Ứng dụng thuật toán phân tách mù nguồn tin trong xử lý các tính hiệu y sinh

Ứng dụng thuật toán phân tách mù nguồn tin trong xử lý các tính hiệu y sinh Ứng dụng thuật toán phân tách mù nguồn tin trong xử lý các tính hiệu y sinh Ứng dụng thuật toán phân tách mù nguồn tin trong xử lý các tính hiệu y sinh luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ ỨNG DỤNG THUẬT TOÁN PHÂN TÁCH MÙ NGUỒN TIN TRONG XỬ LÝ CÁC TÍNH HIỆU Y SINH TRẦN VĂN DŨNG Ngành Kỹ thuật Y sinh HÀ NỘI, 6/2020 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ ỨNG DỤNG THUẬT TOÁN PHÂN TÁCH MÙ NGUỒN TIN TRONG XỬ LÝ CÁC TÍNH HIỆU Y SINH TRẦN VĂN DŨNG Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS.Vương Hoàng Nam Chữ ký GVHD Viện: Điện tử - Viễn thông HÀ NỘI, 7/2020 LỜI CẢM ƠN Lời đầu tiên, Em xin bày tỏ lòng cảm ơn chân thành tới Thầy hướng dẫn em TS Vương Hoàng Nam, Thầy tận tình hướng dẫn em suốt thời gian thực luận văn Em xin gửi lời cảm ơn sâu sắc tới Thầy, Cô Bộ môn Công nghệ Điện tử Kỹ thuật Y sinh, thầy cô Viện Điện tử - Viễn thông giúp đỡ em suốt thời gian học tập, nghiên cứu, thực luận văn Em xin cảm ơn PGS.TS Nguyễn Quốc Trung, PGS.TS Nguyễn Thúy Anh, TS Đặng Thúy Hằng, TS Nguyễn Hoài Giang, TS Nguyễn Hoàng Dũng đọc luận văn cho em nhận xét quý báu, chỉnh sửa sai sót em thảo luận văn Do giới hạn kiến thức thân cịn nhiều thiếu sót hạn chế, kính mong dẫn đóng góp Thầy, Cơ để luận văn tơi hồn thiện Em xin chân thành cảm ơn! i LỜI CAM ĐOAN Tôi xin cam đoan luận văn nghiên cứu “ Ứng dụng thuật toán phân tách mù nguồn tin xử lý tính hiệu y sinh” viết cá nhân với giúp đỡ giảng viên hướng hướng dẫn, tất thông tin, liệu, kết luận văn đảm bảo tính khách quan, trung thực trích dẫn rõ ràng đầy đủ nguồn gốc HỌC VIÊN Ký ghi rõ họ tên Trần Văn Dũng ii MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC HÌNH VẼ v CHƯƠNG vii CÁC TỪ VIẾT TẮT viii PHẦN MỞ ĐẦU 1 Mục đích nghiên cứu Phương pháp nghiên cứu Cấu trúc báo cáo luận văn CHƯƠNG CƠ SỞ LÝ THUYẾT BÀI TỐN XỬ LÝ MÙ TÍN HIỆU 1.1 Bài toán phân tách mù nguồn tin 1.2 Mơ hình BSS tuyến tính 1.2.1 Giới thiệu 1.2.2 Phương pháp Phân tích thành phần độc lập .7 1.2.3 Thuật toán FastICA 15 1.3 Minh họa thuật toán FastICA 22 1.4 KẾT LUẬN: 24 CHƯƠNG ỨNG DỤNG PHƯƠNG PHÁP ICA PHÂN TÍCH VỀ ẢNH CỘNG HƯỞNG TỪ CHỨC NĂNG FMRI 25 2.1 Giới thiệu - Nguyên lý chụp ảnh cộng hưởng từ MRI 25 2.1.1 Lịch sử phát triển cộng hưởng từ hạt nhân 25 2.1.2 Hạt nhân từ trường .26 2.1.3 Tác dụng sóng RF 28 2.1.4 Các trình hồi phục 32 2.1.5 Khái niệm TR, TE, T1W, T2W, PD PDW .35 2.2 Mã hố khơng gian tạo ảnh 36 2.2.1 Trường Gradient 36 2.2.2 Pixel, Voxel FOV 37 iii 2.3 Một số đặc trưng thống kê ảnh cộng hưởng từ chức 40 2.3.1 Khái niệm 40 2.3.2 Phân tích thống kê ảnh FMRI 42 2.3.3 Tiền xử lý tín hiệu FMRI 43 2.3.4 Hàm phản ứng huyết lưu HRF (Haemodynamic Response Function) 45 2.4 Ứng dụng ICA FMRI 47 2.4.1 GLM 47 2.4.2 ICA không gian ICA thời gian 50 2.4.3 Một số tham số sử dụng phân tích FMRI 53 2.4.4 Ứng dụng ICA phân tích FMRI 53 2.5 CƠ SỞ DỮ LIỆU FMRI 57 2.5.1 Dữ liệu FMRI vùng thị giác-vận động (visuo-motor) 58 2.5.2 Quá trình thu nhận liệu FMRI 60 2.5.3 Quá trình thu nhận 61 2.6 MỘT SỐ KẾT QUẢ MÔ PHỎNG VÀ ĐÁNH GIÁ 64 2.6.1 Phương pháp phân tích 65 2.6.2 Một số kết mô đánh giá 67 2.7 Kết luận: 75 CHƯƠNG ỨNG DỤNG ICA TRONG XỬ LÝ NHIỄU TÍN HIỆU ĐIỆN NÃO ĐỒ EEG 76 3.1 Giới thiệu EEG 76 3.2 Đặc điểm tín hiệu điện não đồ 78 3.3 Nhiễu EEG 80 3.4 Ứng dụng ICA loại bỏ nhiễu tín hiệu EEG 82 3.5 Kết Luận: 85 KẾT LUẬN 86 TÀI LIỆU THAM KHẢO 87 iv DANH MỤC HÌNH VẼ Hình 1.1 - Mơ hình tốn BSS tổng quát Hình 1.2 - Mơ hình giải tốn BSS Hình 1.3 - Minh họa xử lý mù toán cocktail Hình 1.4 - Mơ hình đánh giá BSS tuyến tính Hình 1.5 - Hàm mật độ xác suất phân bố Gauss 10 Hình 1.6 - Hàm mật độ phân bố Laplace 10 Hình 1.7 - Phân bố 11 Hình 1.8 - Minh họa định lý giới hạn trung tâm 11 Hình 1.9 - Sự phân bố chung thành phần độc lập s1 s2 12 Hình 1.10 - Mật độ thành phần độc lập phân bố (đường nét đứt biểu diễn phân bố Gauss) 12 Hình 1.11 - Sự phân bố chung 13 Hình 1.12 - Mật độ phân bố tín hiệu trộn 13 Hình 1.13 - Lưu đồ thuật tốn FastICA 20 Hình 1.14 - Tín hiệu nguồn ban đầu 21 Hình 1.15 - Tín hiệu trộn 22 Hình 1.16 - Những tín hiệu ước lượng theo phương pháp ICA 22 Hình 2.1 - Nguyên tử Hydro nển tảng ảnh MRI 25 Hình 2.2 - Vector từ hoá mạng 27 Hình 2.3 - Sự tạo thành vector 28 Hình 2.4 - (a) Chuyển động xoắn ốc vector từ hóa mạng hệ quy chiếu trái đất (b) Góc lật tác dụng B1 (c) Xung 90 độ-RF & 180 độ-RF 29 Hình 2.5 - Quá trình suy giảm T2 31 Hình 2.6 - Đường đặc trưng T2 32 Hình 2.7 - Quá trình hồi phục T1 35 Hình 2.8 - Hình ảnh minh hoạ trường FOV 35 Hình 2.9 - Tần số Larmor biến đổi có trường Gradient 35 Hình 2.10 - Chọn lớp cắt giá trị tần số xác định 36 Hình 2.11 - Ví dụ mã hóa khơng gian mặt cắt xiên 37 v Hình 2.12 - Mã hoá pha mã hoá tần số 37 Hình 2.13 - Nguyên lý hoạt độngcơ BOLD dùng FMRI 39 Hình 2.14 - Ảnh FMRI xếp theo tiến trình thời gian 40 Hình 2.15 - Hiệu chỉnh Slice-timing 42 Hình 2.16 - Đáp ứng xung BOLD tắc 43 Hình 2.17 - Tích chập tuyến tính hàm kích thích với HRF chuẩn tắc 44 Hình 2.18 - Tiến trình thời gian voxel 46 Hình 2.19 - Minh họa GLM 47 Hình 2.20 - Thực nghiệm FMRI với hai điều kiện khác A B Tích chập hàm kích thích HRF cho hai dự đoán đáp ứng BOLD 47 Hình 2.21 - Đáp ứng BOLD với kích thích đầu vào dạng block 48 Hình 2.22 - Minh họa SICA TICA 49 Hình 2.23 - Minh họa ứng dụng ICA phân tích FMRI 50 Hình 2.24 - Mơ hình xử lý tín hiệu mù FMRI 52 Hình 2.25 - Lưu đồ thuật tốn tìm kiếm vùng hoạt hóa 53 Hình 2.26 - Minh họa voxel hoạt hóa voxel khơng hoạt hóa 54 Hình 2.27 - Khảo sát vùng vận động bàn tay (A) thị giác (B) 55 Hình 2.28 - Các vùng chức vỏ não 56 Hình 2.29 - Đường thơng tin thị giác từ mắt đến vỏ não thị giác 57 Hình 2.30 - Hemi-field phải hemi-field trái 58 Hình 2.31 - Minh họa (a)- Block Design (b) Event-related Design theo chu kỳ (c) Event-related Design theo ngẫu nhiên 59 Hình 2.32 - Mơ tả q trình thu nhận liệu FMRI 59 Hình 2.33 - Hình ảnh bàn cờ dùng để kích thích thị giác 60 Hình 2.34 - Các mẫu kích thích thị giác 60 Hình 2.35 - Q trình kích thích thị giác 61 Hình 2.36 - Các thành phần độc lập IC1 đên IC4 đối tượng sub01_vis phân tích thuật tốn FastICA Bên time-course thời gian scan (220 scan) bên phải thang số Z 66 vi CHƯƠNG ỨNG DỤNG ICA TRONG XỬ LÝ NHIỄU TÍN HIỆU ĐIỆN NÃO ĐỒ EEG 3.1 Giới thiệu EEG Điện não đồ (EEG – Electroencephalogram) đo biểu diễn thay đổi điện theo thời gian điện cực đặt vị trí khác da đầu tương ứng với vùng vỏ não EEG phát Berger năm 1924 dụng cụ đo dòng điện với điện cực bề mặt đầu trai ông ghi lại mẫu nhịp nhàng dao động điện Tín hiệu phản hồi điện sinh học tức khắc tế bào não Mỗi kênh EEG tín hiệu điện đo từ điện cực cố định ngồi da (surface/scalp-EEG, sEEG) não (intracranial-EEG, iEEG) Thơng qua đặc trưng biên độ, tần số, phân bố khơng gian, hình thái, phân cực điện thế, EEG cho ta thông tin hoạt động não Dựa đặc trưng đó, chuyên gia đánh giá, phân tích biểu bất thường não để phát bệnh động kinh dựa xuất gai động kinh EEG Chúng ta dùng điện cực kim loại để đo lấy tín hiệu Các điện cực dùng điện não đồ thường đĩa kim loại, da đầu chỗ đặt điện cực bôi kem dẫn điện, trước người ta hay tẩy da đầu chất bột tẩy da Người ta hay dùng loại mũ cao su có gắn sẵn điện cực, đặt trùm lên đầu người bệnh Hình 3.1 Hệ thống đặt điện cực ghi 10-20 quốc tế 76 (international 10-20 system) Hệ thống đặt điện cực 10-20 quốc tế, đề nghị vào năm 1958, dùng rộng rãi, coi phương pháp chuẩn (standard method) để ghi điện não da đầu (scalp EEG) Thông thường dùng 21 điện cực gắn da đầu theo hệ thống đặt điện cực 10-20 quốc tế (the 10-20 International System) Ta lấy điểm mốc sau đây: - Điểm gốc mũi (nasion), nằm chân lông mày (glabella) - Điểm chẩm (inion) - Ống tai bên Với ký hiệu sau đây: - F : trán (Frontal) - Fp : Cực trán (Frontopolar) - T : Thái dương (Temporal) - O : chẩm (Occipital) - C : trung tâm (Central) - P : đỉnh (Parietal) - A : tai (Auricular) Đánh số lẻ bên trái, số chẵn bên phải Tại số phòng ghi điện não giới, người ta chia tách tỷ mỷ để đặt nhiều điện cực ghi EEG hơn, có số vị trí đặt điện cực ghi da đầu 32, 64, chí 256 77 Hình 3.2 Tiến hành đo điện não trẻ em Điện não đồ (EEG – Electroencephalogram ) đo biểu diễn thay đổi điện theo thời gian điện cực đặt vị trí khác da đầu tương ứng với vùng vỏ não đồ thị máy tính Biên độ điện não đồ vào khoảng 100 μV đo da khoảng 1-2 V đo bề mặt não Các băng thông tín hiệu từ Hz đến khoảng 70 Hz Thông qua đặc trưng biên độ, tần số, phân bố khơng gian, hình thái, phân cực điện thế, EEG cho ta thông tin hoạt động não EEG có vai trị quan trọng việc kiểm tra phát bệnh động kinh người, giúp phát điều trị sớm, có ý nghĩa to lớn y học 3.2 Đặc điểm tín hiệu điện não đồ Các đặc trưng (cơ bản) tín hiệu EEG gồm có: tần số (fundamental frequency), biên độ (amplitude), hình dạng (morphology), vị trí (localization) Việc đọc ghi điện não đồ (EEG - electroencephalography) bao gồm việc diễn giải kiểu sóng, quan trọng diễn giải sóng dựa tần số sóng, dựa vào hình dạng sóng phức vài sóng Khó khăn đọc điện não đồ chỗ phân biệt cho nhiễu (artifact), phải có khả nhận biết biến thể bình thường, khơng nhầm với bất thường bệnh lý Tín hiệu EEG bình thường xem hoạt động xuất hầu hết tín hiệu EEG đối tượng không bị ảnh hưởng (mang) bệnh lý EEG bất thường hoạt động thường xuất nhóm người gặp vấn đề bệnh thần kinh bệnh khác mà khơng xuất cá thể bình thường a) Sóng Alpha Alpha sóng có tần số khoảng từ 7,5 tới 13 Hz Thường thấy rõ alpha vùng phía sau đầu, bên, thường bên bán cầu ưu có biên độ (chiều cao) cao Alpha thường rõ lên nhắm mắt thư giãn, biến mở mắt thức tỉnh cảnh giác chế (suy nghĩ, đếm) Đây nhịp sóng chủ yếu thấy người lớn bình thường thư giãn – sóng diện hầu hết thời kỳ đời, 30 tuổi, sóng chiếm ưu đường ghi EEG lúc nghỉ ngơi b) Sóng Beta 78 Beta sóng “nhanh” Tần số từ 13 đến 30 Hz trở lên Sóng beta thường thấy bán cầu, phân bố đối xứng hai bên, rõ vùng trán Sóng suy giảm vùng có tổn thương vỏ não Nhịp beta thường coi nhịp bình thường Nó nhịp chiếm ưu bệnh nhân thức tỉnh cảnh giác lo sợ, mở mắt c) Sóng Theta Theta sóng có tần số từ 3,5 tời 7,5 Hz, xếp vào loại sóng “chậm” Nó coi bất thường thấy người lớn tỉnh táo, lại coi hồn tồn bình thường trẻ 13 tuổi ngủ d) Sóng Delta Delta sóng có nhịp từ Hz trở xuống Nó có xu hướng sóng có biên độ cao sóng chậm Nó hồn tồn coi bình thường sóng ưu trẻ sơ sinh tuổi giai đoạn (stages and 4) giấc ngủ Ngồi cịn có sóng Gamma sóng có tần số 30 Hz Tuy nhiên tín hiệu EEG loại sóng chiếm lượng nhỏ 79 Hình 3.3 Minh họa sóng , , , tín hiệu EEG 3.3 Nhiễu EEG Trong tín hiệu điện não đồ đo thường xun xuất loại tín hiệu lạ khơng phải tín hiệu điện não xuất phát từ da đầu (scalp), gọi nhiễu (artifact) Các nhiễu chia thành hai nhóm Nhóm thứ nhiễu thiết bị mang tính hệ thống (do tiếp xúc điện cực sai số thiết bị đo), loại nhiễu thường dễ dàng nhận biết loại bỏ có tính tương quan cao Nhóm thứ hai nhiễu có nguồn gốc từ sinh lý người nhiễu cho chuyển động mắt, nháy mắt, hoạt động bắp, hoạt động tim Dưới khảo sát số loại tín hiệu nhiễu a) Nhiễu thiết bị mang tính hệ thống Nhiễu điện tâm đồ mạch (EKG and pulse artifacts): Cả loại nhiễu nhận biết nhờ vào tính chất có chu kỳ chúng Nhiễu điện tâm đồ cho thấy rõ phức QRS theo chu kỳ, điện tâm đồ có tín hiệu điện lớn nhiều so với điện não đồ Nhiễu mạch mạch đập phía điện cực làm cho chuyển động theo chu kỳ Cả loại nhiễu dễ nhận diện, gây khó khăn cho đọc điện não Nhiễu chuyển động điện cực chuyển động khác: nhiễu chuyển động bệnh nhân có đường biểu thị đột ngột, hầu hết trường hợp dốc ngược đột ngột So với sóng EEG chuẩn nhiễu có biên độ cao kéo dài thời gian Nhiễu dụng cụ truyền tĩnh mạch nhiễu 50 (hoặc 60) Hz: Những nhiễu thường thấy ghi điện não phịng săn sóc đặc biệt giao thoa điện Nhiễu 50 (hoặc 60) Hz thấy có nơi điện cực tiếp xúc kém, nối đất khơng tốt, có thiết bị điện chuyên dùng đặt gần Nó gây nên gai (spikes) có tần số 50 (hoặc 60) chu kỳ giây – tạo thành vết mực in giấy chạy với tốc độ thông thường 80 b) Nhiễu mắt (Electrooculogram – EOG) Tín hiệu EOG chênh lệch điện áp giác mạc võng mạc mắt Chênh lệch điện áp thay đổi suốt trình chuyển động mắt, điện áp đo gần tỉ lệ với góc nhìn Ở ta ghi nhận chênh lệch điện áp tương ứng với mức độ chuyển động hướng chuyển động mắt để làm kênh tham chiếu Khi giác mạc hay võng mạc mắt chuyển động làm thay đổi độ chênh lệch điện tạo tín hiệu EOG mà cịn ảnh hưởng làm thay đổi điện vị trí khác da đầu làm thay đổi tín hiệu EEG Hình 3.4 Minh họa nhiễu mắt EOG nhiễu EMG q trình đo điện não Tín hiệu EOG có nhiều tính chất đặc trưng riêng, khác biệt với tín hiệu điện não đồ thơng thường Việc nghiên cứu phân tích tính chất tín hiệu EOG tảng quan trọng để áp dụng kiểm tra thuật toán loại bỏ nhiễu mắt EOG khỏi tín hiệu điện não c) Nhiễu (Electromyogram – EMG) Tín hiệu EMG tín hiệu tạo điều khiển hoạt động bắp chứa thông tin cấu trúc phận thể khác Khi ta đo điện não, bệnh nhân thường không tránh khỏi số hoạt động bình thường co ngón tay, co tay, nói chuyện, cử động chân, quay đầu, quay người, … tất hoạt động điều tạo nhiễu lên tín hiệu điện não 81 3.4 Ứng dụng ICA loại bỏ nhiễu tín hiệu EEG Việc đọc tín hiệu điện não vô quan trọng với bác sĩ Nhưng có nhiễu gây khó khăn cho việc đọc tín hiệu nhận dạng tín hiệu Vấn đề đặt để loại nhiễu trên? Nhiễu hệ thống loại nhiễu dễ nhận biết sửa dễ dàng cách thao tác vào hệ thống đo đạc Còn nhiễu gây cử động bệnh nhân khơng dễ dàng loại bỏ trước đo đạc Ta phải có phương pháp loại nhiễu sau lấy tín hiệu Với số giải thiết sau ta hoàn tồn áp dụng phương pháp ICA vào giải toán: Các kênh liệu EEG nguồn độc lập tuyến tính Giả thiết hồn tồn phù hợp với tính chất tín hiệu EEG thực tế đo kênh tín hiệu hồn toàn độc lập với chịu tác động ngẫu nhiên nguồn nhiễu Tín hiệu điện điểm tín hiệu tổng hợp nguồn tín hiệu điện xuất phát từ điểm khác vị trí khác lan truyền tới với mức độ đóng góp khác Giả thiết phù hợp tín hiệu điện xuất lan truyền cách tự vỏ não người với tần số cường độ phụ thuộc vào trạng thái não nguời bệnh vị trí vỏ não Các tín hiệu điện não vị trí ảnh hưởng lên tín hiệu lân cận thể chất hoạt động não mà cần đo phân tích Các tín hiệu coi nhiễu khơng phản ánh chất tín hiệu điện não chuyển động mắt (nhiễu mắt), chuyển động (nhiễu cơ) ảnh hưởng lớn đến tín hiệu điện não thực ta cần đo phân tích Ta sử dụng điện cực để đo đạc lấy tín hiệu điện não đồ Sau q trình đo đạc ta thu tín hiệu thơ chưa qua xử lý, tín hiệu thu điện cực tổng hợp tín hiệu điện não thu điện cực khác với nhiễu gây chuyển động bệnh nhân (quay đầu, chớp mắt ), điện cực, tần số Mỗi tín hiệu điện vị trí khác có hình dạng (biên độ tần số) khác Các bác sĩ dựa vào tín hiệu để phân tích đánh giá tình trạng bệnh nhân Nhiệm vụ đặt làm để tách tín hiệu nhiễu riêng biệt điện cực khác Với điều kiện đưa trên, ta thấy tín hiệu EEG hồn tồn phù hợp với điều kiện Vì ta sử dụng phương pháp phân tích thành phần độc lập 82 (ICA) để tách xử lý tín hiệu điện não Các tín hiệu thu từ điện cực tín hiệu cần xử lý, kí hiệu  s1, , sN  T  x1, , xM  T Tín hiệu EEG gốc ( khơng có nhiễu) có mối quan hệ: x  As với A ma trận trộn khơng biết Như ta hồn tồn đưa tốn xử lý tín hiệu điện não đồ dạng tốn phân tích thành phần độc lập ICA Dưới kết ứng dụng phương pháp ICA vào phân tích tín hiệu EEG Như trình bày trên, tín hiệu EEG thu tổ hợp tuyến tính tín hiệu có ích nhiễu, sử dụng phương pháp phân tích thành phần độc lập, ta tách thành phần độc lập khác nhau: Hình 3.5 Các thành phần độc lập tách từ tín hiệu Điện não đồ Bằng phương pháp phân tích thành phần độc lập ICA, ta lấy đầu IC tín hiệu riêng rẽ phía bên tay phải từ IC1- IC4 Tín hiệu Điện não đồ thu tín hiệu trộn X tín hiệu có ích nhiễu, tín hiệu tách tín hiệu độc lập U  U1 ,U ,  với mối quan hệ: U= WX, hay X  W 1U Dựa vào tiêu chuẩn khác tần số, biên độ tín hiệu số phương pháp thống kê mà ta xác định tín hiệu tách nhiễu hay tín hiệu có ích Trong thành phần 83 độc lập ta xác định IC1 IC4 nhiễu, việc khơi phục tín hiệu gốc tổ hợp tuyến tính hai thành phần IC2, IC3 tín hiệu có ích mà hồn tồn khơng cịn nhiễu Điều thể (hình 3.5) Hình 3.6 Tín hiệu Điện não đồ loại nhiễu Như vậy, sau xử lý ta thu tín hiệu điện não đồ (khơng có nhiễu) Dựa vào bác sĩ đánh giá tình trạng bệnh nhân Chúng ta minh họa việc loại bỏ nhiễu mắt, nhiễu tín hiệu điện não đồ EEG Đặt 20 điện cực 20 vị trí khác da đầu để lấy tín hiệu điện não với điện cực gần mắt để thu điện nhãn đồ Ở vị trí điện cực bất kì, tín hiệu thu tín hiệu trộn tất tín hiệu điện cực khác với tỉ lệ thay đổi cộng với nhiễu mắt nhiễu Nhiệm vụ đưa phân tích thành tín hiệu Điện não đồ Điện nhãn đồ mà khơng có nhiễu 84 Hình 3.7 Loại nhiễu mắt nhiễu tín hiệu Điện não đồ (Hình 3.7 A) phần tín hiệu dài giây thu thập từ 20 điện cực da đầu điện cực lấy tín hiệu từ hoạt động mắt (Hình 3.7.B) hiển thị thành phần độc lập phân tích phương pháp ICA Tương ứng với 22 tín hiệu thu 22 thành phần độc lập, có tín hiệu có ích nhiễu Quan sát hình vẽ ta thấy thành phần 1, nhiễu chuyển động mắt giây thứ 2, Các thành phần 12, 15, 19 nhiễu đo từ trán Bằng cách loại bỏ thành phần nhiễu trên, ta thu tín hiệu cần khơi phục tổ hợp tuyến tính tín hiệu có ích thu từ phương pháp ICA, hiển thị (hình 3.7.C) Tín hiệu khơi phục bao gồm tín hiệu Điện não đồ tín hiệu Điện nhãn đồ 3.5 Kết Luận: Chương giới thiệu tóm tắt EEG đặc điểm EEG, nhiễu EEG ứng dụng ICA loại bỏ nhiễu tín hiệu EEG Bằng phương pháp phân tích thành phần độc lập ICA ta thu tín hiệu có ích mà hồn tồn khơng cịn nhiễu dựa vào bác sĩ đánh giá tình trạng bệnh nhân 85 KẾT LUẬN Luận văn giới thiệu sở lý thuyết tốn xử lý mù tín hiệu (BSS) phương pháp phân tích thành phần độc lập Independent Component Analysis (ICA) xây dựng mơ hình xử lý ảnh cộng hưởng từ chức fMRI dựa phương pháp ICA (thuật toán FastICA) Phương pháp ICA cho phép phân tách liệu fMRI thành thành phần không gian (ảnh) độc lập phi Gauss Từ thành phần độc lập này, xác định thành phần tín hiệu có ích liên quan đến tác động kích thích xác định khu vực hoạt hóa não Trong phần mơ phỏng, luận văn sử dụng sở liệu fMRI thu thập Institutional Review Board of Johns Hopkins University Kết luận văn ứng dụng nghiên cứu ảnh FMRI đồng thời triển khai vào thực tiễn cho phép bác sĩ xác định khu vực não hoạt hóa người bệnh chịu tác động kích thích định (chẳng hạn động kinh, tự kỷ, say rượu, rối loạn số chức năng…) từ giúp bác sĩ tìm phương án điều trị tối ưu Luận văn ứng dụng phương pháp phân tích thành phần độc lập ICA loại bỏ nhiễu tín hiệu EEG Dựa vào tiêu chuẩn khác tần số, biên độ tín hiệu số phương pháp thống kê mà ta xác định tín hiệu tách nhiễu hay tín hiệu có ích việc khơi phục tín hiệu gốc tổ hợp tuyến tính tín hiệu có ích mà hồn tồn khơng cịn nhiễu dựa vào bác sĩ đánh giá tình trạng bệnh nhân 86 TÀI LIỆU THAM KHẢO TIẾNG VIỆT [1] Nguyễn Quốc Trung, Xử lý tín hiệu lọc số, tập 1, NXB Khoa học kỹ thuật 2004 [2] Vương Hoàng Nam, Nguyễn Quốc Trung, Trần Hoài Linh “Một phương pháp phân tách mù nguồn tin sử dụng sai số dự báo tốt thuật tốn FastICA,” Tạp chí Khoa học & Cơng nghệ Trường Đại học Kỹ thuật, trang 1-6, Số 81, tháng 3/2011 [3] Vương Hoàng Nam, Nguyễn Quốc Trung, Trần Hồi Linh “Loại bỏ nhiễu tín hiệu điện tim ECG phương pháp phân tích thành phần độc lập,” Hội nghị toàn quốc điều khiển tự động hóa VCCA 2011, pp.813-817, ngày 25-26/ 11, 2011 [4] Lê Minh Hòa, Nguyên lý tạo ảnh thiết bị cộng hưởng từ hạt nhân ứng dụng chụp ảnh khuếch tán, Luận văn tốt nghiệp 2007, Trường ĐH Bách Khoa TP.HCM [5] Trần Hoài Linh, Mạng nơron ứng dụng xử lý tín hiệu, NXB Bách Khoa Hà Nội TIẾNG ANH [6] Aapo Hyvarinen, Juha Karhunen and Erkkl Oja, Independent Component Analysis, John Wiley and Sons Ltd, 2001 [7] A.Hyvarien, “Fast and robust fixed-point algorithms for independent component analysis,” IEEE Trans On Neural Networks, 10(3): 626-634, 1999 [8] Aapo Hyvarinen et al, “ Independent component analysis: Algorithms and Applications,” Neural Networks, 13(4-5):411-430, 2000 [9] Aapo Hyvarinen, “Independent component analysis for time dependent stochastic processes,” Proc.Int.Conf on Artificial Neural Networks ICANN’98 87 [10] Belouchrani, K.Abed-Meraim, J.F.Cardoso and E.Moulines: A blind source separation technique using second order statistics, IEEE Trans On Signal Processing, 45:434-444, 1997 [11] A Cichocki, “Blind Signal Separation and Extraction: Recent Trends, Future Perspectives, and Applications”, Lecture Notes in Computer Science, Artificial intelligence and Soft Computing 3070, 30-37 (2004) [12] A.Cichocki et al, "A blind extraction of temporally correlated but statistically dependent acoustic signals,” Neural Network for Signal Processing, X, 2000, Proceedings of the 2000 IEEE Signal Processing Society Workshop, vol.1, pp 455-464 [13] A.J.Bell and T.J Sejnowski, “ An information-maximization approach to blind separation and blind deconvolution,” Neural Computation (7):11291159,1995 [14] Boynton GM, Engel SA, Glover GH et al (1996), Linear systems analysis of functional magnetic resonance imaging in human V1, J Neurosci 16: 4207-21 [15] C.Jutten and J.Herault, “Independent component analysis versus principal component analysis,” Signal Processing, vol.IV, pp 643-646, Elsevier, Amsterdam, 1988 [16] C.Simon et al,” Blind source separation of convolutive mixtures by maximization of fourth order cumulants: the non-iid case,” Proceedings of The Thirty-Second Asilomar Conference on Signals, Systems & Computers, November 1998, vol.2 , pp.1584-1588 [17] E.Bingham and A.Hyvarinen,“A fast fixed-point algorithm for independent component analysis of complex-valued signals, ” International Journal of Neural Systems 10, pp.1-8, 2000 [18] Friston KJ, Jezzard PJ, Turner R (1994) Analysis of functional MRI time-series Hum Brain Mapp 1: 153-71 88 [19] Jean-Franỗois Cardoso, Higher-order contrasts for independent component analysis,” Neural Computation, vol 11, no 1, pp 157 192, Jan 1999 [20] Jean-Franỗois Cardoso, Blind signal separation: statistical principles,” Proceedings of the IEEE, vol 90, n 8, pp 2009-2026, Oct 98, special issue on blind identification and estimation [21] Jean-Franỗois Cardoso and Antoine Souloumiac, Blind beamforming for non Gaussian signals,” IEE-Proceedings-F, vol.140, no 6, pp.362-370, 1993 [22] Kiviniemi.V et al, “Independent Component Analysis of nondeterministic fMRI signal sources”, NeuroImage, vol 19, pp.253-260, 2003 [23] McKeown M.J and Sejnowski T.J, “Independent Component Analysis of FMRI data: Examining the Assumptions”, Human Brain Mapping, vol.6, pp 368-372, 1998 [24] McKeown M.J et al., “Analysis of fMRI Data by Blind Separation into Independent Spatial Components”, Human Brain Mapping, vol.6, pp 160-188, 1998 [25] Monson H.Hayes, Statistical Digital Signal Processing and Modeling , John Wiley & Sons,Ltd, 1996 [26] P.Common, “Independent Component Analysis - a new concept ?,” Signal Processing, 36(3): 287-314, 1994 [27] Sarty, Gordon E., Computing Brain Activity Maps from fMRI Time Series Images, Cambridge Uni Press [28] S.I.Amari and A.Cichocki, Adaptive Blind Signal and Image Processing, John Wiley & Sons, 2002 [29] S.Makino, Te-Won Lee, and H Sawada, Blind Speech Separation, Springer, Sept 2007 [30] S Choi, A Cichocki, H._M Park and S.-Y Lee: "Blind source separation and independent component analysis: A review", Neural Information Processing Letters and Reviews, Vol 6, No.1, pp.1-57, January 2005 [31] SPM99, Statiscal Parametric http://www.fil.ion.ucl.ac.uk/spm 89 Mapping 1999, available: [32] Tran Hoai Linh, Tran Quy Binh, D.A.Cartes, S.K.Srivastava “Fault Detections On Three-Phase Power Transmission Line by Using Artificial Neural Network”, pp.599-603, the fourth ICCE (ICCE 2012) International Conference, Vietnam [33] V.Calhoun, T.Adali, G.Pearlson, and J.Pekar, “A Method for Making Group Inferences From Functional MRI Data Using Independent Component Analysis” Hum.Brain Map., vol 14, pp 140-151, 2001 [34] V.Calhoun, T.Adali, G.Pearlson, and J.Pekar, “A Method for Making Group Inferences Using Independent Component Analysis of Functional MRI Data: Exploring the Visual System” NeuroImage, vol 13, no.6, p S88, 2001 [35] V.Calhoun, J.Pekar, T.Adali, and G.Pearlson, “Spatial & Temporal Independent Component Analysis of fMRI Data with Two Task-Related Waveforms” Proceedings, ISMRM, 10th Annual Meeting, Glasgow,Scotland, p 24, 2001 [36] V D Calhoun and T Adali, "Multi-subject independent component analysis of fMRI: A decade of intrinsic networks, Default Mode, and Neurodiagnostic Discovery," IEEE Reviews in Biomedical Engineering, invited contribution, vol 5, pp 60-73, 2012 [37] V D Calhoun ,P Rodriguez, N M Correa, T Eichele, and T Adali, "Quality map thresholding for denoising of complex-valued fMRI data and its application to ICA of fMRI," Signal Processing Systems for Signal, Image, and Video Technology, vol.65, no 3, pp 497-508, Dec 2011 [38] V D Calhoun, N M Correa, T Adali, "Canonical correlation analysis for data fusion and group analysis: Examining applications of medical imaging data," IEEE Signal Processing Magazine, vol 27, no 4, pp 39-50, July 2010 [39] Worley KJ et al, A general statistical analysis for fMRI data, NeuroImage 2002, vol 15, pp.1-15 [40] Kiran Kumaar Budde, A Matlab Toolbox for fMRI Data analysis: Detection, Estimation and Brain Connectivity, September 2012 90 ... ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ ỨNG DỤNG THUẬT TOÁN PHÂN TÁCH MÙ NGUỒN TIN TRONG XỬ LÝ CÁC TÍNH HIỆU Y SINH TRẦN VĂN DŨNG Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS.Vương Hoàng... FMRI Chương 3: Ứng dụng ICA loại bỏ nhiễu tín hiệu điện não đồ EEG CHƯƠNG CƠ SỞ LÝ THUYẾT BÀI TỐN XỬ LÝ MÙ TÍN HIỆU Vấn đề xử lý mù tín hiệu mà điển hình toán phân tách mù nguồn tin Blind Source... đóng góp Th? ?y, Cô để luận văn hoàn thiện Em xin chân thành cảm ơn! i LỜI CAM ĐOAN Tôi xin cam đoan luận văn nghiên cứu “ Ứng dụng thuật toán phân tách mù nguồn tin xử lý tính hiệu y sinh? ?? viết