Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)

Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (Luận án tiến sĩ)

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

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 – 2016

LỜI 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 Ngọc

LỜI 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 EEG&Arm 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 Ngọc

i

MỤC LỤC

Trang

CHƯƠNG 1 HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ

HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG

CỦA

NGƯỜI………

… 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

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……… ……46

CHƯƠNG 2 PHÁT TRIỂN BỘ ĐẶC TRƯNG 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 động/tưởng 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

CHƯƠNG 3 PHƯƠNG 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……… ……99

iii

3.5 Kết luận chương……… … 104

CHƯƠNG 4 XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI

TƯỢNG NGƯỜI VIỆT NAM……… … 105

4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động

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

mới………

….127

2 Hướng nghiên cứu tiếp……… ….129

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……… … 131 TÀI LIỆU THAM KHẢO……… … 132

1………

….143

PHỤ LỤC 2……… ….153 PHỤ LỤC 3……… ….157

4………

… 170

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 Event-Related

Desynchronization

Khử đồng bộ liên quan đến sự kiện

ERP Event – Related Potential Điện thế liên quan đến sự kiện ERS Event-related Synchronization Đồng bộ liên quan đến sự kiện ERSP Event-related spectral Phổ năng lượng hỗn loạn liên

v

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

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 Movement-Related Cortical

NN Neural Network Mạng nơ ron

PLV Phase Lock Value Giá trị khóa pha

RBF Radial basis function Hàm RBF

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 sung

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 packet-based

independent component analysis

Phân tích thành phần độc lập dựa trên biến đổi wavelet

ZC Zero Crossings Tỷ lệ cắt không

vii

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)

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 11Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong

ix

động tay và chân phải tưởng tượng

Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20 29Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông

dải 1Hz-40Hz

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

tuân theo chuẩn 10/20

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

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 10-20 107 Hình 4.3 Ký hiệu của chuấn quốc tế 10-20 107 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

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

113

xi

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 10/20

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 (1-40Hz)(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 125

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 bị

2

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 dựng

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 nước

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 bằng

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 án

- 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

Luận văn đầy đủ ở file: Luận văn full