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

Đề xuất đặc trưng định lượng tín hiệu IHMv nhằm nâng cao độ xác phân loại cho hệ thống định phân loại ba phân lớp IHMv Trong đó, 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 bao gồm: kênh đo C3 C4 khu vực vỏ não vận động Bộ đặc trưng bao gồm thuộc tính Feaij với i = {RMS, WL, MMAV, SSI, ZC, SSC, WAMP, LogEn, ShanEn, HjAct, HjMobi} j = {cD3, cD4, cD5} Trong j hệ số chi tiết biến đổi wavelet tương ứng với ba băng tần alpha, beta, theta Kết thử nghiệm liệu mẫu Physionet cho thấy khả phân biệt ba phân lớp IHMv đặc trưng với độ tin cậy 95% Bộ đặc trưng bao gồm 62 thuộc tính luận án lựa chọn đề xuất sử dụng để xây dựng vector đặc trưng tín hiệu IHMv dựa phương pháp kiểm định phương sai ANOVA theo số F p Phương pháp lựa chọn giúp xác định đặc trưng có khả phân biệt mang tính thống kê ba trạng thái IHMv với độ tin cậy cao Kết đƣợc công bố báo (4) - Đề xuất phương pháp phân loại phân lớp IHMv bao gồm: Tưởng tượng chuyển động tưởng tượng tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) trạng thái nghỉ (Re_IHMv) Trong phần này, luận 131 án sử dụng đặc trưng đề xuất để xây dựng vector đặc trưng cho mô hình phân loại Để tăng số lượng đầu trạng thái IHMv, luận án đề xuất mô hình phân loại cải tiến dựa SVM cấu trúc hai tầng phân loại nhị phân nối tiếp Mô hình thiết kế đơn giản, phù hợp với toán phân loại ba phân lớp IHMv Kết mô liệu mẫu cho thấy mô hình phân loại đề xuất 3IHMv_SVM2 cho kết phân loại tốt đảm bảo tính đơn giản tăng số lượng phân lớp đầu Kết đƣợc công bố công trình (5) - Xây dựng tập liệu điện não EEG liên quan đến tưởng tượng vận động chi vận động thật đối tượng người Việt Nam Từ nghiên cứu tín hiệu IHMv quy trình tạo tập liệu điện não EEG quan đến vận động chi trên, luận án thực xây dựng sở liệu tín hiệu điện não liên quan đến vận động thực đối tượng đo người Việt Nam có độ tuổi (20 - 32), tỷ lệ nam/nữ 50/50 có tình trạng sức khỏe tốt điều kiện đo môi trường phòng thí nghiệm Việt Nam Mỗi đối tượng đo đo điện não theo kịch thiết kế trước với trạng thái thư giãn, trạng thái có tưởng tượng vận động chi trạng thái vận động thật chi Trong số lượng mẫu IHMv tập liệu 870 mẫu bao gồm: 240 mẫu tưởng tượng vận động tay trái, 210 mẫu tưởng tượng vận động tay phải 420 mẫu nghỉ Bộ liệu biên điều kiện đo cung cấp miễn phí địa https://drive.google.com/drive/folders/0B2BjD1RM3w9GTEhqZFlUWXZ TWjA để phục vụ nghiên cứu đào tạo Kết thực nghiệm mô hình phân loại đề xuất sở liệu tự thiết kế thực thành công cho độ xác phân loại Điều cho thấy tính khả thi mô hình phân loại đề xuất liệu tự thiết kế đồng thời cho thấy độ tin cậy liệu Bộ sở liệu tác giả xây dựng đối tượng người Việt nam đóng góp 132 chung vào sở liệu chung giới sở để nhà nghiên cứu sử dụng thực nghiên cứu liên quan hệ thống điều khiển vận động não người Việt - Xây dựng ứng dụng tạo định phân lớp IHMv theo mô hình phân loại đề xuất Mô hình phân loại huấn luyện sở liệu mẫu liệu tự thiết kế Trong ứng dụng này, với tín hiệu đầu vào đoạn IHMv khác đầu hệ thống trả kết phân lớp tưởng tượng vận động chi tương ứng với đầu vào Kết hệ thống thực nghiệm thành công liệu mẫu liệu thực tế đo phòng thí nghiệm Hệ thống phân loại tự động tín hiệu tưởng tượng vận động chi giúp tiếp cận gần với mô hình hỗ trợ vận động thiết bị ngoại vi dựa trình điều khiển vận động sóng não Luận án đưa số kiến nghị vấn đề lựa chọn kênh đo, tiền xử lý lọc pha không, lọc không gian Laplacian, 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 Luận án đạt mục tiêu đề luận án: (1) xây dựng đặc trưng định lượng tín hiệu IHMv, (2) phương pháp phân loại ba phân lớp IHMv mới, (3) Xây dựng liệu liên quan đến tưởng tượng vận động người Việt Nam Các kết nghiên cứu công bố công nhận hội nghị tạp chí nước quốc tế Hƣớng nghiên cứu tiếp Trong hướng nghiên cứu tiếp theo, luận án tiếp tục nghiên cứu thuộc tính khác để cải thiện độ phân biệt trạng thái điều khiển vận động khác tính khái quát đặc trưng với nhiều đối tượng khác Tối ưu phương pháp lựa chọn đặc trưng để giảm thuộc tính không cần thiết 133 - Nghiên cứu mô hình phân loại cải thiện tốc độ phân loại phục vụ ứng dụng online - Nghiên cứu phương pháp phân tách đoạn tín hiệu điện não liên quan đến vận động ứng dụng thời gian thực - Thu thập nhiều tập mẫu thí nghiệm liên quan đến vận động người Việt để phục vụ cộng đồng công tác nghiên cứu 134 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ 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 (REVECIT2014),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, pp41-47 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] 135 TÀI LIỆU THAM KHẢO [1] Wikimedia Foundation, Inc (2015, May 22) Wikipedia ( Wikimedia Foundation, Inc.) Retrieved May 14, 2015, from [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: [3] A Phinyomark, C L (2009) A novel feature extraction for robust EMG pattern recognition Journal of Computing, 1(1), 71–80 [4] A Phinyomark, C L (2011) Application of wavelet analysis in EMG feature extraction for pattern classification Meas Sci Rev., 11(2), 45– 52 doi: [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 [6] A.S Gevins, A R (1987) Handbook of electroencephalography and clinical neurophysiology, Methods of analysis of brain electrical and magnetic signals Amsterdam: Elsevier [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 [8] AL Goldberger, L A.-K (2000) PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals Circulation, 101(23), 215-220 [9] Alpaydin, E (2009) Introduction to Machine Learning Massachusetts: MIT Press [10] Ana Loboda, A M (2014) Discrimination of EEG-Based Motor Imagery Tasks by Means of a Simple Phase Information Method (IJARAI) International Journal of Advanced Research in Artificial Intelligence, 3(10), 11-15 [11] Andrea Kubler, B K (2001) Brain - Computer Communication: Unlocking the Locked in Psychological Bullentin, 127(3), 358-375 136 [12] Anne Kleppa, V N.-R (2015) Language–motor interference reflected in MEG beta oscillations NeuroImage, 109, 438–448 [13] B, V A (2004) Motor imagery task classification for brain computer interface applications using spatiotemporal principle component analysis Neurol Res, 26, 282–7 [14] B Blankertz, R T (2008) Optimizing spatial filters for robust EEG SingleTrial Analysis IEEE Signal Proc Mag, 25(1), 41–56 [15] Babiloni, F e (1995) Performances of surface Laplacian estimators: a study of simulated and real scalp potential distributions Brain Topogr, 8(1), 35-45 [16] Bao-Gou Xu, A.-g S (2008) Pattern recognition of motor imagery EEG using wavelet transform J Biomedical Science and Engineering , 1, 6467 [17] Boldrey, P (1937) Somatic motor and sensory representation in the cerebral cortex of man as studied by electrical stimulation Brain, 103, 389-443 [18] Brouziyne, M M (2005) Mental imagery combined with physical practice of approach shots for golf beginners Percept Mot Skills, 101, 203–211 [19] Buch, E W (2008) Think to move: a neuromagnetic brain-computer interface (BCI) system for chronic stroke Stroke, 39(3), 910-917 [20] Butler, A J (2006) Mental practice with motor imagery: evidence for motor recovery and cortical reorganization after stroke Arch Phys.Med Rehabil., 87, S2–S11 [21] C Guger, G E (2003) How Many People are Able to Operate an EEGBased Brain-Computer Interface (BCI)? IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING, 11(2), 145-7 [22] C Neuper, G P (2001) Evidence for distinct beta resonance frequencies in human EEG related to specific sensorimotor cortical areas Clinical Neurophysiol, 112(11), 2084–2097 [23] C.Vigneshwari, V S (2013) Analysis of Finger Movements Using EEG Signal International Journal of Emerging Technology and Advanced Engineering, 3(1), 583-588 137 [24] Caldara R, D M (2004) Actual and mental motor preparation and execution: a spatiotemporal ERP study Exp Brain Res, 159, 389–99 [25] Cassar, T., & Camilleri, K P (2010) Three-mode Classification and Study of AR Pole Variations of Imaginary Left and Right Hand Movements Proceedings of the Biomed Austria [26] Chambers, S S (2007) EEG Signal Processing Cardiff University, UK: Centre of Digital Signal Processing [27] Chatrian GE, P M (1960) The blocking of the rolandic wicket rhythm and some central changes related to movement Electroencephalogr Clin Neurophysiol , 11, 497-510 [28] Cheng Cao, S S (2011) Application of a novel measure of EEG nonstationarity as‗Shannon entropy of the peak frequency shifting‘ for detecting residual abnormalities in concussed individuals Clin Neurophysiol, 122(7), 1314-1321 doi:doi:10.1016/j.clinph.2010.12.042 [29] Cheolsoo Park, D L (2013) Classification of motor imagery BCI Using Multivariate Empirical Mode Decomposition IEEE Transactions on Neural Systems and Rehabilitation Engineering, 21(1), 10-22 [30] Clarke, B R (2008) Linear Models: The Theory and Application of Analysis of Variance Wiley Library [31] D J McFarland, A T (1997) Design and operation of an EEG-based brain-computer interface with digital signal processing technology Behav Res Meth Instr Comp., 29, 337–345 [32] Davare, M D (2007) Role of the ipsilateral primary motor cortex in controlling the timing of hand muscle recruitment Cerebral Cortex, 17, 353–362 [33] De Vries, S T (2011) Recovery of motor imagery ability in stroke patients Rehabil Res Pract doi: [34] Dechent, P M (2004) Is the human primary motor cortex involved in motor imagery? Brain Res Cogn Brain Res., 19, 138–144 [35] Dennis J McFarland*, L M (1997) Spatial filter selection for EEGbased communication Electroencephalography and clinical Neurophysiology , 103, 386-394 [36] Elisabeth C.W Van Straaten, C J (2013) Structure out of chaos: Functional brain network analysis with EEG, MEG, and functional MRI 138 European Neuropsychopharmacology, 23(1), 7–18 [37] F Pichiorri, F D (2011) Sensorimotor rhythm-based brain–computer interface training: the impact on motor cortical responsiveness Journal of neural engineering, 8, 1-9 [38] G Pfurtscheller, C N (2001) Motor imagery and direct brain– computer communication Neural Engineering: Merging Engineering and Neuroscience, Proc IEEE (Special Issue), 89(7), 1123-1134 [39] G., P (2003) Induced oscillations in the alpha band: functional meaning Epilepsia, 44, 2–8 [40] Gaggioli, A M.-t (2005) The virtual reality mirror: mental practice with augmented reality for post-stroke rehabilitation Annu Rev Cyber Ther Telemed., 3, 199–205 [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: [42] George Townsend, B G (2004) Continuous EEG Classification During Motor Imagery—Simulation of an Asynchronous BCI IEEE Transactions on neural systems and rehabilitation engineering, 12(2), 258-265 [43] Gernot R Muller-Putz, V K.-E (2010) Fast set-up asynchronous brainswitch based on detection of foot motor imagery in 1-channel EEG Med Biol Eng Comput, 48, 229–233 [44] Gomez-Rodriguez, M P.-W (2011) Closing the sensorimotor loop: haptic feedback facilitates decoding of motor imagery J Neural Eng., doi: [45] Guide, S (n.d.) https://statistics.laerd.com/statistical-guides/one-wayanova-statistical-guide-2.php [46] Guillot, A C (2008) Functional neuroanatomical networks associated with expertise in motor imagery Neuro image, 41, 1471–1483 [47] H.L Atwood, W M (1989) Essentials of neurophysiology Hamilton, Canada: B.C Decker [48] Hayashi, M J (2008) Hemispheric asymmetry of frequency-dependent suppression in the ipsilateral primary motor cortex during finger movement: A functional magnetic resonance imaging study Cerebral 139 Cortex, 18, 2932–2940 [49] Hogan, N K (2011) Physically interactive robotic technology for neuromotor rehabilitation Prog Brain Res, 192, 59-68 doi: [50] (2015) Bài giảng cấu tạo não [51] ban-cau-dai-nao.htm (n.d.) [52] Huang D, L P.-Y (2009) Decoding human motor activity from EEG single trials for a discrete two-dimensional cursor control Journal of Neural Engineering, [53] Huang, D K.-Y (2011) Event-related desynchronization/ synchronization-based brain-computer interface towards volitional cursor control in a 2D center-out paradigm Computational Intelligence, Cognitive Algorithms, Mind, and Brain (CCMB), 2011 IEEE Symposium on, (pp - 8) Paris [54] Ietswaart, M J (2011) Mental practice with motor imagery in stroke recovery: randomized controlled trial of efficacy controlled trial of efficacy., 134, 1373–1386 doi: [55] Igor Brauns, S T.-C.-P.-C (2014) Changes in the theta band coherence during motor task after hand immobilization Int Arch Med [56] Ince, N G (2009) Adapting subject specific motor imagery EEG patterns in space–time–frequency for a brain computer interface Biomed + E05: Nắm mở tay trái/phải + E06: Tưởng tượng nắm mở tay trái/phải Hệ thống máy đo BITMED eXea ULTRA Số lượng kênh đo 19 kênh Tần số lấy mẫu 250Hz Biên đầy đủ 12 đối tượng thí nghiệm đăng địa chỉ: https://drive.google.com/drive/u/0/folders/0B2BjD1RM3w9GTEhqZFlUWXZTWj A 157 BIÊN BẢN THÍ NGHIỆM ĐO EEG P001 Ngày 25/09/2014 I Đối tƣợng thí nghiệm ID Chiều cao (cm) Cân nặng (kg) Tình trạng sức khoẻ Thị lực Tay thuận Kích thƣớc hộp sọ (cm) Trán-chẩm dái tai P001 167 54 Sử dụng thuốc đau đầu trước thí nghiệm ngày Cận diop mắt Phải 38 46 II Môi trƣờng thí nghiệm  Địa điểm: Phòng 414 – C9  Thời gian thực hiện: Từ 15h45 đến 16h35  Thiết bị: máy eXea ULTRA BITMED Tây Ban Nha phần mềm XGPLab v 2.32b III Tiến trình thí nghiệm đo EEG  Ghi chú: - Tần số lấy mẫu 250 Hz - Kênh Pz, F3 có màu xanh (trở kháng tốt) lại không đo tín hiệu (tín hiệu yếu mức bình thường) Thí nghiệm 1: Nhắm mắt thư giãn Thời gian Ghi Filename(.txt, xgp) Chuẩn bị: 7.0 s Pz, F3 tín P001E01.txt Môi trƣờng Mô tả Tiếng ồn Ít Cường độ sáng Trung bình Nhiệt độ 32oC 158 Thí nghiệm: hiệu P001E01.XGP Thí nghiệm 2: Mở mắt thư giãn/ Nháy mắt tự Thời gian Ghi Filename(.txt,.xgp) Chuẩn bị: 8.0s Pz, F3 tín hiệu P001E02.txt P001E02.XGP Thí nghiệm: Thí nghiệm 3: Nắm-mở tay trái phải Thí nghiệm 4: Tưởng tượng nắm-mở tay trái phải Thí nghiệm 5: Nắm-mở tay trái phải Events Trạng thái Thời gian Ghi Filename (.txt,.xgp) Chuẩn bị 4s Pz, F3 tín hiệu P001E03.txt P001E03.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ Nắm-mở tay trái Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s Events Trạng thái Thời gian Ghi Filename (.txt,.xgp) Chuẩn bị 4s Pz, F3 tín hiệu P001E04.txt P001E04.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ Nắm-mở tay trái Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s 159 Thí nghiệm 6: Tưởng tượng nắm-mở tay trái phải  Thứ tự kiện liên quan đến vận động tưởng tượng nắm mở tay trái phải đoạn nghỉ (Thí nghiệm trở đi) có thứ tự theo biểu đồ đây: Events Trạng thái Thời gian Ghi Filename (.txt,.xgp) Chuẩn bị 4s Pz, F3 tín hiệu P001E05.txt P001E05.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ Nắm-mở tay trái Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s Events Trạng thái Thời gian Ghi Filename (.txt,.xgp) Chuẩn bị 4s Pz, F3 tín hiệu P001E06.txt P001E06.XGP Cue Nháy mắt 3s 1-30 15 Nghỉ Nắm-mở tay trái Nắm-mở tay phải Nghỉ 5s Vận động 2.5s 31 Nghỉ End 5s 2s 160 PHỤ LỤC MÔ TẢ KẾT QUẢ XỬ LÝ DỮ LIỆU ĐIỆN NÃO ĐỒ THU ĐƢỢC TỪ CÁC ĐỐI TƢỢNG ĐO NGƢỜI VIỆT TRÊN THIẾT BỊ BITMED EXEA ULTRA 19 KÊNH Đối tượng P004 a) Thí nghiệm P004E04 (tưởng tượng chuyển động tay) - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 161 b) Thí nghiệm P004E06 (tưởng tượng chuyển động tay) - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3, C4  Phải: C3, C4  Nghỉ: C3, C4 162 Đối tượng P005 a) Thí nghiệm P005E04 (tưởng tượng chuyển động tay) - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 163 b) Thí nghiệm P005E06 (tưởng tượng chuyển động tay) - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3, C4  Phải: C3, C4  Nghỉ: C3, C4 164 Đối tượng P007 a) Thí nghiệm P007E04 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 165 b) Thí nghiệm P007E06 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 166 c) Thí nghiệm P007E08 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s - Thuận tay trái  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 167 Đối tượng P009 a) Thí nghiệm P009E04 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 168 b) Thí nghiệm P009E06 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 169 c) Thí nghiệm P009E08 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 170 Đối tượng P011: a) Thí nghiệm P011E04 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 171 b) Thí nghiệm P011E06 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 172 c) Thí nghiệm P011E08 (tưởng tượng chuyển động tay): - Thời gian thực chuyển động: 2.5s - Thời gian nghỉ: 5s - Thời gian cắt epoch: -2 đến 5.5s  Trái: C3 C4  Phải: C3 C4  Nghỉ: C3 C4 173 PHỤ LỤC CẤU HÌNH HỆ THỐNG ĐO ĐIỆN NÃO BITMED EXEA ULTRA 19 KÊNH Nguồn Nguồn y tế tuân theo EN60601-1 Đầu vào: 100-240V, 50-60Hz, 0.8A Đầu ra: +6VDC, 5A Nguồn +6VDC, cực tính: dương, âm Nguồn Pin Thời gian nạp Pin Li-Ion sạc, 5600mAh/tối đa 9h45 phút phụ thuộc vào số kênh <4 Công suất tiêu thụ tối đa 2.5A/15W Mức độ bảo vệ IPX1 Bộ nhớ Flash, 512MB (tối đa 4G) Phân loại thiết bị ( theo UNEEN60601-1) Unit class II Các thành phần tiếp cận loại BF, không bảo vệ chống rung Kiểu sử dụng (theo UNEEN60601-1) Liên tục Các chế độ hoạt động + Residential: Lưu trữ ghi nhớ Có thể đo trở kháng phần cứng + Thời gian thực kết nối trực tiếp: Theo dõi ghi hình máy tính liệu thu Đồng thời ghi nhớ Có thể chuẩn trực đo trở kháng (phần cứng, phần mềm) Dòng vào kênh <5nA kênh Trở kháng điện cực >20MΩ Giảm nhiễu 50 Hz (lọc 50Hz) >40dB CMRR >100 dB với điện cực Neutral kết nối 174 Khử nhiễu crosstalk kênh >50dB Nhiễu đầu vào <0.5uVrms (lên đến 70Hz) Tần số lƣu trữ  EXG kênh polygraphic  Các kênh DC kênh chuyên dụng ( Độ bão hòa oxy, ánh sáng, đánh dấu kiện) Lựa chọn: 500,250,100,50,20 mẫu/giây kênh 10 mẫu/giây kênh Dải biên độ  Các kênh sinh lý thần kinh/polygraph + Độ lệch DC + Dải đầu vào (FSR) + Bit lấy mẫu + Số lượng  Các kênh DC + Dải + Độ phân giải ±400mV ±8333uV 22 bits <80nV ±5V 11 bits Bộ lọc cứng + Bộ lọc thông cao + Bộ lọc thông thấp 0.2Hz (tối đa) 220Hz (tối thiểu) Các lọc mềm (lựa chọn) Lọc thông cao: 0.2 Hz, 0.5Hz, Hz, Hz, 10Hz 175 Lọc thông thấp: 10Hz, 15Hz, 25Hz, 35Hz, 45Hz, 70Hz Giao tiếp với máy tính USB 1.1 Điều kiện môi trƣờng Khi hoạt động: Nhiệt độ môi trường: từ 00C → +400C Độ ẩm: 25% - 95% Áp suất: từ 700 đến 1060 hPa Khi lƣu giữ vận chuyển: Nhiệt độ môi trường: từ 100C → +600C Độ ẩm: 10% - 95% Áp suất: từ 500 đến 1060 hPa Kích thƣớc 232x165x42mm Trọng lƣợng khuếch đại 980g Cấu hình máy tính tối thiểu + Pentium III 500 MHz cấu hình cao với hệ thống từ 15 số kênh nhiều + 64MB RAM + 5MB ô nhớ trống tối thiểu ổ cứng (khuyến cáo 110MB) + CD-ROM + Độ phân giải hình 1024x768 + Cổng USB Cấu hình thực tế hệ thống máy tính + Intel Core Dual + Windows 32 bit + RAM 1G + 300GB + Độ phân giải hình 1366 x 768 + DVD-ROM + Cổng USB + Máy in 176 PHỤ LỤC CHƢƠNG TRÌNH PHÂN TÍCH VÀ XỬ LÝ TÍN HIỆU ĐIỆN NÃO LIÊN QUAN ĐẾN VẬN ĐỘNG Để phục vụ trình phân tích xử lý tín hiệu điện não liên quan đến vận động, tác giả xây dựng chương trình dựa Matlab GUI theo mô hình xử lý điện não đề xuất luận án để phân tích xử lý số liệu Một số chương trình sẵn có EEGLAB, OpenVibe cung cấp miễn phí thực trình phân tách kênh, tách đoạn số lọc bản, lọc nhiễu mắt nhiên việc tích hợp thuật toán để tự động hóa quy trình định lượng tín hiệu khó khăn để thực cần nhiều thời gian nắm bắt hết toàn cấu trúc lớn chương trình Bên cạnh chương trình tự xây dựng áp dụng nhiều thuật toán lên đoạn tín hiệu phục vụ nghiên cứu phân tích đồng thời lưu tệp tin theo định dạng tự thiết kế phục vụ nghiên cứu đánh giá liệu Trong luận án tác giả sử dụng thuật toán để lựa chọn tự động tối ưu giá trị C gamma đảm bảo tối thiểu hóa MSE So với chương trình thực phân loại liệu có sẵn người sử dụng cần thiết phải lựa chọn thủ công giá trị C gamma Việc lựa chọn tùy thuộc vào kinh nghiệm ứng dụng thực Công cụ phân tích liệu điện não tính toán đặc trưng IHMv [...]... EEG nghỉ Re_IHMv, 401 mẫu tín hiệu EEG chuyển động tưởng tượng tay trái và 396 mẫu tín hiệu chuyển động tưởng tượng tay phải - Các tín hiệu EEG liên quan đến tưởng tượng vận động sẽ được sắp xếp vào từng cột tương ứng với các nhóm: Column 1 = Nhóm mẫu nghỉ Column 2 = Nhóm mẫu tưởng tượng chuyển động tay phải Column 3 = Nhóm mẫu tưởng tượng chuyển động tay trái - Bảng 1 mô tả số lượng mẫu, tổng các mẫu,... TRƢNG TRÊN BỘ DỮ LIỆU MẪU PHYSIONET Phụ lục 1 mô tả bộ dữ liệu được định lượng lần lượt bằng 1 trong 62 thuộc tính trong bộ đặc trưng đề xuất và kiểm định ANOVA để đánh giá khả năng phân biệt các trạng thái của các đặc trưng Với mỗi từng thuộc tính phụ lục sẽ trình bày bao gồm: - Số lượng mẫu thu được từ bộ dữ liệu Physionet bao gồm 782 mẫu tín hiệu EEG nghỉ Re_IHMv, 401 mẫu tín hiệu EEG chuyển động tưởng. .. đo của các đối tượng đo người Việt nam được thực hiện bằng hệ thống máy đo điện não EEG máy eXea ULTRA của BITMED Tây Ban Nha Mỗi biên bản sẽ bao gồm các nội dung: 1 Thông tin cá nhân của các đối tượng tham gia thí nghiệm 2 Thông tin môi trường đo 3 Tiến trình và kịch bản từng thí nghiệm 4 Hình ảnh và video các đối tượng đo Thông tin chung về các thí nghiệm được thực hiện trên các đối tượng đo người... đo người Việt Nam Thông tin Nội dung Số lượng đối tượng tham gia thí nghiệm 12 người Mã đối tượng P001 – P012 Tỷ lệ nam/nữ 6 nam/6 nữ Tuổi 19-21 Số lượng thí nghiệm của một đối tượng 6 thí nghiệm + E01:Thư giãn nhắm mắt + E02: Thư giãn mở mắt + E03: Nắm mở tay trái/phải + E04: Tưởng tượng nắm mở tay trái/phải + E05: Nắm mở tay trái/phải + E06: Tưởng tượng nắm mở tay trái/phải Hệ thống máy đo BITMED... thí nghiệm đo EEG  Ghi chú: - Tần số lấy mẫu là 250 Hz - Kênh Pz, F3 tuy có màu xanh (trở kháng tốt) nhưng lại không đo được tín hiệu (tín hiệu yếu hơn mức bình thường) 1 Thí nghiệm 1: Nhắm mắt thư giãn Thời gian Ghi chú Filename(.txt, xgp) Chuẩn bị: 7.0 s Pz, F3 không có tín P001E01.txt Môi trƣờng Mô tả Tiếng ồn Ít Cường độ sáng Trung bình Nhiệt độ 32oC ... Gray's Anatomy Churchill Livingstone, Edinburgh: Warwick R 37th ed., 1598 pp [106] Ramos-Murguialday, A B.-C (2013) Brain–machine-interface in chronic stroke rehabilitation: a controlled study Ann Neurol doi: [107] Rojas, R (1996) The Backpropagation Algorithm In Neural Networks (pp 151-184) Berlin: Springer-Verlag [108] S.S Keerthi, C L (2003) Asymptotic behavior of support vector machines with Gaussian... tay phải Column 3 = Nhóm mẫu tưởng tượng chuyển động tay trái - Bảng 1 mô tả số lượng mẫu, tổng các mẫu, trung bình các mẫu và phương sai các mẫu của từng nhóm điện não EEG - Bảng 2 mô tả kết quả kiểm định sự khác nhau giữa các phân nhóm dựa trên việc áp dụng phương pháp kiểm định ANOVA lên 3 nhóm mẫu Khả năng phân biệt các trạng thái của đặc trưng được thể hiện qua chỉ số F > Fcrit và độ tin cậy... pháp Với số lượng mẫu của bộ dữ liệu Fcrit = 3.001434 - Đồ thị Boxplot mô tả phân bố và so sánh giữa các nhóm trạng thái - Bảng 3 mô tả chi tiết thông số của các biểu đồ hình hộp Trong đó q1 = bách phân vị 25%, q2 = bách phân vị 50%, q3 = bách phân vị 75% 147 Các thuộc tính định lƣợng đƣợc kiểm định bằng phƣơng pháp ANOVA 3 C  3 C  3 C  4C  4C  4C  RMS f1 f2 f3 f43 f44 f45 WL f4 f5 f6 f46 f47 F48... hand IM_Left hand RMS_C3_Alpha 150 + Thuộc tính 3: RMS C3 beta Rest Right left min 0 0 0 q1 0.282251 0.14041 0.187453 q2 0.45679 0.285888 0.325968 q3 0.657027 0.41033 0.497496 max 1 1 1 boxlow 0.282251 0.14041 0.187453 boxmid 0.174539 0.145478 0.138515 box hi 0.200236 0.124442 0.171528 err down 0.45679 0.285888 0.325968 err up 0.54321 0.714112 0.674032 + Thuộc tính 4: WL C3 Theta Groups Count Sum Average... trái/phải Hệ thống máy đo BITMED eXea ULTRA Số lượng kênh đo 19 kênh Tần số lấy mẫu 250Hz Biên bản đầy đủ 12 đối tượng thí nghiệm được đăng tại địa chỉ: https://drive.google.com/drive/u/0/folders/0B2BjD1RM3w9GTEhqZFlUWXZTWj A 157 BIÊN BẢN THÍ NGHIỆM ĐO EEG P001 Ngày 25/09/2014 I Đối tƣợng thí nghiệm ID Chi u cao (cm) Cân nặng (kg) Tình trạng sức khoẻ Thị lực Tay thuận Kích thƣớc hộp sọ (cm) Trán-chẩm 2 dái