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

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Phúc Ngọc XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2016BỘ 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 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS.TS. PHẠM VĂN BÌNH 2. TS. PHẠM HẢI ĐĂNG Hà Nội – 2016LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu trong luận án này là trung thực và chưa từng công bố trong bất kỳ công trình nào khác. Tập thể giáo viên hướng dẫn Tác giả Phạm Phúc NgọcLỜI CẢM ƠN Đầu tiên tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy hướng dẫn khoa học PGS.TS Phạm Văn Bình và thầy đồng hướng dẫn TS. Phạm Hải Đăng. Các thầy là người định hướng cho tôi triển khai các ý tưởng khoa học và luôn tận tình hướng dẫn tôi trong suốt thời gian thực hiện luận án. Tôi cũng xin chân thành cảm ơn các Anh, Chị, em và các bạn đồng nghiệp tại Bộ môn Công nghệ Điện tử Kỹ thuật Y sinh, Viện Điện tử Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện, định hướng và giúp đỡ để tôi hoàn thành công trình nghiên cứu này. Tôi xin cảm ơn Bộ môn Công nghệ Điện tử Kỹ thuật Y sinh, bộ môn Mạch xử lý tín hiệu Viện Điện tử Viễn thông trường Đại học Bách Khoa Hà nội, khoa Thần kinh Bệnh viện Bạch Mai đã hỗ trợ tôi về cơ sở vật chất, trang thiết bị nghiên cứu, các góp ý định hướng nghiên cứu và các kỹ thuật trong y học để tôi hoàn thành tốt công trình nghiên cứu của mình. Tôi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học, Viện Điện tử Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện cho tôi trong quá trình học tập và nghiên cứu. Tôi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EEGArm Rehabilitation đã hỗ trợ và cùng tham gia với tôi trong việc triển khai các thí nghiệm đo lường, phân tích tín hiệu điện não tại phòng thí nghiệm. Cuối cùng tôi xin chân thành cảm ơn Bố mẹ, vợ, con trai và những người thân trong gia đình luôn động viên về tinh thần, thời gian và vật chất để tôi có động lực thực hiện con đường nghiên cứu khoa học. Hà nội ngày ……. tháng …..….năm…… Tác giả Phạm Phúc Ngọci MỤC LỤC Trang MỞ ĐẦU………………………………………………………………………...…...1 . CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƢỜI……………………………………………………………….............. ..…...9 1.1 Hệ thần kinh điều khiển vận động……………………………………….....…...9 1.1.1 Các hoạt động điện của não…………………………………………. ..….12 1.1.2 Điện thế hoạt động………………………………………………....……13 1.1.3 Tạo tín hiệu EEG…………………………………………………..……14 1.1.4 Hệ thống điều khiển vận động của não…………………………….. ……18 1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động………..……25 1.2 Mô hình xử lý tín hiệu điện não IHMv…………………………………..……27 1.2.1. Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv……… ……28 1.2.2. Nâng cao tỷ số SNR của tín hiệu…………………………………..……31 1.2.2.1 Tăng cường chất lượng tín hiệu EEG dựa trên việc sử dụng các bộ lọc số có pha bằng không…………………………... …...31 1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu EEG bằng kỹ thuật lọc không gian……………………………………………... ……36 1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ……………………………………....……37 1.3 Kết luận chương………………………………………………………… ……46ii 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…...…………………………………………………………..……48 2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi wavelet…………………………………………………………………...……53 2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu điều khiển vận động IHMv……………………………………………………………………..……59 2.3 Mô tả bộ cơ sở dữ liệu vận độngtưởng tượng vận động Physionet…….... ……65 2.4 Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phương pháp phân tích phương sai một chiều ANOVA theo chỉ số F và p…………….. ……70 2.4.1 Phương pháp phân tích phương sai một chiều ANOVA…………... ……72 2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm định ANOVA theo chỉ số F và p…………………………………...……73 2.5 Kết luận chương………………………………………………………….……78 CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP IHMv……. ……80 3.1 Xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv từ bộ đặc trưng đề xuất và cấu trúc các lớp………………………………………………. ……85 3.2 Mô hình máy vector hỗ trợ nhị phân SVM……………………………………87 3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng tượng vận động tay trái, tay phải và nghỉ………………………………...……95 3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại 3IHMv_SMV2…………………………………………………………...……99iii 3.5 Kết luận chương………………………………………………………….…..104 CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM…………………………………………….....…..105 4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của người Việt Nam………………………………………………………….. ….105 4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động tưởng tượng vận động của đối tượng đo người Việt nam………………… …..106 4.1.2 Kết quả và đánh giá bộ dữ liệu…………………………………….…..114 4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận động………….. ….123 4.3 Kết luận chương………………………………………………………….…..125 KẾT LUẬN CHUNG…………………………………………………………..….127 1. Các đóng góp mới………………………………………………………... ….127 2. Hướng nghiên cứu tiếp…………………………………………………... ….129 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……………..…..131 TÀI LIỆU THAM KHẢO…………………………………………………....…..132 PHỤ LỤC 1…………………………………………………………………… ….143 PHỤ LỤC 2……………………………………………………………………….153 PHỤ LỤC 3…………………………………………………………………….….157 PHỤ LỤC 4………………………………………………………………….... …..170iv PHỤ LỤC 5………………………………………………………………….... …..173 DANH MỤC TỪ VIẾT TẮT ANOVA Analysis of Variance Phân tích phương sai AP Action Potential Điện thế hoạt động AR Autoregressive Tự động hồi quy ARMA Autoregressive Moving Avarage Tự đồng hồi quy trung bình dịch AUC Area Under ROC Curve Diện tích dưới đường ROC AVACC Average Accuracy Độ chính xác trung bình BA4 Brodmann Area 4 Khu vực Brodmann 4 BA6 Brodmann Area 6 Khu vực Brodmann 6 BCI Brain Computer Interface Giao tiếp người – máy CAR Common Average Reference Tham chiếu trung bình CNS Central Nervous System Hệ thần kinh trung ương CS_LDA Class Separability Linear Discriminant Analysis Phân chia lớp kết hợp với phân tích phân chia tuyến tính CSP Common Spatial Patterns Các thành phần không gian chung CS_SVM Class Separability Support Vector Machine Phân tích lớp kết hợp vector máy hỗ trợ DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc EEG Electroencephalogram Điện não đồ EMG Electromyography Điện cơ ERD EventRelated Desynchronization Khử đồng bộ liên quan đến sự kiện ERP Event – Related Potential Điện thế liên quan đến sự kiện ERS Eventrelated Synchronization Đồng bộ liên quan đến sự kiện ERSP Eventrelated spectral Phổ năng lượng hỗn loạn liênv perturbation quan đến sự kiện FFT Fast Fourier Transform Biến đổi Fourier nhanh FIR Finite Impulse Response Đáp ứng xung hữu hạn FMRI Functional Magnetic Resonance Imaging Cộng hưởng từ chức năng FNR False Negative Rate Tỷ lệ âm tính giả FPR False Positive Rate Tỷ lệ dương tính giả HJ_ACT Hjorths Activity Thông số Hjorths hoạt động HJ_MOBI Hjorths Mobility Thông số Hjorths linh động ICA Independent Component Analysis Phân tích thành phần độc lập ICMS Intracortical Microstimulation Vi kích thích trong hộp sọ IHMv Imagery Hand Movement Tưởng tượng vận động chi trên IPL Inferior Parietal Lobule Tiểu thùy đỉnh dưới L Left Trái Lf_IHMv Imagery Left Hand Movement Tưởng tượng vận động tay trái LOG_EN Logarithm Entropy Logarit Entropy M1 Primary Motor Cortex Vỏ não vận động chính MEMD Multivariate Empirical Mode Decomposition Phương pháp MEMD MI Mutual Information Thông tin chung MMAV Modified Mean Absolute Value Giá trị sửa đổi trung bình tuyệt đối MRCPs MovementRelated Cortical Potentials Điện thế não liên quan đến vận động MRMR Max Relevance and Min Redundancy Tối đa sự liên quan và giảm độ dư thừa MSE Mean Square Error Sai số trung bình bình phương NAMEMD Noise Assisted MEMD Kỹ thuật MEMD cộng nhiễu NN Neural Network Mạng nơ ron PLV Phase Lock Value Giá trị khóa pha RBF Radial basis function Hàm RBF Re Rest Nghỉ Re_IHMv Rest state Trạng thái nghỉ Ri Right Phải Ri_IHMv Imgary Right Hand Movement Tưởng tượng vận động tay phải RMS Root Mean Square Căn bậc hai trung bình bình phương ROC Receiver Operating Characteristic Đường cong ROC S1 Primary Somatosensory Cortex Vùng não cảm giác chính SHAN_EN Shannon Entropy Shannon Entropy SMA Supplement Motor Area Vùng não vận động bổ sungvi SNR Signal to Noise Ratio Tỷ lệ tín hiệu trên nhiễu SPL Superior Parietal Lobule Tiểu thùy đỉnh trên SSI Simple Square Integral Chỉ số năng lượng tín hiệu STFT Short Time Fourier Transform Biến đổi Fourier thời gian ngắn SVM Support Vector Machine Máy vector hỗ trợ SSC Slope Sign Change Thay đổi chiều dốc SWT Stationary Wavelet Transform Biến đổi wavelet ổn định TNR True Negative Rate Tỷ lệ âm tính thật TPR True Positive Rate Tỷ lệ dương tính thật WAMP Willison Amplitude Thuộc tính WAMP WPICA Wavelet packetbased independent component analysis Phân tích thành phần độc lập dựa trên biến đổi wavelet ZC Zero Crossings Tỷ lệ cắt khôngvii DANH MỤC BẢNG Trang Bảng 1.1 Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải 33 Bảng 2.1 Các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức SWT 59 Bảng 2.2 Tóm tắt giá trị trung bình và phương sai của các thuộc tính theo các phân lớp IHMv khác nhau 68 Bảng 2.3. Giá trị ANOVA F và p đối với từng đặc trưng băng tần α và β trên kênh C3 và C4 75 Bảng 2.4 Nhóm 62 các thuộc tính sử dụng để xây dựng vector đặc trưng phân lớp IHMv lựa chọn theo mô hình ANOVA 79 Bảng 3.1 Mô tả quyết định trạng thái phân lớp đầu ra của bộ phân loại 99 Bảng 3.2 Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3 99 Bảng 3.3 Mô tả độ chính xác phân loại của bộ phân loại 3IHMv_SVM2 100 Bảng 3.4 Độ chính xác phân loại của mô hình phân loại SVM 2 tầng với vector đặc trưng 6 thuộc tính (2 kênh x 3 băng tần) 100 Bảng 3.5 Độ chính xác phân loại giữa nonrest IHMv và Re_IHMv 102 Bảng 3.6 So sánh kết quả phân loại của các phân lớp IHMv của bộ phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương 103 Bảng 4.1 Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế 109 Bảng 4.2 Độ chính xác phân loại của mô hình đề xuất trên bộ dữ liệu tự thiết kế 123viii DANH MỤC HÌNH Trang Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và cuống não (brain stem) 10 Hình 1.2. Vị trí của Đại não chiếm phần lớn não người 10 Hình 1.3 Vị trí của tiểu não 11 Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong quá trình synap kích thích 13 Hình 1.5 Thay đổi điện thế màng thông qua việc đóng các kênh Na và mở các kênh K 14 Hình 1.6. Cấu trúc của một nơ ron 15 Hình 1.7 Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của các lớp 16 Hình 1.8 Tín hiệu điện não ghi được từ các điện cực 16 Hình 1.9 Tín hiệu điện não thu được tại các vị trí khác nhau của điện cực theo hai phương pháp lưỡng cực (a) và đơn cực (b) 17 Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ não 19 Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của Brodmann ở Người 20 Hình 1.12 Khu vực chính của vỏ não điều khiển vận động 20 Hình 1.13 Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo 22 Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động chính được mở rộng hơn 24 Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện vận 29ix động tay và chân phải tưởng tượng Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 1020 29 Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông dải 1Hz40Hz 33 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 35 Hình 1.19 Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu lọc pha không đã được đồng bộ về mặt thời gian 35 Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh. Các điện cực được sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc 37 Hình 1.21 a) Định vị các đoạn tín hiệu tương ứng với chuyển động tưởng tượng 40 Hình 1.22 Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản ghi điện não trên một kênh tín hiệu EEG 42 Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái điều khiển vận động trên kênh C3 45 Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái điều khiển vận động trên kênh C4 46 Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng các phân lớp IMHv 54 Hình 2.2 Biến đổi SWT 2 mức 58 Hình 2.3 Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực tuân theo chuẩn 1020 67 Hình 2.4 Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng đặc trưng 69 Hình 2.5 Các bước lựa chọn đặc trưng theo phân tích phương sai ANOVA 74x Hình 3.1 Mô hình phân loại ba phân lớp IHMv 81 Hình 3.2 Mô tả ma trận dữ liệu huấn luyện 87 Hình 3.3 Mô tả ma trận nhãn 87 Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM cho các mẫu thuộc hai phân lớp 88 Hình 3.5 Hàm Kernel sẽ ánh xạ các điểm từ mô hình 2D sang không gian 3D 90 Hình 3.6 Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2 tầng 3IHMv_SVM2 có sử dụng thuật toán tối ưu C và gamma 94 Hình 3.7 Kiểm tra chéo holdout được áp dụng để xây dựng bộ phân loại SVM 95 Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa trên mô hình 2 tầng SVM phi tuyến 97 Hình 3.9 Mô hình huấn luyện của tầng phân loại SVM1 97 Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2 98 Hình 4.1. Hình ảnh hệ thống 107 Hình 4.2. Mũ điện cực theo chuẩn quốc tế 1020 107 Hình 4.3. Ký hiệu của chuấn quốc tế 1020 107 Hình 4.4. Kiểm tra trở kháng tiếp xúc 108 Hình 4.5 Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi tiến hành phép đo 108 Hình 4.6 Các thông số của đối tượng đo được kiểm tra và ghi chép khi chuẩn bị phép đo 110 Hình 4.7 Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối tượng người Việt Nam bằng thiết bị Exea Ultra 111 Hình 4.8 Hướng dẫn đối tượng thực hiện chuyển động tay trái hoặc tay phải. Các mũi tên lần lượt được xuất hiện trong các thời điểm định sẵn 113xi Hình 4.9 Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này được sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình 114 Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ điện cực 19 kênh theo tiêu chuẩn 1020 116 Hình 4.11 (a) Tín hiệu điện não khi tình nguyện viên P011 được đo trên kênh C3 trước khi loại bỏ nhiễu đường biên và sau khi loại bỏ nhiễu đường biên. 118 Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng bộ lọc FIR (140Hz)(Bản ghi P011E08) 118 Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của thí nghiệm P011E08 (tưởng tượng chuyển động tay) 121 Hình 4.14 Mô hình hệ thống hỗ trợ vận động bằng sóng não 123 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 124 Hình 4.16 Khung cơ khí hoàn thiện 125 Hình 4.17 Giao diện thu nhận thông tin vận động 1251 MỞ ĐẦU Hệ thống vận động của người bao gồm các thành phần: Hệ xương, hệ cơ và hệ thần kinh. Các tổ chức cơ quan sinh lý này có nhiệm vụ tương tác với nhau để tạo ra và hỗ trợ vận động của cơ thể và các bộ phận khác. Trong đó, hệ thần kinh đóng vai trò phát ra các thông tin để điều khiển và tạo ra vận động ở người thông qua các sóng điện từ phát ra từ não bộ (gọi tắt là sóng não). Các sóng này sẽ điều khiển hệ cơ giúp con người có thể thực hiện các vận động chủ động theo ý muốn. Xét về mặt sinh lý học, não bộ của người là một tổ chức có cấu trúc phức tạp gồm hàng triệu các nơ ron thần kinh. Các nơ ron thần kinh này phát đi các xung điện và được lan truyền theo tủy sống tới điều khiển các khu vực khác nhau trong cơ thể qua hệ thống sợi trục thần kinh và các gai thần kinh. Quá trình thu nhận và xử lý các thông tin điều khiển vận động của não bộ bằng kỹ thuật đo không xâm lấn điện não đồ đa kênh EEG và tạo ra tín hiệu điều khiển vận động có nhiều ý nghĩa trong thực tiễn. Luận án tập trung nghiên cứu các tín hiệu não bộ liên quan đến điều khiển vận động. Vận động chi trên của người là một vận động quan trọng giúp con người có thể thực hiện các hoạt động cần thiết hàng ngày của con người như cầm nắm vật, vệ sinh hay mặc quần áo... Sóng não điều khiển tưởng tượng vận động chi trên (IHMv Imagery Hand Movement) là một hoạt động của não bộ khi con người tưởng tượng hoặc suy nghĩ về điều khiển vận động chi trên mà không tạo ra chuyển động thật. Việc nghiên cứu các tín hiệu này sẽ giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người. Bên cạnh đó, các thông tin này cũng sẽ giúp tạo sợi dây liên lạc mới từ não bộ tới thế giới xung quanh. Điều này rất có ý nghĩa thực tiễn khi con người có thể sử dụng các thông tin điều khiển từ não bộ để tạo ra các chuyển động cho các thiết bị ngoại vi hoặc giao tiếp với máy tính. Hơn nữa, việc phân giải được các thông tin điều khiển vận động từ sóng não còn có ý nghĩa to lớn trong y học, đặc biệt là đối với các bệnh nhân trải qua các cơn đột quỵ, hoặc các bệnh nhân mắc hội chứng khóa trong (locked in) (các bệnh nhân bị2 Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh trên và hệ thần kinh dưới nhưng khả năng tưởng tượng vận động hoặc vận động thật của các đối tượng này vẫn được duy trì 57, 13, 33. Nghiên cứu về các hoạt động tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi chức năng đối với những người bị liệt chi sau đột quỵ 54, 100, 20, 40, 19, hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng 49, 68, 82, 44, 53, 106. Như vậy có thể thấy, cần thiết phải khai thác và phân giải được các thông tin điều khiển vận động từ sóng não và tạo ra được các tín hiệu điều khiển vận động từ sóng não sẽ có vai trò trò rất lớn trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân tay giả được điều khiển bởi hệ thống thần kinh. Trong nghiên cứu của luận án, tác giả tập trung nghiên cứu về các tín hiệu tưởng tượng vận động của chi trên của người. Tuy nhiên các hệ thống phân giải sóng điện não liên quan đến tưởng tượng vận động chi trên vẫn còn tồn tại một số thách thức như vấn đề độ tin cậy, chính xác của hệ thống, thời gian thiết lập và tốc độ xử lý còn chậm, chưa đáp ứng được các ứng dụng thời gian thực. Như ta biết, sóng điện não IHMv là tín hiệu phức tạp khi phân tích và có bản chất không dừng nên khi xây dựng các hệ thống phân giải sóng điện não IHMv cần thiết phải quan tâm nghiên cứu phát triển các thuộc tính giúp đặc tả tín hiệu. Có một số phương pháp xây dựng bộ đặc trưng IHMv được phát triển để nâng cao độ chính xác phân lớp IHMv như xác định chỉ số khóa pha PLV của các cặp điện cực trên hai nửa bán cầu não 10, sử dụng sự biến thiên năng lượng và công suất của tín hiệu dựa trên quá trình suy giảm đồng bộ và tăng đồng bộ trong và trước khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) 113, 93, 76, 132, 88, 21, hoặc sử dụng mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) 25, 16, các thông số đặc tả tín hiệu trên miền thời gian tần số dựa trên biến đổi wavelet 23, 89. Trong các phương pháp tiếp cận trên, phương pháp phân tích tín hiệu trên miền thời gian tần số dựa trên biến đổi wavelet là một phương pháp tiếp cận hiệu quả do tính đơn giản, ít phép biến đổi tín hiệu và có thể áp dụng trên số kênh đo ít hơn. Do đó luận án tập trung xây dựng3 nhóm thuộc tính đặc trưng cho tín hiệu IHMv theo phương pháp phân tích tín hiệu trên miền thời gian tần số dựa trên biến đổi wavelet nhằm tăng độ chính xác và độ tin cậy của hệ thống. Để đạt được độ chính xác và xử lý nhanh phân lớp IHMv, các hệ thống ra quyết định phân loại phải kết hợp sử dụng mô hình định lượng tín hiệu vận động từ nhiều điện cực CSP 42, lọc không gian 131, ICA 75, WPICA 133 hoặc định lượng tín hiệu vận động dựa trên một số điện cực trên khu vực vỏ não vận động và kết hợp với các mô hình vector học máy CS_SVM, CS_LDA 98, 125 hoặc mạng nơron để ra quyết định phân nhóm tín hiệu. Hiện nay, đối với bài toán phân loại các nhóm IHMv, các phương pháp được đề cập ở trên đã sử dụng các mô hình phân loại với vector đặc trưng được xây dựng dữ liệu nhiều điện cực và áp dụng chủ yếu cho bài toán phân lớp hai trạng thái đầu ra (giữa tưởng tượng chuyển động tay trái và tay phải hoặc trường hợp có vận động tay và trạng thái nghỉ). Như vậy, để có thể tăng cường khả năng ứng dụng của hệ thống tạo tín hiệu điều khiển vận động từ sóng não vận động lên các hệ thống hỗ trợ vận động, luận án tập trung nghiên cứu phương pháp phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não IHMv có độ chính xác phân loại, tốc độ xử lý cao và tăng số phân lớp đầu ra. Tình hình nghiên cứu trong nƣớc Hiện nay trong nước tại các cơ sở y tế, do nhu cầu về việc khám chữa bệnh lớn nên việc sử dụng hệ thống điện não EEG chủ yếu được áp dụng trong các nghiên cứu về hệ thần kinh và chẩn đoán bệnh lý của não bộ như theo dõi các giai đoạn của giấc ngủ, tổn thương não bộ, bệnh động kinh. Các bác sỹ đầu ngành và các chuyên gia nghiên cứu về thần kinh cũng đã nhìn thấy được tiềm năng của các tín hiệu điện não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi với các bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt. Điều này cũng đòi hỏi sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các nhà khoa học kỹ thuật để triển khai mô hình hỗ trợ điều khiển vận động người bằng4 sóng não, giúp các đối tượng sử dụng hệ thống có thể thực hiện được nhiều chuyển động phức tạp bằng sóng não. Qua đó các bệnh nhân có hệ não bộ tốt vẫn hoàn toàn có thể thực hiện được các vận động phục vụ cuộc sống cá nhân và giảm gánh nặng cho gia đình và xã hội. Một số cơ sở nghiên cứu trong nước cũng đã sử dụng một số thiết bị đeo trên đầu để hỗ trợ người tàn tật điều khiển xe lăn tuy nhiên các hệ thống điện cực đo này sử dụng tín hiệu điện trên da đầu sinh ra nhờ hoạt động nháy mắt hoặc liếc mắt để điều khiển chứ chưa khai thác được các thông tin sóng não liên quan đến điều khiển vận động của não bộ. Để đẩy mạnh các hướng nghiên cứu về tín hiệu điện não liên quan đến điều khiển vận động của đối tượng người Việt nam, luận án cũng nghiên cứu các phương pháp thu nhận và phân giải các tín hiệu điện não liên quan đến vận động để có thể tạo ra một bộ cơ sở dữ liệu được thu nhận trên đối tượng là người Việt nam, phục vụ nghiên cứu và phân tích chẩn đoán. Mục đích của luận án Phát triển một phương pháp phân giải các tín hiệu tưởng tượng vận động chi trên có độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ sử dụng cho các hệ thống hỗ trợ vận động của người điều khiển bằng sóng não. Mục tiêu nghiên cứu của luận án Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại ba phân lớp tưởng tượng vận động chi trên. Xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm. Xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất. Xây dựng bộ dữ liệu điện não liên quan đến điều khiển vận động của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích. Các vấn đề cần giải quyết của luận án5 Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn đề cần giải quyết của luận án. Do tín hiệu IHMv có bản chất không dừng và có dạng phức tạp nên việc xây dựng các thuộc tính mô tả tốt tín hiệu sẽ giúp nâng cao khả năng phân giải tín hiệu. Bên cạnh đó, tín hiệu điện não được thu nhận từ hệ thống nhiều điện cực dẫn đến các hệ thống phải xử lý lượng thông tin rất lớn. Do đó luận án cần nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ thông số đặc trưng trên số lượng kênh đo ít hơn và có khả năng phân biệt các nhóm tín hiệu IHMv để có thể nâng cao độ chính xác phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não. Nghiên cứu và đề xuất phương pháp phân loại ba phân lớp IHMv bao gồm: tưởng tượng chuyển động tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv) dựa trên tín hiệu sóng não để sử dụng trong các hệ thống hỗ trợ vận động người. Để thực hiện được điều này thì kết hợp giữa nhóm các thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv là một vấn đề cần giải quyết Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến vận động người của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích. Từ các kết quả nghiên cứu phân giải các tín hiệu IHMv, luận án sẽ thực hiện xây dựng ứng dụng tự động phân loại các nhóm IHMv để tạo ra quyết định phân lớp trạng thái đầu ra, phục vụ cho các hệ thống hỗ trợ điều khiển vận động sử dụng sóng não. Phạm vi nghiên cứu Nghiên cứu chức năng điều khiển vận động của não bộ và các giải pháp kỹ thuật nâng cao chất lượng tín hiệu IHMv. Nghiên cứu các thuật toán định lượng tín hiệu IHMv và phương pháp lựa chọn bộ đặc trưng.6 Nghiên cứu phương pháp phân loại các tín hiệu IHMv. Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến vận động chi trên của đối tượng là người Việt nam khỏe mạnh. Phương pháp nghiên cứu Nghiên cứu cơ sở lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận động chi trên. Mô hình hóa phương pháp định lượng và phân loại ba phân lớp IHMv. Kiểm chứng đánh giá phương pháp phân lớp IHMv bằng thực nghiệm trên bộ dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế. Các đóng góp mới của Luận án Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv. Bộ đặc trưng mới được phát triển từ phương pháp định lượng tín hiệu trên miền thời gian tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn. Dựa trên phương pháp kiểm định ANOVA, bộ đặc trưng đề xuất đã cho thấy khả năng phân biệt ba phân lớp IHMv trên bộ dữ liệu mẫu. Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân lớp 3 trạng thái đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv. Phương pháp được đề xuất dựa trên việc xây dựng bộ phân loại theo mô hình vector học máy SVM được cấu trúc 2 tầng nối tiếp. Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy cấu trúc bộ phân loại đề xuất cho kết quả phân loại tốt với ba phân lớp IHMv. Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi trên của đối tượng người Việt Nam khỏe mạnh. Bộ dữ liệu sẽ đóng góp vào bộ dữ liệu điện não liên quan đến vận động chi trên của thế giới và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại. Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại đề xuất. Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và7 bộ dữ liệu thực tế được đo tại phòng thí nghiệm. Điều này cho thấy tính khả thi của phương pháp phân loại trên các bộ dữ liệu thực tế. Cấu trúc nội dung luận án Nội dung luận án bao gồm 4 chương. Trong đó các đóng góp khoa học của luận án thể hiện ở các nội dung đề xuất và thực hiện trong chương 2, chương 3 và chương 4. Các nội dung cụ thể như sau: Chƣơng 1: Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mô hình xử lý và phân giải tín hiệu IHMv. Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG. Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian. Chƣơng 2: Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv. Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian tần số. Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA. Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái điều khiển vận động tưởng tượng chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA. Chƣơng 3: Chương 3 đề xuất phương pháp sử dụng bộ đặc trưng định lượng để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận8 động điều khiển bằng sóng não EEG. Trong chương này, luận án nghiên cứu và đề xuất sử dụng bộ phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng đề xuất. Phần tiếp theo sẽ mô tả khả năng thực hiện của hệ thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình. Chƣơng 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến vận động chi trên của đối tượng đo là người Việt nam phục vụ phân tích và nghiên cứu. Phần đầu chương mô tả phương pháp thiết lập hệ thống đo và đối tượng đo để thu nhận tín hiệu điện não IHMv. Phần tiếp theo mô tả đóng góp về bộ dữ liệu điện não IHMv của đối tượng người Việt. Phần cuối chương trình bày kết quả mô phỏng của bộ phân loại đề xuất trên bộ dữ liệu được tạo ra và đánh giá kết quả. KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án.9 CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƢỜI Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mô hình xử lý và phân giải tín hiệu IHMv. Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG. Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian. 1.1. Hệ thần kinh điều khiển vận động Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển các cơ quan trong cơ thể. Não người là phần trên và trước nhất của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi. Não người có trọng lượng khoảng 1,5 kg 105. Trong đó, não người Việt Nam cân nặng khoảng 1400 gam và ở nam giới có trọng lượng lớn hơn nữ giới 50. Diện tích bề mặt của não khoảng 1600 cm², và dày khoảng 3 mm. Xét về mặt giải phẫu học thì bộ não người bao gồm có 3 phần chính: đại não, tiểu não, thân não; và các phần nhỏ khác gọi chung là não trung gian (Hình 1.1). Khu vực nhìn tập trung vào thùy chẩm trong khi đó khu vực cảm giác và vận động có mặt ở cả hai phía của não bộ. Có một số vị trí xác định tại vỏ não cảm giác và vận động mà chỉ có khu vực đó sẽ điều khiển một bộ phận nào đó của cơ thể. Kích thước của mỗi khu vực này thì tỷ lệ với độ chính xác cần có của cảm giác hoặc của hệ điều khiển vận động. Khu vực cảm giác từ lưỡi và tay có phân bố khá rộng trong khi khu vực cảm giác của phần giữa cơ thể và mắt phân bố hẹp hơn. Khu vực vận động của chi trên và các cơ quan phụ trách nói có phân bố rộng 101, 67.10 Hình 1.1. Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và thân não (brain stem) Đại não Trong não người, đại não là phần não phát triển mạnh nhất. Nó chiếm toàn bộ khối lượng và thể tích não bộ. Đại não gồm hai nửa trái, phải đối xứng qua rãnh liên bán cầu với ba mặt: mặt trên, mặt dưới, mặt trong. Trên bề mặt đại não có các khe, các rãnh ăn sâu vào trong chia bề mặt đại não thành các thuỳ, các hồi não. Bán cầu trái kiểm soát phần lớn chức năng của nửa phải cơ thể trong khi bán cầu phải điều khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở thân não. Hình 1.2. Vị trí của đại não chiếm phần lớn não người 50 Do đó, tổn thương ở bán cầu trái sẽ gây ra sự giảm cảm giác và vận động ở nửa phải và ngược lại. Mặt trên có 3 khe là khe Sylvius (khe bên); khe Rolando (khe giữa); khe thẳng góc ngoài (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy: thùy khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở thân não.11 trán, thùy đỉnh, thùy chẩm, thùy thái dương. Mặt trong có 3 khe: khe dưới trán, khe thẳng góc trong, khe cựa. Ba khe này chia bán cầu đại não thành 5 thùy: thùy vuông, thùy viền, thùy chêm, thùy thái dương. Mặt dưới có 2 khe là khe Bisa, khe sylvius, chia mặt dưới thành 2 thùy: thùy ổ mắt (ở phía trước) và thùy thái dương chẩm (ở phía sau). + Thùy trán: phụ trách mức độ tập trung, cảm xúc, phối hợp các chuyển động, tạo ra các chuyển động, chuyển động mắt, chuyển động cơ, các chuyển động thành kỹ năng + Thùy chẩm: Đọc và nhìn + Thùy đỉnh: Một số chức năng ngôn ngữ, đọc, nhìn, cảm nhận xúc giác + Thùy thái dương: Nghe, ghi nhớ hình ảnh, âm nhạc Tiểu Não Tiểu não là một cấu trúc lớn nằm sau cầu não và hành tuỷ, bị thùy chẩm của bán cầu đại não che khuất. Tiểu não được phát triển mạnh ở động vật có vú và chim. Tiểu não có ba thùy: một thùy giun ở giữa và hai bán cầu tiểu não ở hai bên. Bán cầu tiểu não được phát triển cùng với sự phát triển của bán cầu đại não và chỉ có ở động vật có vú. Tiểu não cũng do hai phần: chất xám và chất trắng tạo nên. Tiểu não là khu vực chịu trách nhiệm điều hòa trương lực cơ, duy trì thăng bằng và định hướng cử động và phối hợp động tác.12 Hình 1.3. Vị trí của tiểu não. Thân não Thân não gồm các cấu trúc thần kinh: hành não, cầu não, não giữa. Thân não có nhiều chức năng tự động khác nhau, như kiểm soát hô hấp, nhịp tim, huyết áp, giấc ngủ, trạng thái thức, và sự chú ý. 1.1.1 Các hoạt động điện của não Hệ thần kinh trung tâm chứa các tế bào thần kinh và tế bào thần kinh đệm (nằm giữa các nơron). Mỗi tế bào thần kinh chứa sợi trục thần kinh, đuôi gai, nhánh thần kinh và thân tế bào. Các tế bào thần kinh đáp ứng lại kích thích và truyền thông tin qua một khoảng cách dài. Tế bào thần kinh có một nhân và chứa hầu hết các trao đổi chất của tế bào, đặc biệt là liên quan đến tổng hợp protein. Protein được tạo ra trong thân tế bào sẽ được truyền đến các phần còn lại của tế bào thần kinh. Sợi trục thần kinh là một ống dài để truyền xung điện và có thể truyền vài mét trong tủy sống. Gai thần kinh để kết nối tới cả trục thần kinh hoặc gai thần kinh của các tế bào khác và nhận xung từ các tế bào thần kinh khác hoặc chuyển tiếp (relay) tín hiệu tới các tế bào thần kinh khác. Trong não người thì mỗi tế bào thần kinh được kết nối tới xấp xỉ 10.000 tế bào thần kinh khác, hầu hết thông qua kết nối gai thần kinh 104. Các hoạt động trong hệ thần kinh trung tâm (CNS) chủ yếu liên quan đến dòng tiếp hợp được truyền giữa các chỗ chuyển tiếp của trục thần kinh và nhánh thần kinh13 hoặc nhánh thần kinh với nhánh thần kinh của tế bào khác. Điện thế có cực âm và khoảng 6070mV có thể thấy được dưới lớp màng của thân tế bào. Điện thế này thay đổi với sự thay đổi của các hoạt động chuyển tiếp. Nếu một điện thế hoạt động chuyển tiếp truyền dọc sợi, và kết thúc tại một khớp thần kinh kích thích, thì một điện thế khớp thần kinh sau kích thích sẽ xảy ra ở nơron tiếp theo. Nếu hai điện thế hoạt động cùng truyền dọc cùng một sợi trong một khoảng cách ngắn thì sẽ là tổng của hai EPSP và tạo ra một điện thế hoạt động trên nơron tiếp theo. Nếu sợi trục kết thúc ở một khớp thần kinh hạn chế, sẽ xảy ra hiện tượng siêu phân cực và sẽ được thể hiện bằng một điện thế hạn chế sau chuyển tiếp. Hình 1.4. Điện thế màng tế bào thần kinh thay đổi và dòng điện trong quá trình synap kích thích được ghi bằng các vi điện cực nội tế bào. Điện thế hoạt động trong hoạt động kích thích và hạn chế tiền synap dẫn đến hoạt động EPSP và IPSP ở nơron sau synap.110 0 60 0 60 0 6014 1.1.2 Điện thế hoạt động Thông tin truyền bởi tế bào thần kinh được gọi là điện thế hoạt động AP. Các AP được tạo ra do sự trao đổi ion giữa các màng tế bào thần kinh và một AP là một sự thay đổi điện thế màng tạm thời và được truyền dọc trục thần kinh. Nó thường được bắt đầu từ thân tế bào truyền theo một hướng. Điện áp màng khử cực (trở nên dương hơn) và tạo ra đỉnh. Sau khi tạo đỉnh thì màng lại tái cực (trở nên âm hơn). Điện thế trở nên âm hơn so với điện thế nghỉ và sau đó trở lại bình thường. Điện thế hoạt động của hầu hết các tế bào kéo dài trong khoảng 510ms (Hình 1.5) Vận tốc dẫn của điện thế hoạt động nằm từ 1 đến 100 ms. Các AP thường được khởi tạo từ nhiều kiểu kích thích khác nhau: các tế bào thần kinh cảm giác đáp ứng với nhiều kiểu kích thích như hóa học, ánh sáng, điện, áp suất, sờ nắm, kéo dãn. Mặt khác, các tế bào thần kinh trong CNS (não và xương sống) chủ yếu được kích thích bởi hoạt động hóa học tại khớp thần kinh. Để hình thành một AP thì kích thích phải đạt trên mức ngưỡng. Nếu kích thích yếu thì có thể chỉ tạo ra một xáo trộn điện tử cục bộ và không đủ để tạo ra một AP có thể truyền đi được. Ngay khi kích thích có cường độ cao hơn mức ngưỡng thì điện thế hoạt động sẽ xuất hiện và di chuyển xuống các tế bào thần kinh. 0 2 4 6 8 10 +30 0 30 60 9015 Hình 1.5. Thay đổi điện thế màng do việc đóng các kênh Na và mở các kênh K Đối với người thì biên độ của AP xấp xỉ 60mV đến 10mV. Đối với tế bào thần kinh, cần ít nhất 2 mili giây trước khi xuất hiện kích thích tiếp theo. Trong thời gian này thì không có một AP nào có thể được tạo ra. Đây gọi là thời gian khó bảo. 1.1.3 Tạo tín hiệu EEG Tín hiệu điện não là dòng điện sinh ra trong quá trình kích thích các sợi nhánh thần kinh của các nơron trong vỏ não. Khi tế bào não được kích thích, dòng chuyển tiếp được tạo ra trong sợi nhánh. Dòng này tạo ra một trường từ có thể đo bằng máy điện cơ và một trường điện thứ cấp trên sọ có thể đo bằng hệ thống điện não. Sự chênh lệch về điện thế được gây nên bởi các điện thế postsynaptic từ các tế bào pyramidal tạo nên các lưỡng cực điện giữa soma (thân tế bào thần kinh) và các nhánh thần kinh apical (nhánh thần kinh). Các dòng điện não chứa hầu hết các ion Na+, K+, Ca++ và Cl – được bơm qua các kênh trong màng tế bào thần kinh theo hướng được điều khiển bởi điện thế màng 47 Như chúng ta đã biết đầu người có chứa những lớp khác nhau bao gồm: da đầu, sọ, não và nhiều lớp mỏng ở giữa. Trong đó, sọ người làm suy giảm tín hiệu xấp xỉ một trăm lần so với mô mềm. Do được đo qua nhiều lớp vật chất nên tín hiệu điện não bị suy giảm nhiều chỉ còn cỡ µV do đó nó khá nhỏ và dễ bị nhiễu can thiệp. Mặt khác, hầu hết các nhiễu được tạo ra trong não hoặc trên da đầu. Do đó chỉ có một lượng các nơron kích thích đủ lớn mới có thể tạo đủ điện thế và có thể ghi được thông qua các điện cực da đầu. Các tín hiệu điện não yếu có thể được đo không xâm lấn bởi hệ thống máy đo điện não EEG thông qua các điện cực trên da đầu. Các tín hiệu này sẽ được khuếch đại lên nhiều lần và hiển thị trên giấy ghi hoặc lưu trong bộ nhớ máy tính phục vụ nghiên cứu và chẩn đoán. Hầu hết các ứng dụng chẩn đoán và theo dõi trong y tế liên quan đến não đều được thực hiện thông việc phân tích phổ tần số và có thể quan sát được từ tín hiệu EEG16 Hình 1.6. Cấu trúc của một nơ ron Hình 1.7. Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của các lớp Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và được tạo ra bởi các dòng ion trong các nơron của não.17 Hình 1.8. Tín hiệu điện não ghi được từ các điện cực Thế mạnh của phương pháp đo điện não EEG đó là nó có thể phát hiện ra những thay đổi cỡ mili giây. Điện thế hoạt động mất xấp xỉ từ 0,5 – 130 milli giây để truyền giữa các nơron nên EEG là một công cụ phù hợp. Tín hiệu EEG có độ phân giải thời gian rất tốt và thường người ta kết hợp EEG với fMRI là hệ thống có độ phân giải không gian tốt để nghiên cứu. EEG cũng có thể quyết định cường độ tương đối và vị trí của các hoạt động điện tại các khu vực giải phẫu khác nhau của não. Thông thường sóng não chia làm 4 nhóm theo phổ tần số chính: sóng beta (>13Hz), alpha (813Hz), theta (48Hz) và delta (0.54Hz). Sóng alpha (813Hz) có thể chỉ thị được trạng thái thư giãn hay thể hiện mức độ tập trung của người. Bất kỳ một sự tập trung nào cũng sẽ dẫn đến sự suy giảm trong dải alpha. Sóng µ là một sóng điện não có dải tần nằm trong dải alpha và thường liên quan đến quá trình lập kế hoạch vận động hoặc tưởng tượng vận động của người. Tuy nhiên trong khi sóng alpha thường xuất hiện tại các điện cực khu vực chẩm thì sóng µ không phụ thuộc vào quá trình nhìn và thường xuất hiện tại các điện cực trên vùng vỏ não vận động 11. 2 4 6 8 10 12 14 16 18 20 F7 O1 O2 F8 Fp2 F4 C4 P4 Fp1 F3 C3 P3 Fz Cz Pz18 Hình 1.9. Tín hiệu điện não thu được tại các vị trí khác nhau của điện cực theo hai phương pháp lưỡng cực (a) và đơn cực (b) Điện thế liên quan đến sự kiện (Evoked potentials – ERP) Các điện thế liên quan đến sự kiện là những biến đổi điện áp đáng kể do các hoạt động thần kinh gợi lên. Các điện thế gợi này được bắt đầu bởi các kích thích bên trong và bên ngoài. ERPs là phương pháp phù hợp để nghiên cứu các khía cạnh của quá trình nhận thức bình thường hoặc bất thường. Biên độ của các thành phần ERP thường nhỏ hơn so với các thành phần EEG tự phát do đó nó không dễ dàng nhận thấy từ dữ liệu điện não thô. Chúng thường phải được tách ra từ bộ các bản ghi điện não bằng cách lấy trung bình các đoạn bản ghi (epochs) của tín hiệu điện não đồng bộ thời gian với các sự kiện lặp lại của cảm giác, nhận thức và các hoạt động điều khiển vận động 6. 1.1.4 Hệ thống điều khiển vận động của não Não chứa những khu vực như khởi tạo chuyển động, cảm nhận có ý thức, phân tích, thể hiện cảm xúc và hành vi. Vùng tiểu não tổ chức các chuyển động chủ động của cơ và duy trì cân bằng. Tiểu não điều khiển các chức năng không chủ động như thở, nhịp tim, nhịp sinh học. Một trong những khu vực quan trọng có liên quan đến điều khiển các chức năng vận động đó là vỏ não điều khiển vận động. Đây chính là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý. Mỗi vùng chứa một lượng rất lớn các nơ ron thần kinh từ vỏ não tới cuống não và tủy sống. Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của Thời gian Thời gian A B V V19 bó tháp. So với các vùng khác thì vùng vận động có diện tích lớn nhất. Ngoài ra, bên cạnh vùng vận động còn có vùng tiền vận động thuộc vùng 6 thùy trán, đây là nơi xuất phát các sợi đi đến các nhân xám dưới vỏ rồi theo hệ ngoại tháp chi phối các vận động tự động. Nơron trong vỏ não vận động gửi tín hiệu theo sợi trục thần kinh hoặc gửi trực tiếp tới tủy sống và hình thành một khớp thần kinh trên tế bào thần kinh vận động (đây là tế bào thần kinh mang tín hiệu từ tủy sống tới các cơ để tạo ra chuyển động). Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ. Khi nơron trên vỏ não kích hoạt thì nó sẽ làm cơ co. Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh. Mỗi điểm trên vỏ não vận động điều khiển một cơ hoặc một nhóm nhỏ các cơ liên quan. Cách mô tả này chỉ đúng một phần. Tại khu vực vỏ não vận động có thể phát ra tín hiệu điều khiển vận động của chân, tay, bụng, vai, lưng, đầu, mắt, môi v.v. Ngoài ra để có thể thực hiện được chuyển động, một số khu vực khác cũng có những thông tin để hỗ trợ cho việc vận động đó là: Vỏ não tiền vận động, khu vực vận động bổ sung. Hình 1.10. Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ não101 Vùng vận động chính: Khu vực này về mặt giải phẫu là nơi tập trung nhiều tế bào Betz. Tế bào này truyền theo trục thần kinh xuống tủy xương tới khớp thần kinh trên mạch liên thần kinh của tủy sống (interneuron circuitry) và trực tiếp tới các tế bào thần kinh vận động alpha trên tủy20 sống có kết nối tới các cơ. Khu vực vỏ não vận động chính nằm tại vị trí BA4 theo cấu trúc của Brodmann. Khu vực này thường liên quan đến tạo ra các chuyển động hay liên quan đến đầu ra của hệ thần kinh vận động. Vùng tiền vận động: Vùng này chịu trách nhiệm một số vấn đề của điều khiển vận động như chuẩn bị cho chuyển động, cảm giác dẫn đường của chuyển động, dẫn đường không gian cho động tác. Vùng này nằm dịch lên phía trên của vỏ não vận động chính. Vùng vận động bổ sung SMA: Có nhiều đề xuất chức năng của khu vực này như tạo lập kế hoạch chuyển động, lập kế hoạch chuỗi chuyển động, cân bằng hai nửa của cơ thể (các chức năng này hiện nay vẫn là các giả thuyết). Bản đồ vận động cho thấy rằng có sự sắp xếp có trật tự của các nếp gấp não tại các khu vực điều khiển mặt, ngón tay, chân, bàn tay, cánh tay, thân, cẳng chân và bàn chân. Tuy nhiên, các bộ phận được dùng trong những nhiệm vụ đòi hỏi sự chính xác tuyệt đối và kiểm soát tốt nhất như các ngón tay, bàn tay và mặt thì có những biểu hiện không cân đối ở các khu vực vận động của vỏ não (Hình 1.11). Những sợi trục này bắt nguồn từ những nơ ron thần kinh hình chóp lớn được chỉ định trong những lớp mỏng hình chữ V có tên là Tế bào Betz sau khi họ tìm ra chúng.21 Hình 1.11. Sắp xếp các khu vực tế bào thần kinh trên vỏ não của Brodmann ở Người Hình 1.12. Khu vực chính của vỏ não điều khiển vận động Vùng vận động và cảm giác của vỏ não có các quy luật hoạt động sau đây 51: Quy luật bắt chéo: Bán cầu não bên này chi phối vận động và cảm giác của nửa thân bên kia. Quy luật ưu thế: Những cơ quan nào vận động nhiều và cảm giác tinh tế thì chiếm vùng vỏ não rộng hơn (tay, miệng...).22 Quy luật lộn ngược: Vùng vỏ não phía trên chi phối vận động và cảm giác của các bộ phận phía dưới cơ thể. Ngược lại, vùng vỏ não phía dưới chi phối các bộ phận phía trên Các nếp cuộn não đối nhau ở khu tiền trung tâm (Brodmann khu vực 4) chính là khu vực vận động chính, là khu vực có cường độ kích thích thấp nhất bắt đầu gợi ra chuyển động. Ở cường độ thấp, các tác động do kích thích có thể được biểu hiện bởi hoạt động của các nơron thần kinh gần các điện cực được nối với tủy sống trực tiếp hoặc gián tiếp thông qua một số lượng nhỏ các liên hợp thần kinh. Những phản ứng ở các cơ (ví dụ như ở tay) được ghi lại bằng bề mặt các điện cực. Điện thế hoạt động lớn và có độ chờ ngắn, phù hợp với thực tế là chúng được điều khiển bởi các sợi thần kinh vỏ nãotủy sống (Hình 1.13). Các tín hiệu điều khiển vận động tới các bó cơ và cơ quan ngoại vi từ trung tâm điều khiển vận động của não bộ sẽ di chuyển dọc các noron vận động tới phần cuối não dính với tủy sống. Tại đây hầu hết các sợi trục thần kinh của noron thần kinh vận động sẽ bắt chéo sang phía bên kia của hệ thần kinh trung ương và di chuyển xuống tủy sống theo đường dẫn bên xương sống và số còn lại di chuyển dọc xương sống theo đường dẫn trước xương sống. Các tế bào thần kinh vận động trên cuối cùng sẽ ghép khớp thần kinh với các tế bào thần kinh dưới tại điểm gốc của xương sống. Các tế bào thần kinh vận động dưới sẽ hoàn thành hành trình tới nhóm cơ mục tiêu.23 Hình 1.13. Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo A: Sự kích thích từ trường của khu vực vận động hay xương sống cổ làm cho các cơ co thắt không đau đớn. Sự kích thích của khu vực vận động trên vỏ não kích hoạt các sợi nối vỏ nãotủy sống và gây ra một phản ứng điện cơ đồ (EMG) đỗ trễ ngắn ở các cơ đối nhau. B: Các bản ghi cho thấy sự kích hoạt của các cơ cánh tay và bàn tay (bắp tay và mô cơ út) khi có kích thích lên vỏ não và xương sống cổ. Các đỉnh xuất hiện sớm hơn trong các kích thích xương sống cổ vì các xung vỏ nãotủy sống truyền đi trong một khoảng cách ngắn hơn. Điểm được đánh dấu là s là sự kích thích giả, phản lại tác dụng của các xung từ trường. Các bản đồ thực nghiệm ban đầu về sự kích thích điện trên bề mặt vỏ não đã dẫn tới ý kiến cho rằng khu vực vận động sơ cấp hoạt động như một khu tổng lớn (như một công tắc điều khiển các cơ độc lập hay những nhóm nhỏ các cơ liền kề). Tuy nhiên, nhiều nghiên cứu chi tiết hơn sử dụng các vi điện cực chèn vào sâu trong vỏ não (vi kích thích trong hộp sọ hay ICMS) để kích thích các nhóm nhỏ của các nơ ron thần kinh đầu ra, điều này chỉ ra rằng sự xem xét đơn giản trên là không24 chính xác. Trong khi kích thích yếu nhất có thể tạo ra sự co giật của các cơ độc lập, các cơ giống nhau được kích hoạt không đổi từ một vài vị trí riêng rẽ, cho thấy rằng các nơ ron thần kinh ở một vài vị trí trên vỏ não định hướng các sợi trục thần kinh tới cùng một đích. Ngoài ra, hầu như sự kích thích kích hoạt một số cơ, với những cơ hiếm khi hoạt động độc lập. Điều này được chứng thực bởi các thực nghiệm giải phẫu và sinh lý gần đây cho thấy rằng sự phân bố của các sợi trục vỏ nãotủy sống khác với phân bố các dây thần kinh vận động nhiều hơn một cơ. Thay vì một

Định dạng
Số trang	192
Dung lượng	4,2 MB

Tài liệu tham khảo	Loại	Chi tiết
[1] Wikimedia Foundation, Inc. (2015, May 22). Wikipedia. ( Wikimedia Foundation, Inc.) Retrieved May 14, 2015, from http://en.wikipedia.org/wiki/Artificial_neural_network	Link
[2] A. Phinyomark, A. N. (2012). Feature extraction and reduction of wavelet transform coefficients for EMG pattern classification. Electr. Electr. Eng., 122(6), 27–32. doi:http://dx.doi.org/10.5755/j01.eee.122.6.1816	Link
[33] De Vries, S. T. (2011). Recovery of motor imagery ability in stroke patients. Rehabil. Res. Pract. doi:http://dx.doi.org/10.1155/2011/283840[34]Dechent, P. M. (2004). Is the human primary motor cortex involved inmotor imagery? Brain Res. Cogn. Brain Res., 19, 138–144	Link
[41] Gao, Q. D. (54). Evaluation of effective connectivity of motor areas during motor imagery and execution using conditional Granger causality.Neuroimage, 1280–1288.doi:http://dx.doi.org/10.1016/j.neuroimage.2010.08.071	Link
[44] Gomez-Rodriguez, M. P.-W. (2011). Closing the sensorimotor loop: haptic feedback facilitates decoding of motor imagery. J. Neural Eng., 8.doi:http://dx.doi.org/10.1088/1741-2560/8/3/036005	Link
[45] Guide, S. (n.d.). https://statistics.laerd.com/statistical-guides/one-way-anova-statistical-guide-2.php	Link
[49] Hogan, N. K. (2011). Physically interactive robotic technology for neuromotor rehabilitation. Prog. Brain Res, 192, 59-68.doi:http://dx.doi.org/10.1016/B978-0-444-53355-5.00004-X	Link
[59] J.J. Baker, E. S. (2010). Continuous detection and decoding of dexterous finger flexions with implantable myoelectric sensors. IEEE Trans.Rehabil. Eng. Neural Syst., 18(4), 424–432.doi:http://dx.doi.org/10.1109/TNSRE.2010.2047590	Link
[65] Kaiser, V. K.-P. (2011). First steps toward a motor imagery based stroke BCI: new strategy to set up a classifier. Front. Neurosci.doi:http://dx.doi.org/10.3389/fnins.2011.00086	Link
[83] Mani Adib, E. C. (2013). Wavelet-Based Artifact Identification and Separation Technique for EEG Signals during Galvanic Vestibular Stimulation. Computational and Mathematical Methods in Medicine, 1- 13. doi:http://dx.doi.org/10.1155/2013/167069	Link
[85] MedCalc Software. (2015, June 2). MedCalc, 15.6. (MedCalc Software) Retrieved May 6, 2015, from https://www.medcalc.org/manual/roc-	Link
[106] Ramos-Murguialday, A. B.-C. (2013). Brain–machine-interface in chronic stroke rehabilitation: a controlled study. Ann. Neurol.doi:http://dx.doi.org/10.1002/ana.23879	Link
[116] Stack Exchange Inc. (2013, December 4). Stackoverflow. (Stack Exchange Inc) Retrieved April 12, 2015, from http://stackoverflow.com/questions/20331468/how-to-avoid-overfitting-in-training-data	Link
[129] Wikimedia Foundation, Inc. (2015, June 4). Wikipedia. ( Wikimedia Foundation, Inc.) Retrieved May 5, 2015, from http://en.wikipedia.org/wiki/Support_vector_machine	Link
[132] Yasunari Hashimoto, J. U. (2013). EEG-based classification of imaginary left and right foot movements using beta. Clinical Neurophysiology.doi:http://dx.doi.org/10.1016/j.clinph.2013.05.006	Link
[3] A. Phinyomark, C. L. (2009). A novel feature extraction for robust EMG pattern recognition. Journal of Computing, 1(1), 71–80	Khác
[4] A. Phinyomark, C. L. (2011). Application of wavelet analysis in EMG feature extraction for pattern classification. Meas. Sci. Rev., 11(2), 45–	Khác
[5] A.B.M. Aowlad Hossain, M. W. (2015). Left and Right Hand Movements EEG Signals Classification Using Wavelet Transform and Probabilistic Neural Network. International Journal of Electrical and Computer Engineering (IJECE), 5(1), 92-101	Khác
[6] A.S. Gevins, A. R. (1987). Handbook of electroencephalography and clinical neurophysiology, Methods of analysis of brain electrical and magnetic signals. Amsterdam: Elsevier	Khác
[7] Abdollahi F, M.-N. A. (2006). Combination of frequency bands in eeg for feature reduction in mental task classification. Conf Proc IEEE Eng Med Biol Soc, 1146-1149. doi:doi: 10.1109/iembs.2006.260229	Khác