Hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỊ ANH ĐÀO HỆ THỐNG XỬ LÝ TÍN HIỆU ĐIỆN NÃO TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINH LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG Hà Nội - 2019 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ HỆ THỐNG XỬ LÝ TÍN HIỆU ĐIỆN NÃO TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINH Chuyên ngành: Kỹ thuật Viễn thông Mã số: 9510302.02 LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS NGUYỄN LINH TRUNG Hà Nội - 2019 i LỜI CAM ĐOAN Tôi xin cam đoan luận án thực Những kết từ cơng trình tác giả khác mà sử dụng luận án trích dẫn rõ ràng, cụ thể Các kết tính tốn, mơ trung thực Nếu có sai trái, tơi xin hồn tồn chịu trách nhiệm Hà Nội, ngày tháng 11 năm 2019 Nghiên cứu sinh Nguyễn Thị Anh Đào ii LỜI CẢM ƠN Trước tiên, tơi xin bày tỏ trân trọng, lịng biết ơn sâu sắc đến thầy giáo, PGS TS Nguyễn Linh Trung, người tận tình hướng dẫn định hướng cho tơi thực cơng trình nghiên cứu Trong q trình thực đề tài, thầy người ln động viên, hỗ trợ tận tình giúp đỡ lúc tơi cảm thấy khó khăn giúp tơi vượt qua trở ngại Tôi xin gửi lời cảm ơn chân thành tới GS TS Karim Abed-Meraim, GS TS Boualem Boashash PGS TS Trần Đức Tân, Ths Lê Trung Thành, TS Nguyễn Việt Dũng, Ths Nguyễn Văn Lý, TS Lê Vũ Hà, Ths Đinh Văn Việt, Ths Nguyễn Thế Hoàng Anh, Ths Trương Minh Chính, TS Trần Thị Thúy Quỳnh người góp phần hỗ trợ tơi chun mơn q trình làm luận án Tơi xin bày tỏ lòng biết ơn sâu sắc đến Bác sĩ, TS Hồng Cẩm Tú, người tận tâm hỗ trợ tơi hoàn thành liệu sử dụng luận án Tôi xin trân trọng cảm ơn Ban Giám hiệu Nhà trường, Khoa Điện tửViễn thơng, phịng Đào tạo Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội, giảng dạy, hướng dẫn tạo điều kiện giúp đỡ tôi; đặc biệt quan tâm, động viên TS Nguyễn Hồng Thịnh, người thực quan tâm đối xử với thành viên Trường Đại học Công nghệ Tôi xin bày tỏ trân trọng, lòng biết ơn sâu sắc tới Đảng ủy, Ban Giám hiệu Nhà trường, Khoa Điện tử viễn thông, Phòng tổ chức cán Trường Đại học Kỹ thuật Hậu cần Công an Nhân dân; đặc biệt quan tâm, tạo điều kiện PGS TS Nguyễn Đăng Tiến, TS Nguyễn Văn Căn, TS Đặng Việt Xô, TS Đặng Văn Tuyên, TS Phạm Thị Thúy Hằng Ths Phạm Xuân Cảnh hỗ trợ, tạo điều kiện thuận lợi cho tơi q trình thực đề tài Tôi xin cảm ơn người thân gia đình, đặc biệt chồng tơi hỗ trợ nhiều vật chất tinh thần để tơi học tập đạt kết tốt thực thành công luận án iii Luận án hỗ trợ bởi: - Đề tài nghiên cứu khoa học mã số 102.02-2015.32 đề tài mã số 102.04-2019.14, Quỹ Phát triển khoa học công nghệ Quốc gia (National Foundation for Science and Technology Development - NAFOSTED) - Dữ liệu điện não đồ sử dụng luận án sử dụng từ kết đề tài nghiên cứu khoa học mã số QG.10.40, Đại học Quốc Gia Hà Nội Tôi xin chân thành cảm ơn! Hà Nội, ngày tháng 11 năm 2019 Nguyễn Thị Anh Đào iv MỤC LỤC Trang phụ bìa Lời cam đoan Lời cảm ơn Mục lục Danh mục ký hiệu chữ viết tắt Danh mục bảng Danh mục hình vẽ MỞĐẦU CHƯƠNG1.CƠSỞVÀTỔNGQUAN 1.1.Giới thiệu 1.2.Điện não đồ 1.3.Động kinh 1.4.Chuẩn đo quốc tế 10-20 1.5.Cơ sở liệu EEG sử dụng 1.6.Ma trận đánh giá 1.7.Đường cong ROC 1.8.Các khái niệm ten-xơ 1.9.Phân tích ten-xơ 1.10.Xấp xỉ hạng thấp đa tuyến tính cho ten-xơ 1.10.1 Phân tích CP 1.10.2 Phân tích Tucker 1.10.3 Phân tích ten-xơ với ràng 1.10.4 Phân tích CP với ràng buộ 1.10.5 Phân tích Tucker với ràng 1.11.Kết luận chương CHƯƠNG HỆ THỐNG ĐA BƯỚC TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINHĐƠNKÊNH 2.1 Giới thiệu 2.2 Hệ thống đa bước tự động phát hiệ 2.2.1 2.2.2 2.2.3 2.2.4 2.3 Đường cong ROC tổng hợp cho h 2.3.1 Sự phụ thuộc SEN p1 2.3.2 Ước lượng đường cong ROC 2.4 Mô thảo luận 2.4.1 2.4.2 2.4.3 2.5 Kết luận chương CHƯƠNG HỆ THỐNG ĐA BƯỚC TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINH ĐA KÊNH DỰA TRÊN PHÂN TÍCH TEN-XƠ 3.1 Giới thiệu 3.2 Phương pháp xấp xỉ hạng thấp đa ten-xơ (SMLRAT) 3.2.1 3.2.2 Xấp xỉ hạng thấp đa tuyến tính 3.3 Hệ thống đa bước phát gai độn ten-xơ 3.3.1 3.3.2 3.3.3 3.3.4 3.4 Kết mô thảo luận 3.4.1 3.4.2 3.4.3 3.4.4 3.5 Phương pháp lựa chọn đặc trưng m gai động kinh đa kênh dựa ph 3.5.1 3.5.2 3.6.Kết nối với nghiên cứu liên qu 3.6.1 3.6.2 3.6.3 3.7.Kết luận chương KẾTLUẬNVÀKIẾNNGHỊ DANH MỤC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬNÁN TÀILIỆUTHAMKHẢO PHỤLỤCA.CHỨNGMINHĐỊNHLÝ3.1 PHỤLỤCB.CHỨNGMINHHỆQUẢ3 PHỤLỤCC.CHỨNGMINHHỆQUẢ5 DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT Danh mục ký hiệu STT Ký hiệu R R chữ thường, chữ in nghiêng chữ hoa in hoa, ví dụ a, N chữ thường in đậm, ví dụ a chữ in hoa in đậm, ví dụ U chữ in hoa nghiêng in đậm, ví N dụ X b d 10 11 12 xX; Yy pq# pq 13 tr 14 }A} 15 16 }X }F xA; By 17 A`B 18 pk q 99 Phan, A H and Cichocki, A (2010), “Tensor decompositions for feature extrac-tion and classification of high dimensional datasets”, Nonlinear theory and its applications, IEICE 1(1), 37–68 100 Pippa, E., Kanas, V G., Zacharaki, E I., Tsirka, V., Koutroumanidis, M and Megalooikonomou, V (2016), “Eeg-based classification of epileptic and non-epileptic events using multi-array decomposition”, International Journal of Mon-itoring and Surveillance Technologies Research (IJMSTR) 4(2), 1–15 101 Quiroga, R Q., Nadasdy, Z and Ben-Shaul, Y (2004), “Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering”, Neural computation 16(8), 1661–1687 102 Rioul, O and Vetterli, M (1991), “Wavelets and signal processing”, IEEE signal processing magazine 8(LCAV-ARTICLE-1991005), 14–38 103 Roffo, G., Melzi, S., Castellani, U and Vinciarelli, A (2017), Infinite Latent Feature Selection: A Probabilistic Latent Graph-Based Ranking Approach, in “2017 IEEE International Conference on Computer Vision” 104 Rumelhart, D E., Hintont, G E and Williams, R J (1986), “Learning repre-sentations by back-propagating errors”, Nature 323(6088), 533–536 105 Samar, V J., Bopardikar, A., Rao, R and Swartz, K (1999), “Wavelet analysis of neuroelectric waveforms: a conceptual tutorial”, Brain and language 66(1), 7– 60 106 Schiff, S J., Aldroubi, A., Unser, M and Sato, S (1994), “Fast wavelet transformation of EEG”, Electroencephalography and Clinical Neurophysiology 91(6), 442–455 107 Senanayake, N and Román, G C (1993), “Epidemiology of epilepsy in devel-oping countries.”, Bulletin of the World Health Organization 71(2), 247 108 Sheehan, B N and Saad, Y (2007), Higher order orthogonal iteration of ten-sors (hooi) and its relation to pca and glram, in “Proceedings of the 2007 SIAM International Conference on Data Mining”, SIAM, pp 355–365 109 Shen, T.-W., Kuo, X and Hsin, Y.-L (2009), Ant K-Means Clustering Method on Epileptic Spike Detection, in “Natural Computation, 2009 ICNC’09 Fifth International Conference on”, Vol 6, IEEE, pp 334–338 110 Smilde, A K., Westerhuis, J A and de Jong, S (2003), “A framework for se-quential multiblock component methods”, Journal of Chemometrics: A Journal of the Chemometrics Society 17(6), 323–337 141 111 Spyrou, L., Kouchaki, S and Sanei, S (2015), Multiview classification of brain data through tensor factorisation, in “Machine Learning for Signal Processing (MLSP), 2015 IEEE 25th International Workshop on”, IEEE, pp 1–6 112 Stegeman, A (2018), “Simultaneous Component Analysis by Means of Tucker3”, Psychometrika 83(1), 21–47 113 Steinhauser, S., Schumacher, M and Rucker,ă G (2016), Modelling multiple thresholds in meta-analysis of diagnostic test accuracy studies”, BMC medical research methodology 16(1), 97 114 Tatum IV, W O (2014), Handbook of EEG interpretation, Demos Medical Pub-lishing 115 Tax, D (2001), “One-class classification”, PhD thesis, Delft University of Tech-nology 116.Trinka, E., Kwan, P., Lee, B and Dash, A (2019), “Epilepsy in asia: Disease burden, management barriers, and challenges”, Epilepsia 60, 7–21 117 Trung, N L (2013), Nghiên cứu xử lý tín hiệu điện não phục vụ phân tích chẩn đoán bệnh động kinh, Technical Report QG.10.40, Đại học Quốc Gia Hà Nội, Việt Nam 118 Tucker, L R (1966), “Some mathematical notes on threemode factor analysis”, Psychometrika 31(3), 279–311 119 Tzallas, A T., Tsipouras, M G and Fotiadis, D I (2007), “Automatic seizure detection based on time-frequency analysis and artificial neural networks”, Com-putational Intelligence and Neuroscience 2007 120 Tzallas, A T., Tsipouras, M G., Tsalikakis, D G., Karvounis, E C., Astrakas, L., Konitsiotis, S and Tzaphlidou, M (2012), Automated epileptic seizure de-tection methods: A review study, in D Stevanovic, ed., “Epilepsy: Histologi-cal, Electroencephalographic and Psychological Aspects”, IntechOpen, chapter 4, pp 7598 ă 121 Ubeyli, E D (2009), Combined neural network model employing wavelet coefficients for eeg signals classification”, Digital Signal Processing 19(2), 297–308 122 Van Belle, G., Fisher, L D., Heagerty, P J and Lumley, T (2004), Biostatistics: a methodology for the health sciences, Vol 519, John Wiley & Sons 123 Van Deun, K., Smilde, A K., van der Werf, M J., Kiers, H A and Van Meche-len, I (2009), “A structured overview of simultaneous component based data integration”, Bmc Bioinformatics 10(1), 246 142 124 Wang, D., Zhu, Y., Ristaniemi, T and Cong, F (2018), “Extracting multi-mode erp features using fifth-order nonnegative tensor decomposition”, Journal of neu-roscience methods 308, 240–247 125 Wilson, S B and Emerson, R (2002), “Spike detection: A review and compar-ison of algorithms”, Clinical Neurophysiology 113(12), 1873– 1881 126 Xu, D., Yan, S., Zhang, L., Lin, S., Zhang, H.-J and Huang, T S (2008), “Reconstruction and recognition of tensor-based objects with concurrent sub-spaces analysis”, IEEE Transactions on Circuits and Systems for Video Technol-ogy 18(1), 36–47 127 Xu, G., Wang, J., Zhang, Q., Zhang, S and Zhu, J (2007), “A spike detection method in EEG based on improved morphological filter”, Computers in biology and medicine 37(11), 1647–1652 128 Xuyen, L., Thanh, L., Viet, D., Long, T., Trung, N and Thuan, N (2018), “Deep learning for epileptic spike detection”, VNU Journal of Science: Computer Sci-ence and Communication Engineering 33(2) 129 Yan, S., Xu, D., Yang, Q., Zhang, L., Tang, X and Zhang, H (2007), “Multi-linear Discriminant Analysis for Face Recognition”, IEEE Transactions on Image Processing 16(1), 212–220 130.Yang, J., Zhang, D., Frangi, A F and yu Yang, J (2004), “Two-dimensional PCA: A new approach to appearance-based face representation and recognition”, IEEE Transactions on Pattern Analysis and Machine Intelligence 26(1), 131–137 131 Yang, Y., Shen, H T., Ma, Z., Huang, Z and Zhou, X (2011), L2, 1-norm regularized discriminative feature selection for unsupervised, in “Twenty-Second International Joint Conference on Artificial Intelligence” 132 Ye, J (2005), “Generalized low rank approximations of matrices”, Machine Learning 61(1-3), 167–191 133 Zamora, J., Abraira, V., Muriel, A., Khan, K and Coomarasamy, A (2006), “Meta-DiSc: a software for meta-analysis of test accuracy data”, BMC medical research methodology 6(1), 31 134.Zare, A., Ozdemir, A., Iwen, M A and Aviyente, S (2018), “Extension of PCA to Higher Order Data Structures: An Introduction to Tensors, Tensor Decompositions, and Tensor PCA”, Proceedings of the IEEE 106(8), 1341–1358 135 Zeng, H and Cheung, Y.-M (2011), “Feature selection and kernel learning for local learning-based clustering”, IEEE Transactions on Pattern Analysis and Ma-chine Intelligence 33(8), 1532–1547 143 136 Zhang, D and Zhou, Z.-H (2005), “(2D) 2PCA: Twodirectional two-dimensional PCA for efficient face representation and recognition”, Neurocom-puting 69(1-3), 224–231 137 Zhou, G., Cichocki, A and Xie, S (2012), “Fast Nonnegative Matrix/Tensor Factorization Based on Low-Rank Approximation”, IEEE Transactions on Signal Processing 60(6), 2928–2940 138 Zhou, G., Cichocki, A., Zhao, Q and Xie, S (2014), “Nonnegative matrix and tensor factorizations : An algorithmic perspective”, IEEE Signal Processing Mag-azine 31(3), 54–65 144 PHỤ LỤC A Chứng minh định lý 3.1 Luận án chia phần chứng minh định lý 3.1 thành bước sau: % Bước 1: Bài tốn tối thiểu hóa hàm mục tiêu fSMLRAT tương đương với tối đa hóa hàm mục tiêu: ¸N f1 SMLRAT i1 } Theo tính chất chuẩn Frobenius, hàm mục tiêu fSMLRAT viết lại sau: f SMLRAT ¸N r i1 } Xi X i}F2 ¸N i1 Xi}F2 } ¸N p aq i1 Xi}F2 } ¸N i1 Xi} } (a) suy Ui, i 1; ; n ma trận trực giao Giả sử ten-xơ Gi Gj độc lập với i j Do đó, tốn tối thiểu fSMLRAT phân tích tương đương với tốn bình phương tối thiểu nhỏ sau: arg Gi với i 1; 2; : : : ; N: Do đó, (A.3) đương đương với: arg max f1 tUku 145 đó: ¸ f1 N SMLRAT ¸N Xi i1 % } Bước 2: Với n ma trận trực giao tUk unk1; Uk P RI r k k , ten-xơ lõi tGiuNi1 xác định bởi: Xi G i tGi uNi1 ten-xơ tối ưu fSMLRAT: Do (A.3), phần chứng minh bước xem [30, Định lý 4.1] % Bước 3: trình bày cách để thu tập ma trận tối ưu tUiuni1 Từ (A.4), ta có: ¸ f1 SMLRAT N i1 } ¸N ¸N T i1 i1 t T trace U k U Xi } pkq k tracetU ¸N X r} U j p ipkq k F r U rk U T T T X U k ipkqq k u (A.7) p i1 t T u; trace U k RkUk đó: U r k pU n b b Uk b Uk1 b U1q: (A.8) Do đó, f1 SMLRAT (A.9) Do đó, nghiệm fSMLRAT thu từ rk véc tơ riêng Rk [74] 146 B Chứng minh hệ Thuật tốn Tucker-ALS đưa thủ tục lặp để thu ma trận tối ưu ten-xơ X [30], sau: Với bước lặp, ma trận Uk thu rk véc tơ riêng ma trận Ykpkq ma trận trải ten-xơ Yk mode k sau: pYkpkq; rkq; Uk svd (B.1) Yk tính bởi: Yk X UT k1 UT k1 k UT k n ý rằng, phân tích này, ma trận cuối Un UT : (B.2) n hạng đủ với rn N, phải ma trận đơn vị IN Do đó, mode k ten-xơ Yk biểu diễn theo cách khác, cụ thể sau: Y kpkq Xp I kq N bU bU bU n k bU : k1 Vì vậy, mode k ten-xơ Yk biểu diễn sau: Y kpkq r X 1pkq X 2pkq ::: X I sp N N pkq r b U q; k r định nghĩa phương trình (3.5) U k Ma trận hiệp phương sai Rk xác định sau: ¸ N T Rk Y Y kp kq kp kq i1 Do ma trận Uk có thể thu cách sử dụng véc tơ riêng Ykpkq sau: Các ma trận tU k phương trình (3.2) trình bày định lý 3.1 C Chứng minh hệ n Các ma trận không âm tUkuk1 147 III.D] Cho toán tối thiểu (3.7), luận án định nghĩa hàm Lagrangian L cách n sử dụng toán tử nhân Lagrangian (tức là, ¸N L t kuk1 X ipkq i1 UG k ipkq U } k F } Do phải giữ điều kiện Karush-Kuhn-Tucker (tức là, r ksa;brUksa;b 0), ta lấy đạo hàm toán tử Lagrangian L, Uk gán để thu quy tắc cập nhật Đạo hàm BL{BUk tính sau: ¸ N BL ik k X B Uk i1 Do đó, mối liên hệ phần tử U r cũ k U k ¸ biểu diễn sau: N cũ (C.3) U s k a;br i1 Do đó, ta có: (C.4) rU smới k a;b (C.5) Nói cách khác, đặt Sik GipkqU r T k , ta có quy tắc cập nhật sau: Umới k f biểu diễn phép nhân Hadamard Khi áp dụng phép phân tích Tucker với ràng buộc không âm (được đề xuất Kim đồng nghiệp [71, Bảng 5]) với ten-xơ X, đó: XX1`X2`XN; p p q U ta thu quy tắc cập nhật để tính ma trận khơng âm Uk Đặc biệt, phép lặp, Uk cập nhật sau: Umới k 148 cũ U k ma trận chế độ k ten-xơ X ten-xơ lõi G biểu diễn bởi: Xp r X1 p k q X2 p k q : : : XN p k q s ; Gp G G ::: G ; k q r pk q pk q N pk qs kq đó, ma trận Sk định nghĩa bởi: pIN b Urkq; Sk Gpkq ma trận cuối Un hạng đủ (tức là, rn N) Do đó, cơng thức biểu diễn theo ten-xơ sau: ¸ N T XpkqSk ¸N SkSk T Như vậy, ta thu quy tắc cập nhật (C.5) 149 150 ... Chương Chương [Hệ thống đa bước tự động phát gai động kinh đơn kênh]: giới thiệu số hệ thống tự động phát gai động kinh tự động có; trình bày hệ thống đa bước tự động phát gai động kinh đơn kênh... đoán, phát bệnh động kinh giai đoạn bệnh 16 nhẹ, tức xuất gai động kinh tín hiệu điện não đồ, luận án đặt vấn đề nghiên cứu hệ thống xử lý tín hiệu điện não tự động nhận biết gai động kinh, sử... trúc hệ thống hệ thống đơn giản hệ thống đa bước Các hệ thống phát gai động kinh đơn giản thường có cấu trúc đơn giản, sử dụng hai phương pháp xử lý tín hiệu học máy để phát gai động kinh tự động