não xúc giác (S1) thùy đỉnh Hình 1.15 Phân bố lượng số đối tượng thực vận động tay chân phải tưởng tượng Các nghiên cứu hoạt động thần kinh có liên quan đến vận động tưởng tượng vận động chi có phân kiện tưởng tượng vận động phù hợp đóng vai trò quan trọng việc trích xuất thông tin cần thiết Trong luận án, thực nghiệm 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 đoạn tín hiệu IHMv Độ dài sổ 512 mẫu thực nghiệm liệu mẫu có chứa đựng thông tin biến đổi lượng trạng thái Bên cạnh đó, trình trích chọn đặc trưng đoạn tín hiệu IHMv sử dụng phương pháp phân tích miền thời gian – tần số dựa biến đổi wavelet, nên kích thước cửa sổ phân đoạn phải có độ lớn lũy thừa Kết trình phân đoạn nhóm tín hiệu IHMv từ ghi EEG liệu mẫu Physionet Hình 1.26 a) Định vị đoạn tín hiệu tương ứng với chuyển động tưởng tượng tay trái, chuyển động tưởng tượng tay phải nghỉ khung màu khác tương ứng (Xanh, đỏ, đen) 1.3 Kết luận Trong chương 1, tác giả kiến nghị sử dụng số giải pháp kỹ thuật mô hình xử lý tín hiệu điện não IHMv để giúp nâng cao tỷ số SNR bao gồm: lựa chọn kênh đo, lọc số FIR pha không, lọc không gian Laplacian rộng, phân tách tín hiệu IHMv cửa sổ cố định Thử nghiệm liệu mẫu Physionet, tín hiệu IHMv sau tiền xử lý loại loại nhiễu tách dải tần số điện não quan tâm Các nhóm tín hiệu IHMv liệu mẫu cho thấy 11 biến động lượng phổ khác đảm bảo chứa đựng 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 có chất không dừng Do ta cần phải thông qua đặc trưng định lượng tín hiệu để có sở để nhận diện dạng tín hiệu Các đặc trưng định lượng mô tả đặc điểm thống kê tín hiệu IHMv giúp đặc tả khía cạnh khác tín hiệu Các phương pháp [10], [131], [42] phân tách đặc trưng gặp số nhược điểm việc sử dụng nhiều điện cực để xử lý việc dùng số lượng lớn điện cực tăng thêm nhiễu cho liệu, tăng độ phức tạp mô hình thời gian tính toán Phương pháp định lượng tín hiệu theo miền thời gian - tần số dựa biến đổi Wavelet đề xuất [23], [89] phương pháp tiếp cận hiệu đơn giản thực Kỹ thuật cho thấy khả định lượng tín hiệu đảm bảo chứa đựng thông tin miền thời gian tần số Trong phần này, tác giả nghiên cứu đề xuất nhóm đặc trưng trích chọn 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 đặc trưng có tính phân biệt ba phân lớp IHMv dựa số F p Các thuộc tính đánh giá lựa chọn dựa việc thử nghiệm sở liệu mẫu Physionet 2.1 Phƣơng pháp định lƣợng miền thời gian – tần số dựa biến đổi wavelet Phương pháp định lượng tín hiệu dựa phương pháp định lượng tín hiệu miền thời gian - tần số dựa biến đổi wavelet xử lý theo bước sau: 12 Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng phân lớp IMHv Dựa đề xuất nghiên cứu [89], hàm symlet tác giả sử dụng để phân tách hệ số biến đổi Wavelet hệ số chi tiết luận án lựa chọn sử dụng cho trình phân tách đặc trưng (2 kênh C3 C4 x băng tần): I H M v  , I H M v  , C IH M vC  , IH M vC  , IH M vC  , IH M vC 13  C 2.2 Xây dựng thuộc tính định lƣợng tín hiệu điều khiển vận động IHMv Phát triển từ đặc trưng đề xuất [23] [89], với mục tiêu giảm số kênh đo đảm bảo độ xác phân loại ba trạng thái vận động tưởng tượng chi trên, luận án sử dụng đặc trưng định lượng tín hiệu băng tần hai kênh C3       C4 là: C , C , C , C , C , C Từ luận án đề xuất sử dụng đặc trưng định lượng mở rộng bao gồm: RMS, WL, SSI, MMAV, ZC, SSC, WAMP, Shan_En, Log_En, HjAct, HjMobi, HjComplex tính toán hệ số chi tiết wavelet cD3, cD4, cD5 hai kênh C3, C4 Công thức mô tả số giải thuật định lượng tín hiệu hệ số chi tiết wavelet sau: 1) MMAV M M AV  wn  N N  w n IH M v i ( n ) (2.9)  1, N  n  N   4n , N  n   N  4(n  N ) , N  n  N  2) Hjorths parameters [9] H jA c t ie   H jM o b iie  H jC o m p le x ie a (2.16) d (2.17) a  ( dd ) d   ( d ) a (2.18) 14 Kết mô định lƣợng tín hiệu liệu Physionet Bảng 2.2 Tóm tắt giá trị trung bình (µ) phương sai (ϭ) thuộc tính theo phân lớp IHMv khác C3 RMS_Theta C4 Lf_IHMv Ri_IH Re_IH Lf_IH Ri_IH Re_IH Mv Mv Mv Mv Mv 0.347 (µ) 0.341 0.487 0.335 0.348 0.484 0.054 (ϭ) 0.058 0.065 0.065 0.061 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 liệu phân lớp theo đặc trưng Từ đồ thị ta nhận thấy có khác biệt giá trị trung vị phân nhóm IHMv Mặt khác, dựa vào phân bố biến nhận thấy 15 phân nhóm có nhiều giá trị thuộc phân nhóm nằm vùng giá trị phân nhóm Do cần thiết phải lựa chọn nhiều thuộc tính để xây dựng vector đặc qua nâng cao độ xác phân loại 2.4 Đề xuất lựa chọn thuộc tính mô tả tín hiệu IHMv phƣơng pháp phân tích phƣơng sai chiều ANOVA theo số F p 2.4.1 Phƣơng pháp phân tích phƣơng sai chiều ANOVA Kỹ thuật ANOVA kỹ thuật phân tích cho phép kiểm chứng đánh giá độ khác đặc trưng nhóm Việc mô tả khác phân lớp phụ thuộc vào việc kiểm định giả thuyết đảo H0 trung bình phân lớp (2.24) H0:      L f _ IH M v R i _ IH M v R e _ IH M v Fđặc trưng xác định theo biểu thức (2.27) Nếu số Fđặc trưng xác định lớn Fngưỡng đặc trưng có khả phân biệt trạng thái hay loại bỏ giả thuyết không phân biệt trạng thái với đặc trưng Điều có nghĩa phân lớp IHMv có khác biệt với phân lớp lại Như đặc trưng sử dụng thuộc tính có khả phân biệt 2.4.2 Đề xuất xây dựng đặc trƣng lựa chọn phƣơng pháp kiểm định ANOVA theo số F p Do việc sử dụng đặc trưng cho trình phân loại khó có khả cho độ xác phân loại cao Từ tác giả đề xuất xây dựng mô hình phân loại dựa đặc trưng đề cập phần Tuy nhiên, việc có nhiều đặc trưng làm đầu vào dư thừa không liên quan đến nhiệm vụ phân loại (Koprinska, 2009) Trong luận án, tác giả đề xuất sử dụng phương pháp lựa chọn đặc trưng dựa số F p phân tích phương sai ANOVA Chỉ số F phân tích phương sai giúp ta đánh giá 16 khả phân biệt phân lớp IHMv đặc trưng đồng thời đánh giá độ tin cậy tập liệu thông qua số p Quy tắc lựa chọn đặc trưng sau Bƣớc 1: Áp dụng phân tích phương sai ANOVA cho thuộc tính để kiểm tra khả phân biệt nhóm trạng thái Bƣớc 2: So sánh số F đặc trưng với F ngưỡng Nếu đặc trưng cho số F > F ngưỡng lựa chọn Bƣớc 3: Chỉ số p80%) Bộ phân loại đề xuất mô tả công bố (5) tác giả CHƢƠNG XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM 4.1 Quy trình đo xây dựng liệu điện não liên quan đến vận động ngƣời Việt Nam Do chất thống kê tín hiệu EEG, tín hiệu IHMv thu nhận thay đổi điều kiện khác tuổi tác, giới tính, tình trạng sức khỏe, nhiệt độ…Vì vậy, việc xây dựng tập mẫu từ đối tượng điều kiện xác định hỗ trợ trích xuất thông tin, kiến thức có ích thông qua kỹ thuật phân tích liệu Từ tạo định có độ xác cao từ liệu thực tế Bên cạnh đó, việc xây dựng tập liệu đóng góp vào sở liệu IHMv chung giới giúp nghiên cứu thử nghiệm, đánh giá thuật toán trích chọn đặc trưng độ xác phân loại mô hình Mặt khác, vấn đề xây dựng sở liệu liên quan trực tiếp đến đặc điểm, cấu trúc, sinh lý người Việt nam có ý nghĩa lớn để đề 21 nghiên cứu, giải pháp phục vụ đối tượng người Việt nam Để xây dựng tập liệu mẫu, tác giả sử dụng mô hình BCI2000 [111] quy định việc xây dựng tập liệu phục vụ phân tích offline 4.1.1 Hệ thống thu nhận liệu điện não liên quan đến vận động/ tƣởng tƣợng vận động 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 định thời gian tín hiệu điện não liên quan đến vận động Hình 4.8 Hướng dẫn đối tượng thực tưởng tượng chuyển động tay trái tay phải Hình 4.10 Thiết kế thí nghiệm đo điện não đối tượng người Việt Nam Hình 4.9 Thứ tự kiện thiết lập sẵn Các kiện xếp ngẫu nhiên để tránh đối tượng ghi nhớ trình 22 4.1.2 Kết đánh giá liệu Bộ liệu thu nhận hệ thống Exea Ultra phòng thí nghiệm thực 12 đối tượng đo khác Mỗi đối tượng thực chuyển động tưởng tượng vận động tay trái, chuyển động tưởng tượng vận động tay phải xen khoảng thời gian nghỉ Số lượng mẫu thu từ 12 đối tượng đo bao gồm: 240 mẫu trái, 210 mẫu phải 420 mẫu nghỉ Bộ liệu đo phòng thí nghiệm tiến hành theo hướng dẫn chuyên gia Điện não Việt nam Các thông số môi trường đo, thông tin cá nhân đối tượng đo ghi chép phục vụ nghiên cứu phân tích Áp dụng phương pháp xây dựng vector đặc trưng tín hiệu phân loại đề xuất 870 mẫu tín hiệu từ 12 đối tượng đo người Việt Nam cho kết phân loại tốt Độ xác phân loại trung bình đạt 74% Kết cho thấy khả ứng dụng hệ thống lên đối tượng đo thực tế Việt Nam 4.2 Xây dựng công cụ phân tích tín hiệu IHMv, ứng dụng tạo định ba phân lớp IHMv hệ thống cánh tay robot hỗ trợ vận động Hình 4.15 Ứng dụng tạo định phân lớp trạng thái đầu tín hiệu điện não điều khiển tưởng tượng vận động chi dựa phân loại đề xuất 4.4 Kết luận chƣơng Với mục tiêu xây dựng liệu điện não IHMv liên quan đến đối tượng người Việt Nam, luận án xây dựng đươc sở liệu bao gồm 870 mẫu tín hiệu IHMv phòng thí nghiệm EEGLab & ARM Rehabilitation sử dụng hệ thống máy đo 23 Exea Ultra Bên cạnh đó, để phục vụ cho trình phân tích xử lý tín hiệu điện não đồng thời để xây dựng hệ thống hỗ trợ vận động điều khiển sóng não, luận án thiết kế chương trình phân loại dựa mô hình đề xuất để tạo định phân lớp IHMv hệ thống hỗ trợ tập luyện chi Hướng phát triển tương lai đề tài ghép nối hệ thống thành hệ thống hoàn chỉnh hỗ trợ vận động người điều khiển sóng não KẾT LUẬN CHUNG Với mục tiêu đề luận án: (1) Đề xuất đặc trưng định lượng tín hiệu IHMv, (2) Xây dựng phương pháp phân loại ba phân lớp IHMv mới, (3) Xây dựng liệu liên quan đến tưởng tượng vận động người Việt Nam Luận án nghiên cứu xây dựng đặc trưng, phương pháp phân loại, mô thành công, xây dựng liệu IHMv đối tượng người Việt Nam đạt mục tiêu đề Các kết nghiên cứu công bố công nhận hội nghị tạp chí nước quốc tế 24 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 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 Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Mạnh Hùng, Nguyễn Duy Tùng, Nguyễn Đức Thuận (2014) “Thiết kế hệ thống hỗ trợ tập luyện bậc tự đo đạc thông số chuyển động ứng dụng cho phục hồi chức khớp khuỷu tay” Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (REV-ECIT2014),18-19/9/2014, pp153-157 Lại Hữu Phương Trung, Vũ Duy Hải, Phạm Mạnh Hùng, Phạm Phúc Ngọc, Nguyễn Đức Thuận, Phạm Văn Bình (2015) “Một phương pháp đồng liệu điện não đồ với kiện vận động để trích xuất thông tin hữu ích” Tạp chí Y học thực hành Bộ Y tế ISSN 1859 – 1663 Số 960, pp4147 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 Trường Đại học Kỹ thuật ISSN 2354-1083 109 pp43-48 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 trường Đại Học Kỹ thuật ISSN 2354-1083 [Vol 112 – chấp nhận đăng] [...]... 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... 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... 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 10 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,... 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... 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... 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... 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: 12 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... 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... 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 11 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... 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: C 3 , C 3 , C 3 , C 4 , C 4 , C 4 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