Đang tải... (xem toàn văn)
Bài viết đề xuất huấn luyện mô hình mạng tích chập mạng nơron tích chập để nhận dạng gai động kinh và so sánh hiệu quả của mạng nơron tích chập với các giải thuật khác.
Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 So sánh mơ hình học sâu với phương pháp học tự động khác để nhận dạng gai động kinh biểu đối tượng bệnh nhân động kinh Comparison of Deep Learning Model with other Automatic Learning Models for Recognizing Spikes Expressed from Epilepsy Patients Lê Thanh Xuyến*, Nguyễn Đức Thuận Trường Đại học Bách khoa Hà Nội – Số 1, Đại Cồ Việt, Hai Bà Trưng, Hà Nội, Việt Nam Đến Tòa soạn: 10-02-2020; chấp nhận đăng: 25-09-2020 Tóm tắt Trong chẩn đốn lâm sàng bệnh động kinh liệu điện não (EEG), khả tự động phát phân loại cách xác gai động kinh hữu ích có ý nghĩa y học Bài báo giới thiệu cách tiếp cận để phát tự động gai động kinh (spike epilepsy) Hiện phân loại gai động kinh thực dựa nhiều phương pháp kết hợp mơ hình machine learning Nghiên cứu mơ hình kết hợp mà cụ thể lấy deep learning làm tập machine learning để thực phân loại gai động kinh dựa nguồn liệu chuẩn có Nghiên cứu thực mơ hình thực nghiệm với nhiều mơ hình học sâu khác để đánh giá khả ứng dụng mơ hình việc phát gai động kinh Kết thực nghiệm cho thấy mơ hình xây dựng có độ xác cao (98,8%) so với nghiên cứu khác Từ khóa: Mạng nơron tích chập (CNN), học sâu (deep learning), học máy (machine learning), gai động kinh, dạng sóng nhọn, tín hiệu điện não đồ (EEG) Abstract In the clinical diagnosis of epilepsy using EEG data, the ability to automatically detect and correctly classify epilepsy spikes is helpful and significant for medicines The article introduces a new approach for automatic detection of spike Currently, epilepsy classification has been progressed based on many combined methods of machine learning models This study investigates a new combined model that specifically takes deep learning as a subset of machine learning to perform the classification of epilepsy based on existing standard data sources The study also implements experimental models in other deep learning models to evaluate the applicability of the model in detecting epilepsy spikes Experimental results show that the proposed model has high accuracy (98.8%) compared to other studies Keywords: Convolutional Neural Network (CNN), deep learning, machine learning, spike epilepsy, pick, EEG Electroencephalogram (EEG) Đặt vấn đề* tìm đặc trưng tốt liệu cách tự động Đầu vào cho thuật toán deep learning liệu thơ Lý để deep learning trở nên vượt trội so với phương pháp truyền thống thuộc tính trích chọn cách thủ công thường xác định cách rõ ràng Việc học thuộc tính thực dễ dàng nhanh chóng hơn, linh hoạt biểu diễn thơng tin Deep learning học khơng giám sát (khơng cần liệu có nhãn sẵn, từ liệu thơ) học có giám sát (với nhãn đặc biệt positive/negative) Một não hoạt động tốt nhờ vào tín hiệu điện mà tế bào thần kinh truyền cho Tuy nhiên bệnh nhân mắc chứng động kinh, phận não có mức tín hiệu điện cao bất thường, làm gián đoạn chức thần kinh bình thường Ứng dụng phương pháp học sâu xử lý tin hiệu sinh học để hiểu rõ mối quan hệ gai (spike) co giật (seizures) [2, 3] Deep learning xứng đáng sáng tạo vượt bậc đầy tiềm lĩnh vực trí tuệ nhân tạo, hứa Deep learning lĩnh vực học máy (Machine learning) Các phương pháp học máy truyền thống (decision tree, logistic regression, naive bayes, support vector machine, ) [1] làm việc tốt nhờ có thiết kế đặc trưng, thuộc tính đầu vào người (Feature extraction) Machine learning tối ưu trọng số thuật toán để kết dự đoán cuối tốt Các phương pháp học máy triển khai dựa mô tả liệu thuộc tính mà máy tính hiểu được, địi hỏi người thiết kế phải có hiểu biết định lĩnh vực tốn đó, sau thuộc tính đưa qua thuật tốn học nhằm tối ưu trọng số mơ hình Trái ngược với phương pháp học máy truyền thống, Deep learning nỗ lực học biểu diễn tốt nhất, * Địa liên hệ: Tel: (+84) 983519599 Email: xuyen.lethanh@hust.edu.vn 21 Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 hẹn làm thay đổi cách thức hoạt động ngành y tế (phân loại mẫu xét nghiệm, ) số gai động kinh thực tế tập liệu nghiên cứu mơ tả Hình 1: Mơ hình học sâu đặc biệt mạng nơ-ron tích chập CNNs mơ hình sử dụng phổ biến cộng đồng học máy cho hiệu tốn phân loại hình ảnh [4], phân loại văn gần có nhiều nghiên cứu sử dụng mạng nơ-ron tích chập lĩnh vực tín hiệu sinh học [5] phân tích Protein Zacharaki [6], phân tích ảnh y khoa [7] Ưu điểm CNN tận dụng tính trích chọn đặc trưng lớp tích chập phân lớp huấn luyện đồng thời Ý tưởng học lúc đặc trưng phân lớp hỗ trợ với trình huấn luyện trình phân lớp tìm tham số phù hợp với véc-tơ đặc trưng tìm từ lớp tích chập ngược lại lớp tích chập điều chỉnh tham số lớp tích chập véc-tơ đặc trưng thu tuyến tính phù hợp với phân lớp lớp cuối Hình Mơ tả liệu gai động kinh bệnh nhân (đánh dấu chấm: phần đỉnh, giữa, đáy) sử dụng nghiên cứu Trong cơng trình nghiên cứu trước, việc quan trọng khơng thể thiếu lọc liệu Tín hiệu EEG gồm nhiều thành phần bên nó, phụ thuộc vào tình trạng sức khỏe bệnh nhân, điển hình nhiễu artifacts bao gồm: ECG, EOG, EMG… làm sai lệch khó phát gai động kinh mong muốn Vì thế, việc họ lọc nhiễu để loại bỏ artifacts Trong nghiên cứu này, tác giả không cần phương pháp lọc nào, dùng liệu thô (raw) để tiến hành vào q trình phân loại Vì thế, nói ưu điểm, lợi khơng cần phải tìm hiểu đặc điểm, đặc tính loại nhiễu để tiến hành loại bỏ chúng Điều giúp cho hệ thống hoạt động cách nhanh Những gai sóng nhọn thường gặp ghi EEG bênh nhân động kinh Các gai sóng có (cạnh đáy) hẹp có biên độ tương đối cao tạo cho sóng có hình dạng cao hẹp với đỉnh nhọn Sóng nhọn có đáy rộng chút so với gai giống hệt, điểm có hoạt động xảy kich phát (seizure activy) phóng điện, hoạt động điện đồng đuôi gai (dendrites) tế bào thần kinh Các tiêu chuẩn xác định phóng điện dạng động kinh: điện cao, hình thái với gai: thời gian xuất nhỏ 70ms, sóng nhọn: 70-200ms, (background) bất thường, vị trí trạng thái không giống chuyển biến sinh lý thông thường [8] Hình thái gai đa dạng phức tạp phụ thuộc vào bệnh nhân khác ghi Dạng phức hợp gai sóng (spikes and wave) gai đặc trưng có biên độ cao, chúng xuất đồng (synchronously) cân đối hai bên bệnh động kinh tồn thể hóa (generalized epilepsies) khu trú bệnh động kinh cục Khơng có định nghĩa rõ ràng gai, hình thái gai động kinh đa dạng phức tạp thay đổi theo bệnh nhân [9] Nhóm nghiên cứu qua bước tiền xử lý đề xuất liệu hình Gai động kinh có hình dạng đỉnh tín hiệu, việc tìm tất đỉnh hệ thống quan trọng để tìm gai động kinh cách xác Một giá trị mẫu so sánh với đỉnh gần nhất, giá trị mẫu lớn định nghĩa đỉnh dương, giá trị mẫu nhỏ đỉnh âm Sau chọn đỉnh đỉnh nhỏ chắn gai động kinh dược loại bỏ dựa tiêu chí ngưỡng sau: khoảng cách cặp đỉnh liền kề nhỏ hơn, khoảng cách cặp đỉnh liền kề trước sau [10] Bước xử lý giúp hệ thống nhận biết động kinh dễ dàng số lượng lớn đỉnh phát sinh từ nhiễu không mong muốn nhiễu EMG (với biên độ nhỏ) loại bỏ Một Ứng dụng mơ hình học sâu cơng trình nghiên cứu từ trước đến chủ yếu chuyên sâu để phát động kinh dựa vào xung động kinh (epileptic seizures) Trong gai động kinh xuất ghi EEG lúc bệnh nhân tỉnh táo, cơng trình nghiên cứu gai động kinh cịn Năm 2016 Johansen đồng nghiệp sử dụng kỹ thuật mạng nơ ron tích chập (CNN) để phát dạng gai đông kinh, giá trị hiệu suất AUC đạt hệ thống 0,947, nhiên nghiên cứu không đưa giá trị độ nhạy Sensitivity (SEN) Trong viết này, tác giả đề xuất huấn luyện mơ hình mạng tích chập CNN để nhận dạng gai động kinh so sánh hiệu CNN với giải thuật khác So sánh mơ hình học sâu giải tốn tìm gai động kinh Trong cơng trình nghiên cứu trước tác giả so sánh thuật tốn học máy phổ biến để tìm phương pháp tốt cho toán phát gai động kinh Bài báo tiếp tục ý tưởng cách 22 Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 tham số w b Mỗi nơ-ron lớp input tính cơng thức: thêm phương pháp CNN với nhiều ưu điểm để đánh giá lựa chọn phương pháp tối ưu Mở rộng đầu vào biểu diễn dạng đơn kênh phương pháp DBN thành đa kênh dạng ten-xơ [11, 12] CNN để tính tốn thơng số phát gai động kinh () = ( () ( ) + (1) f hàm kích hoạt phi tuyến áp dụng cho ma trận Trong kiến trúc mạng CNNs thường sử dụng hàm kích hoạt f(x) = max (0, x) chuyển toàn giá trị âm kết lấy từ lớp tích chập thành giá trị để tạo tính phi tuyến cho mơ hình gọi Relu Ngồi cịn có nhiều hàm kích hoạt khác signmod, tang hàm relu dễ cài đặt tính tốn nhanh hiệu [16] Mạng nơ-ron tích chập (CNNs) [13] mơ hình học sâu xây dựng hệ thống phân loại với độ xác cao Ý tưởng CNNs lấy cảm hứng từ khả nhận biết thị giác não người Để nhận biết hình ảnh vỏ não người có hai loại tế bào tế bào đơn giản tế bào phức tạp [14] Các tế bào đơn giản phản ứng với mẫu hình dạng vùng kích thích thị giác tế bào phức tạp tổng hợp thông tin từ tế bào đơn giản để xác định mẫu hình dạng phức tạp Khả nhận biết hình ảnh não người hệ thống xử lý hình ảnh tự nhiên đủ mạnh tự nhiên CNNs phát triển dựa ba ý tưởng chính: tính kết nối cục (Local connectivity, compositionality), tính bất biến (Location invariance) tính bất biến trình chuyển đổi cục (Invariance to local transition) [15] CNNs dạng mạng nơ-ron chuyên dụng để xử lý liệu dạng lưới chiều liệu âm thanh, liệu MGE nhiều chiều liệu hình ảnh Các lớp mạng CNN bao gồm: Lớp tích chập (Convolutional), Lớp kích hoạt phi tuyến ReLU (Rectified Linear Unit), Lớp lấy mẫu (Pooling) Lớp kết nối đầy đủ (Fullyconnected), thay đổi số lượng cách xếp để tạo mơ hình huấn luyện phù hợp cho toán Lớp lấy mẫu (Pooling) sử dụng cửa số trượt quét qua toàn ma trận liệu theo bước trượt cho trước để tiến hành lấy mẫu Các phương thức lấy phổ biến lớp Pooling MaxPooling (lấy giá trị lớn nhất), MinPooling (lấy giá trị nhỏ nhất) AveragePooling (lấy giá trị trung bình) Cơng dụng lớp Pooling dùng để giảm kích thước liệu, tầng CNNs chồng lên có lớp Pooling cuối tầng giúp cho kích thước liệu co lại giữ đặc trưng để lấy mẫu Giảm kích thước liệu giảm số lượng tham số mạng tăng tính hiệu kiểm sốt tượng học vẹt (Overfiting) Lớp kết nối đầy đủ (Fully connect layer) Lớp kết nối đầy đủ lớp giống mạng nơ-ron truyền thẳng giá trị tính tốn từ lớp trước liên kết đầy đủ vào nơ-ron lớp Tại lớp kết nối đầy đủ tiến hành phân lớp liệu cách kích hoạt hàm softmax để tính xác suất lớp đầu Lớp tích chập (Convolution) Tích chập sử dụng xử lý số tín hiệu theo ngun lý biến đổi thơng tin, áp dụng kĩ thuật vào xử lý ảnh video số Trong lớp tích chập sử dụng lọc có kích thước nhỏ với ma trận đầu vào, áp lên vùng ma trận đầu vào tiến hành tính tích chập lọc (filter) giá trị ma trận vùng cục Các filter dịch chuyển bước trượt (Stride) chạy dọc theo ma trận đầu vào quét toàn ma trận Trọng số filter ban đầu khởi tạo ngẫu nhiên học dần trình huấn luyện mơ hình Mạng học sâu cho nhận dạng gai động kinh, mạng bắt đầu với loạt tế bào thần kinh tương ứng 28x28 pixel ảnh đầu vào, 784 tế bào thần kinh, tế bào đại diện cho giá trị màu xám điểm ảnh tương ứng, từ (đối với pixel đen) đến (đối với pixel trắng), tất 784 tế bào thần kinh tạo nên lớp mạng nơ-ron Lớp cuối cùng, lớp có 10 tế bào thần kinh, tế bào đại diện cho số tương ứng từ (7-17), giá trị kích hoạt tế bào thần kinh số 0&1 Mơ hình thực nghiệm với phương pháp học sâu phân loại gai động kinh (hình 1) Lớp phi tuyến Relu (Rectified linear unit) Giả sử mạng CNNs có L lớp có lớp input lớp thứ Mạng có L ma trận trọng số w ký hiệu l∈ Mô hình phân loại đa lớp sử dụng hàm sotfmax [17], cần có hàm cho giá trị đầu vào x, thể xác suất mà rơi vào phân lớp thứ i với điều kiện: ( )× , = 1,2… W l kết nối từ lớp thứ l-1 đến lớp thứ l, phần tử thể kết nối nơ-ron thứ i lớp (l-1) đến nơ-ron thứ j lớp () l Các bias thứ (l) ký hiệu l ∈ Để thực phân lớp có kết tối ưu trình tìm ∑ ( | )=1 (2) zi = wTi x lớn xác suất rơi vào lớp thứ i cao, nghĩa cần hàm đồng biến z nhận giá trị dương âm, để đảm bảo z dương 23 Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 đồng biến ta cho exp(zi ) = ez I Sử dụng nhiều hàm sigmoid cho toán phân loại đa lớp, vậy: ∑ ( | ) ≠1 Kết mô đánh giá Mô hình thực nghiệm để đánh giá kết đưa CNN tốt phương pháp trước DBN đầu vào đa kênh hóa nhờ việc dùng lớp Convolutional đưa kết xác Đề xuất giao thức mơ hình Deep Learing cho phân loại gai động kinh ghi điện não đồ (EEG) hình (3) ta muốn đầu mạng xác suất để đầu lớp, ta sử dụng hàm kích hoạt sum-toone: softmax ( a i =∑ ) ( ∀i = 1,2 … C ) (4) Hình 3(a) gai động kinh biểu diễn gai động kinh theo thời gian Hình 3(b) gai động kinh 10 thang tỉ lệ phép biến đổi sóng con, 3D wavelet scale từ đến 10 Hình 3(c), lượng hệ số biến đổi sóng 10 thang tỉ lệ, biểu diễn giá trị hình ảnh Khi zi lớn, việc tính exp(zi) thường gặp tượng tràn số Ta khắc phục sau: ( ) ∑ ( = =∑ ( ( ) ( ) )∑ ) ( Kết chạy thử nghiệm mơ hình đưa kết so sánh hiệu suất CNN mơ hình học máy khác bảng Kết cho thấy SPE CNN có độ xác cao (98,89%) (5) ) với c số bất kỳ, thơng thường c=max(zi) Hình Mơ hình thực nghiệm với phương pháp học sâu phân loại gai động kinh (a) (b) (c) Hình Mình họa scale biến đổi sóng gai động kinh 219ms (tương đương với 56 mẫu liệu) 24 Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 dụng tham số đánh giá để kiểm tra chất lượng hệ thống phân loại tín hiệu gai động kinh Đánh giá mơ hình phân loại theo tham số sau: tính tốn độ nhạy (SEN), độ chọn lọc (SEL), độ đặc hiệu (SPE), hiệu suất hệ thống (ACC) CNN tốt Các mơ hình học máy đánh giá chi tiết Bảng Bảng Bảng so sánh hiệu suất model CNN model học khác Model SEN SPE AUC CNN 88.45% 98.89% 0.9798 DBN 87.35% 97.89% 0.9597 ANN 65.74% 91.72% 0.8918 SVM 58.64% 92.53% 0.8815 kNN 28.40% 95.42% 0.8058 Độ nhạy, tính chọn lọc, tính đặc hiệu độ xác, biện pháp thống kê điển hình học máy khoa học máy tính, tác giả sử dụng để đánh giá chất lượng hệ thống phát gai động kinh Qua hai hướng đánh giá trực quan thống kê, cho thấy mạng CNN chuyển sang mơ hình phân loại thực có khả tìm kiếm gai động kinh Bệnh động kinh nguy hiểm xác suất mắc bệnh loại bệnh tỷ lệ dân số thấp chẳng hạn 1:10000 Một người có biểu bệnh động kinh thực xét nghiệm Sau xem kết có giả định bác sĩ kết luận sai Khi có khả xảy ra: Loại I: Bản thân bệnh nhân hoàn tồn bình thường, đo EEG bác sĩ kết luận bệnh nhân bị động kinh, Loại II: Bệnh nhân bị động kinh ghi EEG khơng có bác sĩ kết luận hồn tồn bình thường Rõ ràng sai lầm loại II gây hậu lớn bệnh nhân khơng phát sớm bệnh để điều trị kịp thời dẫn đến bệnh phát triển xấu Sai lầm loại I có ảnh hưởng tới chi phí khám chữa bệnh khơng ảnh hưởng đến sức khỏe hậu nghiêm trọng Một số phương pháp xử lý tín hiệu hỗ trợ nhận biết gai động kinh kĩ thuật xử lí tín hiệu tiên tiến nhằm tăng tính khách quan độ xác mặt tín hiệu Điều cho phép biết bệnh nhân có bị động kinh hay khơng, giảm tối thiểu tình trạng cảnh báo loại II Tác giả đưa tiềm hệ thống học sâu, ứng dụng công nghệ cho toán nhận dạng gai động kinh xuất ghi EEG Có nhiều tiêu chí sử dụng để đánh giá hiệu suất hệ thống phân loại gai động kinh, tham số đánh giá sau: Accuracy (ACC), Sensitivity (SEN), Specificity (SPE), Selectivity (SEL) dùng cách phổ biến đưa nhận xét tổng quan chi tiết [4,15-117] Sử đáng mong đợi Ngồi ra, để trực quan hóa kết đánh giá, hình 2.(a) (b) tác giả sử dụng đường cong ROC (Receiver Operating Curve) để mô tả chất lượng hệ thống sử dụng ngưỡng phân loại khác nhau, biểu đồ MSE (mean square error) cho biết tỉ lệ sai lệch Kết phân loại tốt hệ số MSE cho toàn tập testing nhỏ khoảng 10-7, đường ROC cho thấy phần diện tích (AUC) đường cong tiệm cận tới 1, hệ thống phải trả giá tỉ lệ dự đoán sai thấp muốn tăng tỉ lệ đoán lên Lấy ý tưởng từ não sinh học, mơ hình học sâu xây dựng thuật tốn giúp máy suy nghĩ xử lý thơng tin giống não người [18] Nhờ có nhiều lớp thần kinh nhân tạo học máy, học sâu có khả tự học nhận diện nhiều vấn đề có cấp độ phức tạo Học sâu cho phép máy tính tự động hiểu, xử lý học từ liệu để thực thi nhiệm vụ giao, cách đánh giá, giúp tăng tính hiệu [19] Ứng dụng thuật toán phương pháp học sâu để giải toán phát phân loại gai động kinh, đối tượng bệnh nhân người Việt nam Hình Đánh giá chất lượng hệ thống CNN 25 Tạp chí Khoa học Cơng nghệ 145 (2020) 021-026 [5] Y Kim, Convolutional neural networks for sentence classification, 2014 Kết luận Trong báo chúng tơi áp dụng mơ hình học sâu để phân loại gai động kinh dùng thực nghiệm theo trình tự sau Bước 1, xây dựng sở liệu (CSDL) cho ghi EEG Bước 2, tiền xử lý ảnh CSDL (lọc nền) gán nhãn Hai bước cần thực lần xây dựng CSDL ảnh huấn luyện cho phương pháp học máy truyền thống Bước 3, thực bước tính tốn cần thiết để ứng dụng mơ hình CNN Bước 4, huấn luyện mơ hình nhận dạng gai động kinh từ CSDL ảnh xây dựng Bước 5, thống kê độ xác, kết thấy độ xác đạt cao ~98.8%, vượt trội so với với độ xác mơ hình huấn luyện sử dụng phương pháp học máy truyền thống [6] E I Zacharaki, Prediction of protein function using a deep CNN ensemble, PeerJ Prepr, 2017 [7] S Min, B Lee, and S Yoon, Deep learning in bioinformatics, Brief Bioinform, 2016 [8] Stallkamp, Johannes, et al The German Traffic Sign Recognition Benchmark: A multi-class classification competition Neural Networks (IJCNN), The 2011 International Joint Conference on Neural Networks San Jose, CA, USA: IEEE, 2011 [9] Gotman, J and Gloor, P (1976), Automatic recognition and quantification of interictal epileptic activity in the human scalp EEG, Electroenceph Clin Neu-rophysiol 41, 513-529 Các kết nghiên cứu từ thực nghiệm cho thấy tính hiệu mơ hình học sâu việc phát gai động kinh [10] Le Trung Thanh, Nguyen Thi Anh-Dao, Viet-Dung Nguyen, Nguyen LinhTrung, and Karim AbedMeraim, Multi-channel EEG epileptic spike detection by a new method of tensor decomposition, Journal of Neural Engineering (major revise) Lời cảm ơn Tác giả báo xin chân thành cám ơn hỗ trợ khoa học từ nhóm nghiên cứu thuộc trường Đại học công nghệ Đại học quốc gia Hà Nội mã số CN.16.07 Giúp đỡ ý tưởng khoa học PGS.TS Nguyễn Linh Trung Bộ liệu EEG dùng báo phần sở liệu động kinh EEG xây dựng khuôn khổ dự án QG 10.40 Việt nam tài trợ trường Đại học quốc gia Hà Nội [11] Martin Abadi et al., TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems 2015 [12] Q Li, W Cai, et al., Medical image classification with convolutional neural network in Control Automation Robotics & Vision (ICARCV) 2014 [13] Y LeCun, Y Bengio, and G Hinton, Deep learning Nature, vol 521, no 7553, pp 436–444, 2015Anal [14] Stallkamp, Johannes, et al The German Traffic Sign Recognition Benchmark: A multi-class classification competition, Neural Networks (IJCNN), The 2011 International Joint Conference on Neural Networks San Jose, CA, USA: IEEE, 2011 Tài liệu tham khảo [1] C D A Vanitha, D Devaraj, and M Venkatesulu, Gene expression data classification using support vector machine and mutual information-based gene selection, Procedia Comput Sci., vol 47, pp 13–21, 2015 [15] Kelley DR, Snoek J, Rinn J Basset: Learning the regulatory code of the accessible genome with deep convolutional neural networks bioRxiv 2015:028399 [2] Chung JE, Magland JF, Barnett AH, Tolosa VM, Tooker AC, Lee KY, Shah KG, Felix SH, Frank LM, Greengard LF, A Fully Automated Approach to Spike Sorting, Neuron (2017) [16] Le Thanh Xuyen et al VNU Journal of Science: Comp Science & Com Eng., Vol 33, No (2017) 1-13 [3] Rossant C, Kadir SN, Goodman DFM, Schulman J, Hunter MLD, Saleem AB, Grosmark A, Belluscio M, Denfield GH, Ecker AS, Tolias AS, Solomon S, Buzsaki G, Carandini M, Harris KD Spike sorting for large, dense electrode arrays, Nature Neuroscience (2016): 634-641 [17] Ali Shoeb, Herman Edwards, Jack Connolly, Blaise Bourgeois, S Ted Treves, John Guttag PatientSpecific Seizure Onset Detection Epilepsy and Behavior August 2004, 5(4): 483-498 [doi:10.1016/j.yebeh.2004.05.005] [4] Fakoor R, Ladhak F, Nazi A et al Using deep learning to enhance cancer diagnosis and classification, Proceedings of the International Conference on Machine Learning 2013 [18] E I Zacharaki, Prediction of protein function using a deep CNN ensemble PeerJ Prepr, 2017 [19] Y Kim, Convolutional neural networks for sentence classification, 2014 26 ... mơ hình mạng tích chập CNN để nhận dạng gai động kinh so sánh hiệu CNN với giải thuật khác So sánh mơ hình học sâu giải tốn tìm gai động kinh Trong cơng trình nghiên cứu trước tác giả so sánh. .. trú bệnh động kinh cục Khơng có định nghĩa rõ ràng gai, hình thái gai động kinh đa dạng phức tạp thay đổi theo bệnh nhân [9] Nhóm nghiên cứu qua bước tiền xử lý đề xuất liệu hình Gai động kinh. .. mạng xác suất để đầu lớp, ta sử dụng hàm kích hoạt sum-toone: softmax ( a i =∑ ) ( ∀i = 1,2 … C ) (4) Hình 3(a) gai động kinh biểu diễn gai động kinh theo thời gian Hình 3(b) gai động kinh 10 thang