Đang tải... (xem toàn văn)
Luận văn này giải quyết vấn đề dự báo th ời điểm chuẩn bị xảy ra cơn động kinh. Bệnh động kinh xảy ra trên 1% dân số thế giới, đặc trưng bởi những cơn động kinh tự phát. Một trong những cách ngăn ng ừa động kinh là tiêm thuốc liều cao, kéo theo phản ứng phụ không mong muốn.
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ HOÀNG ANH PHÁT HIỆN BẤT THƯỜNG BẰNG PHÂN TÍCH TEN-XƠ ĐỂ NHẬN BIẾT XUNG ĐỘNG KINH TRONG DỮ LIỆU ĐIỆN NÃO Ngành: Công nghệ thông tin Chuyên ngành: Hệ thống thơng tin Mã số: 8480104.01 TĨM TẮT LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội – 10/2018 CHƯƠNG TỔNG QUAN VỀ LUẬN VĂN Chương trình bày ngữ cảnh đề tài vai trị, vị trí đề tài ứng dụng sống Ngày nay, thời đại công nghệ 4.0, việc áp dụng tiến khoa học cơng nghệ vào chuẩn đốn y sinh nghiên cứu thực hàng ngày Một số phải kể đến xét nghiệm chuẩn đốn bệnh động kinh thơng qua phân tích liệu EEG Dữ liệu từ cảm biến thu lớn dần theo thời gian biến thiên theo cách mà mắt thường khó nhận Luận văn giải vấn đề dự báo thời điểm chuẩn bị xảy động kinh Bệnh động kinh xảy 1% dân số giới, đặc trưng động kinh tự phát Một cách ngăn ngừa động kinh tiêm thuốc liều cao, kéo theo phản ứng phụ không mong muốn Bên cạnh đó, việc sử dụng thuốc hay phẫu thuật đơi khơng có hiệu quả, khiến người bệnh ln tình trạng lo lắng động kinh kéo đến lúc Việc xây dựng hệ thống dự báo động kinh xảy giúp cho bệnh nhân có sống bình thường Nhờ đó, họ biết mà tránh hoạt động dễ gây nguy hiểm lái xe, bơi lội hay sử dụng thuốc cần thiết Mơ hình tốn xây dựng sau: Dữ liệu EEG Ma trận hệ số Tensor Xây dựng tensor Phân tích tensor Phát bất thường Biểu diễn đồ thị bất thường Hình 1.1 Mơ hình toán phát xung động kinh liệu EEG Luận văn trình bày năm chương Chương tập trung giới thiệu bất thường EEG, phương pháp phát bất thường phân tích ten-xơ Chương giới thiệu khái niệm ten-xơ, thuật tốn HOSVD biến đổi sóng liên tục phát bất thường Chương giải thích bước trình phát xung động kinh sử dụng HOSVD Chương trình bày chi tiết tập liệu sử dụng nghiên cứu kết thuật toán Cuối cùng, Chương thảo luận khía cạnh, ưu nhược điểm việc áp dụng thuật tốn HOSVD mơ hình huấn luyện khác vào việc phát bất thường liệu EEG đưa kết luận CHƯƠNG NGHIÊN CỨU CƠ SỞ 2.1 Các khái niệm ten-xơ Phần 2.1 trình bày khái niệm liên quan đến ten-xơ Ten-xơ mảng N chiều N hướng, phần tử nằm N không gian với tọa độ xác định Phần tử thứ i vector a , phần tử thứ (i,j) ma trận A , phần tử thứ (i,j,k) ten-xơ ba chiều Ten-xơ chiều vector, ký hiệu a, ten-xơ hai chiều ma trận, ký hiệu A, ten-xơ ba nhiều chiều (ba chiều hơn) ký hiệu Lát cắt ma trận hai chiều ten-xơ có chiều cố định, định nghĩa hai số Chế độ cách xếp vector ten-xơ Chuẩn hóa ten-xơ ∈ℝ × × chuẩn Frobenius Bậc ten-xơ bậc khơng gian sinh ten-xơ Ma trân hóa ten-xơ làm phẳng ten-xơ xếp phần tử mảng N chiều thành ma trận Việc ma trận hóa ten-xơ cho phép khai thác thành phần xác định đại số tuyến tính cho vector ma trận, xử lý ten-xơ thuận tiện Nhân ten-xơ với phức tạp so với nhân ma trận 3 2.2 Phân tích ten-xơ Phần 2.2 trình bày phương pháp phân tích ten-xơ HOSVD CHƯƠNG HỆ THỐNG PHÁT HIỆN XUNG ĐỘNG KINH SỬ DỤNG HOSVD Chương trình bày việc sử dụng thuật toán HOSVD phát xung động kinh 3.1 Biểu diễn liệu EEG Phần 3.1 trình bày việc sử dụng biến đổi wavelet tín hiệu để tạo thành liệu dạng ten-xơ 3.2 Trích chọn vector đặc trưng Phần 3.2.1 trình bày q trình sử dụng phương pháp chiếu khơng gian gốc để trích chọn vector đặc trưng ten-xơ Phần 3.2.2 trình bày cách xác định hạng ten-xơ xung động kinh phân tích SVD với khoảng cách eigengap độ đo variance 3.3 Phân loại Phần 3.3 giới thiệu hai phân loại cổ điển SVM KNN phục vụ trình phát xung động kinh nghiên cứu CHƯƠNG THỰC NGHIỆM VÀ KẾT QUẢ Chương trình bày chi tiết tập liệu q trình đánh giá thuật tốn kết thu 4.1 Tập liệu Phần 4.1 mô tả tập liệu EEG tổ chức Kaggle cơng bố Từ đó, q trình biến đổi liệu tạo liệu phục vụ huấn luyện kiểm thử trình bày khái quát 4 4.2 Đánh giá thuật tốn Phần 4.2 trình bày việc sử dụng phương pháp cross-validation phép đo Sensitivity, Accuracy, Specificity, diện tích AUC đồ thị ROC trình huấn luyện kiểm thử 4.3 Kết Phần 4.3 trình bày chi tiết trình giảm tần số lấy mẫu, biến đổi liệu, so sánh vector đặc trưng thời điểm có xung động kinh thời điểm khơng có xung động kinh Từ đưa bảng thống kê kết năm lần kiểm thử đường cong ROC biểu diễn hiệu mơ hình việc dự đốn thời điểm xảy xung động kinh Ngoài ra, phần đưa kết so sánh mơ hình huấn luyện SVM với mơ hình K-means, phương pháp phân tích ten-xơ HOSVD với CP 4.4 Kết luận Phần 4.4 tổng kết kết mà luận văn làm Từ đó, phần 4.4 đưa hướng nghiên cứu từ đề tài 5 TÀI LIỆU THAM KHẢO (2018) “Epilepsy”, Availabe http://www.who.int/news-room/fact-sheets/detail/epilepsy B Arindam, C Varun and K Vipin (2009), “Anomaly detection: A survey”, ACM Computing Surveys, 31(3), pp 1-72 M Ahmed, N Amal and S Osman (2014), “Epileptic seizure detection from EEG signal using discrete wavelet transform and ant colony classifier”, IEEE ICC’ 14, pp 3529-2534 N.T.A Dao, N.L Trung, L.V Nguyen, T.D Tan, N.T.H Anh and B Boashash (2018), “A multistage system for automatic detection of epileptic spikes”, Rev Journal on Electronics and Communications, 8(12) K Rahul, “Artifacts in EEG - Recognition and differentiation”, Availabe https://www.slideshare.net/drrahulkumarsingh/artifacts-in-eegrecognition-and-differentiation T.N Alotaiby, S.A Alshebeili, T Alshawi, I Ahmad and F.E.A ElSamie (2014), “EEG seizure detection and prediction algorithms: a survey”, EURASIP Journal on Advances in Signal Processing, 1(183) A Subasi and M.I Gursoy (2010), “EEG signal classification using PCA, ICA, LDA and support vector machines”, Expert Systems with Applications, 37, pp 8659-8666 S Raghunathan, A Jaitli and PP Irazoqui (2011), “Multistage seizure detection techniques optimized for low-power hardware platforms”, Epilepsy & Behavior, 22, pp 61-68 R.J Oweis and E.W Abdulhay (2011), “Seizure classification in EEG signals utilizing Hilbert-Huang transform”, BioMedical Engineering OnLine, 10 6 10 F Hadi, G Joao (2016), “Tensor-based anomaly detection: An interdisciplinary survey”, Knowledge-Based Systems (2016), 0, pp 1-28 11 N.D Sidiropoulos, L.D Lathauwer, X Fu, K Huang and E.E Papalexakis (2017), “Tensor decomposition for signal processing and machine learning”, IEEE Transactions on Signal Processing, 65(13), pp 3551-3582 12 E Acar, C Aykut-Bingol, H Bingol, R Bro and B Yener (2007), “Multiway analysis of epilepsy tensors”, Bioinformatics, 23(13), pp i10i18 13 M.D Vos, A Vergult, L.D Lathauwer, W.D Clercq, S.V Huffel, P Dupont, A Palmini and W.V Paesschen (2007), “Canonical decomposition of ictal scalp EEG reliably detects the seizure onset zone”, NeuroImage, 37(3), pp 844-854 14 W Deburchgraeve, P.J Cherian, M.D Vos, R.M Swarte, J.H Blok, G.H Visser, P Govaert and S.V Huffel (2009), “Neonatal seizure localization using PARAFAC decomposition”, Clinical Neurophysiology, 120, pp 1787-1796 15 N.T.A Dao, L.T Thanh, N.L Trung and L.V Ha (2018), “Nonnegative ten-sor decomposition for EEG epileptic spike detection”, 5th NAFOSTED Conference on Information and Computer Science (NICS), IEEE 16 G Kolda and W Brett (2009), “Tensor decompositions and applications”, SIAM Review, 51(3), pp 455-500 17 M Latka, Z Was, A Kozik and B.J West (2003), “Wavelet analysis of epileptic spikes”, Physical Review E, 67(5) 18 American Epilepsy Society (2015), “Predict seizures in intracranial EEG recordings”, Availabe https://www.kaggle.com/c/seizure-prediction 19 J Zahra and K.S Hemant (2010), “Detection and classification of EEG waves”, Oriental Journal of Computer Science & Technology, 3(1), pp 207-213 20 A Evrim (2007), “Multiway analysis of epilepsy tensor”, Bioinformatics, 23, pp 10-18 ... xây dựng sau: Dữ liệu EEG Ma trận hệ số Tensor Xây dựng tensor Phân tích tensor Phát bất thường Biểu diễn đồ thị bất thường Hình 1.1 Mơ hình toán phát xung động kinh liệu EEG Luận văn trình bày... 2.2 Phân tích ten-xơ Phần 2.2 trình bày phương pháp phân tích ten-xơ HOSVD CHƯƠNG HỆ THỐNG PHÁT HIỆN XUNG ĐỘNG KINH SỬ DỤNG HOSVD Chương trình bày việc sử dụng thuật toán HOSVD phát xung động kinh. .. bệnh động kinh thơng qua phân tích liệu EEG Dữ liệu từ cảm biến thu lớn dần theo thời gian biến thiên theo cách mà mắt thường khó nhận Luận văn giải vấn đề dự báo thời điểm chuẩn bị xảy động kinh