Ứng dụng biến đổi wavelet và bộ phân lớp SVM cho vấn đề nhận dạng sóng động kinh trên điện não đồ

i LỜI CAM ĐOAN Tôi cam đoan công trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Bình Dương, ngày tháng năm 2019 Học viên thực luận văn Hồ Ngọc Giàu ii LỜI CẢM ƠN Tôi xin gửi lời cảm ơn chân thành đến Thầy TS Hoàng Ma ̣nh Hà, người tận tình hướng dẫn, hỗ trợ giúp đỡ tơi nhiều nghiên cứu luận văn Thầy đưa định hướng, nhận xét góp ý quý giá để luận văn hồn thành Kính gửi lời cảm ơn sâu sắc đến quý Thầy, Cô giảng viên thời gian qua nhiệt tình giảng dạy truyền đạt kiến thức chuyên môn cần thiết q trình tơi học tập Trường Đa ̣i Ho ̣c Thủ Dầ u Mô ̣t, Biǹ h Dương Xin gửi lời cảm ơn sâu sắc đến Ban giám hiê ̣u Trường Đa ̣i Ho ̣c Thủ Dầ u Mơ ̣t, Cán Phịng Đào tạo trường nhiệt tình giúp đỡ tạo điều kiện thuận lợi để tơi có mơi trường học tập tốt hồn tất khóa học Xin gửi lời biết ơn vơ hạn đến gia đình khơng ngừng quan tâm, động viên, ủng hộ mặt tinh thần lẫn vật chất suốt thời gian tham gia ho ̣c tâ ̣p thực luận văn Cảm ơn anh chị đồng nghiệp, bè bạn lớp Cao học Hệ thống thơng tin khóa 2016-2018 giúp đỡ đồng hành thời gian học tập nhà trường Bình Dương, ngày tháng năm 2019 Học viên thực luận văn Hồ Ngọc Giàu iii MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC ii DANH MỤC THUẬT NGỮ VIẾT TẮT v DANH MỤC HÌNH VẼ vi TÓM TẮT vii CHƯƠNG ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC TÍNH LIÊN QUAN ĐẾN BÀI TỐN PHÁT HIỆN GAI ĐỘNG KINH 1.1 Sự hình thành tín hiệu điện não 1.1.1 Cơ chế điện sinh lý 1.1.2 Chẩn đốn bệnh động kinh thơng qua điện não 1.1.3 Đặc điểm tín hiệu điện não 1.1.4 Các dạng nhịp 1.1.5 Một số loại nhịp khác 1.1.6 Một số nhịp dạng sóng bình bình thường xuất giấc ngủ 1.2 Dấu hiệu nhận biết tín hiệu động kinh 1.2.1 Một số khái niệm 1.2.2 Vai trị điện não đồ chẩn đốn động kinh 1.2.3 Các bước chẩn đoán 1.2.4 Giới thiệu toán nhận dạng 13 1.2.5 Các bước xử lý trình nhận dạng 14 CHƯƠNG TỔNG QUÁT VỀ TÁCH ĐẶC TRƯNG GAI ĐỘNG KINH 15 2.1 Tách đặc trưng mạng nhân tạo (ANN) 15 2.1.1 Mơ hình nơ – ron 15 2.1.2 Kiến trúc mạng Feed-forward 18 2.1.3 Huấn luyện 19 2.1.4 Luật học 20 2.1.5 Thuật toán lan truyền ngược 21 2.1.6 Hàm truyền 21 iv 2.2 Biến đổi Wavelet 22 2.2.1 Hàm sở 23 CHƯƠNG ĐỀ XUẤT PHƯƠNG PHÁP TÁCH ĐẶC TRƯNG GAI ĐỘNG KINH 26 3.1 Giới thiệu hàm Gauss 26 3.2 Ứng dụng hàm Gauss cho toán tách đặc trưng sóng động kinh từ tín hiệu điện não 28 CHƯƠNG ĐỀ XUẤT KẾT HỢP PHƯƠNG PHÁP TÁCH ĐẶC TRƯNG BẰNG HÀM GAUSS VỚI SVM CHO BÀI TỐN PHÁT HIỆN SĨNG ĐỘNG KINH 36 4.1 Kết hợp tách đặc trưng hàm gauss với svm 36 4.2 Thực nghiệm đánh giá 39 4.2.1 Kết thực nghiệm mơ hình đề xuất 39 4.2.2 So sánh với số phương pháp tiêu biểu 43 4.3 Kết luận hướng phát triển 49 PHỤ LỤC ĐÍNH KÈM (Bảng số liệu support vecto) 50 TÀI LIỆU THAM KHẢO: 50 v DANH MỤC THUẬT NGỮ VIẾT TẮT Ký hiệu Tiếng Anh Tiếng Việt CWT Continuous Wavelet Transform Biến đổi Wavelet liên tục DWT Discrete Wavelet Transform Biến đổi Wavelet rời rạc EEG Electroencephalogram Điện não đồ FT Fourier Transform Biến đổi Fourier ANN Artificial Neural Network Mạng nơ ron nhân tạo SVM Support Vectơ Machine Máy vectơ hỗ trơ ̣ SHWA Second Half Wave Amplitude Biên độ cạnh sau SHWD Second Half Wave Duration Thời gian tồn cạnh sau SHWS Second Half Wave Slope Thời gian tồn cạnh trước WT Wavelet Transform Biến đổi Wavelet vi DANH MỤC HÌNH VẼ Hình 1.1: Các nhịp EEG Hình 1.2: Các sóng điện não Hình 1.3: Nhịp µ Hình 1.4: Sóng Lambda Hình 1.5: Sóng Vertex Hình 1.6: Hình thái gai Hình 1.7: Hình thái Sharpwave 10 Hình 1.8: Phức hợp gai sóng 10 Hình 1.9: Đa gai sóng 11 Hình 1.10: Phức hợp đa gai 11 Hình 1.11: Phức hợp đa nhọn sóng 12 Hình 1.12: Phức hợp đa nhọn sóng chậm .12 Hình 1.13: Một số dạng gai thực tế 13 Hình 1.14: Các bước toán nhận dạng 14 Hình 2.1: Mơ hình nơ ron nhân tạo 15 Hình 2.2: Mạng nơ ron lớp với S nơ ron 16 Hình 2.3: Mơ hình mạng ANN lớp gồm S nơ ron 17 Hình 2.4: Mơ hình mạng ANN gồm lớp 17 Hình 2.5 Mạng ANN lớp dạng rút gọn 18 Hình 2.6: Mơ hình mạng có phản hồi 19 Hình 2.7: Phân tích đa phân giải sử dụng biến đổi wavelet rời rạc 24 Hình 3.1: Mơ tả phân phối Gauss với giá trị π khác 26 Hình 3.2: Mơ tả tác dụng hàm Gauss điện não đồ có gai động kinh 27 Hình 3.3: Mơ tả tác dụng hàm Gauss điện não đồ khơng có gai động kinh 28 Hình 3.4: Mô tả mặt phẳng phân tách không gian R3 31 Hình 3.5: Mơ tả đỉnh (gai) kết tương ứng tính đạo hàm bậc 31 Hình 3.6: Mơ tả gai kép kết tương ứng tính đạo hàm bậc .32 Hình 4.1: Mơ tả bước kết hợp ứng dụng hàm Gauss để tách đặc trưng động kinh với SVM 37 Hình 4.2: So sánh tín hiệu điện não trước sau lọc 37 Hình 4.3: So sánh tín hiệu điện não trước sau lọc phản ánh gai động kinh 38 vii TÓM TẮT Động kinh chứng bệnh của hệ thần kinh xáo trộn lặp lặp lại số nơron vỏ naõ tạo nhiều triệu chứng rối loạn hệ thần kinh co giật bắp thịt, cắn lưỡi, sùi bọt mép, mắt trợn ngược, ngấ t xỉu, bấ t tin̉ h, kiểm soát tiểu tiện Cơn động kinh gồm những triệu chứng thay đổi từ ngắn gọn gần phát đến động kinh thời gian dài với chấn động mạnh Đô ̣ng kinh xảy ở mo ̣i lứa tuổ i, mo ̣i giới tiń h Ở Viê ̣t Nam, chẩ n đoán đô ̣ng kinh chủ yế u dựa vào phương pháp lâm sàng thông qua các dấ u hiêụ nhâ ̣n biế t triêụ chứng của các co giâ ̣t Để kiể m tra chẩ n đoán lâm sàng người ta phân tić h tiń hiêụ điêṇ naõ đồ EEG Các bác si,̃ các chuyên gia sẽ quan sát các bản ghi tín hiê ̣u EEG và phát hiêṇ các dấ u hiê ̣u bấ t thường Công viê ̣c này tiêu tớ n khá nhiề u thời gian, có phải tốn nhiều giờ, nhiều ngày Nhưng kế t quả mang la ̣i sẽ mang tính chủ quan, vì mỗi người sẽ có những nhâ ̣n đinh ̣ khác Nhằm bổ trơ ̣ cho viêc̣ chẩ n đoán bênh ̣ đô ̣ng kinh thêm thuâ ̣n lơ ̣i về thời gian và tăng thêm đô ̣ chính xác, đề nghi ̣ ứng du ̣ng hàm Gauss kết hợp với bô ̣ phân lớp SVM cho vấ n đề nghiên cứu nhâ ̣n da ̣ng sóng đô ̣ng kinh tín hiê ̣u điê ̣n naõ đồ Nghiên cứu, đề xuất thực nghiệm với hỗ trợ tảng Matlab sở liệu chuẩn so sánh với kết nghiên cứu mục đích từ 2011 đến 2017 Nội dung luận văn gồm chương: - Chương 1: Tổng quan tín hiê ̣u điê ̣n naõ đồ EEG - Chương 2: Tổng quan tách đặc trưng gai động kinh - Chương 3: Đề xuất áp dụng hàm Gauss cho tách đặc trưng gai động kinh - Chương 4: Đề xuất kết hợp hàm Gauss với SVM để phát sóng CHƯƠNG ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC TÍNH LIÊN QUAN ĐẾN BÀI TỐN PHÁT HIỆN GAI ĐỘNG KINH 1.1 Sự hình thành tín hiệu điện não 1.1.1 Cơ chế điện sinh lý Từ đời nay, với phát triển hồn thiện khơng ngừng, điện não đồ đóng góp vai trị đáng kể chẩn đoán, điều trị tiên lượng bệnh hệ thần kinh trung ương EEG (Electroencephalogram) biểu diễn dạng đồ họa thay đổi hiệu điện theo thời gian điện cực đươ ̣c đặt vị trí khác da đầu tương ứng với vùng vỏ não ([1-3]) Sự kić h thích đồ ng thời của mô ̣t nhóm các nơ ron sẽ ta ̣o tin ́ hiê ̣u EEG có biên đô ̣ lớn vì các tin ́ hiê ̣u có nguồ n gố c từ các nơ ron đô ̣c lâ ̣p đươ ̣c cô ̣ng la ̣i Ngươ ̣c la ̣i các nơ ron kích thích không đồ ng bô ̣ sẽ ta ̣o EEG có biên đô ̣ thấ p Biên đô ̣ EEG cũng phu ̣ thuô ̣c vào kỹ thuâ ̣t đo loa ̣i điê ̣n cực, đa ̣o trin ̀ h, … và bê ̣nh nhân Tin ́ hiê ̣u EEG khác bệnh nhân phụ thuộc vào nhiều yếu tố độ tuổi, tình trạng tâm lý, tình trạng thức hay ngủ, mức độ tập trung v.v… 1.1.2 Chẩn đốn bệnh động kinh thơng qua điện não Chẩn đốn thơng qua EEG là phương pháp lâm sàng của nhiề u quố c gia thế giới vì những giá tri hư ̣ ̃ u ić h của nó mang la ̣i sau: Phản ánh đươ ̣c các chức sinh lý biǹ h thường của naõ [2] Đánh giá và ước lươ ̣ng đươ ̣c sự phu ̣c hồ i của naõ sau các trường hơ ̣p tai biế n hoă ̣c chấ n thương so ̣ naõ Từ đó có thể theo dõi đươ ̣c quá trình điề u tri ̣bê ̣nh, quyế t đinh ̣ bắ t đầ u hay dừng điề u tri [3] ̣ Các trường hơ ̣p bê ̣nh nhân bi ̣ đau đầ u kéo dài, thường xuyên hay lo lắ ng hoảng sơ ̣ vô cớ [3] Các co giâ ̣t tự ý xảy giấ c ngủ Các trường hơ ̣p chấ n thương so ̣ naõ , sau tai biế n ma ̣ch máu naõ có lên co giâ ̣t, đô ̣ng kinh Những trường hơ ̣p ngấ t xỉu thoáng qua có kèm theo méo miê ̣ng hoă ̣c sùi nước bo ̣t Mô ̣t số trường hơ ̣p rố i loa ̣n tuầ n hoàn naõ , thiể u tuầ n hoàn naõ …và mô ̣t số dấ u hiê ̣u lâm sàng cầ n đươ ̣c kiể m tra điê ̣n naõ Điê ̣n naõ đồ phát hiê ̣n đươ ̣c bê ̣nh đô ̣ng kinh, giúp theo dõi và đánh giá đươ ̣c kế t quả chữa tri thông qua viê ̣c kiể m tra tin ̣ ̣ kỳ Đố i với điê ̣n naõ ́ hiê ̣u điê ̣n naõ đinh đồ đô ̣ng kinh chia làm 02 loa ̣i: bản ghi ( ghi đươ ̣c xảy đô ̣ng kinh), bản ghi ngoài (ghi xảy giữa đô ̣ng kinh) ([2], [3]) 1.1.3 Đặc điểm tín hiệu điện não EEG đặc trưng biên độ, tần số, hình thái, phân cực, phân bố vị trí điều kiện làm thay đổi hiệu điện ([2], [3]) Hình 1.1: Các nhịp EEG Các tín hiệu ghi da đầu có biên độ biến thiên từ vài μV đến xấp xỉ 100μV tần số nằm phạm vi từ 0.5 đến 40Hz [1] Nếu trạng thái đối tượng đo ổn định khoảng thời gian, nhịp se ̃ có dạng tuần hồn 1.1.4 Các dạng nhịp Năm 1924, nhà tâm thần học người Áo tên Hans Berger người ghi EEG ([2], [5]) Ông nhận thấy ghi EEG bình thường, nhịp sóng điện não gồm có các loa ̣i sau: 1.1.4.1 Nhịp delta Có tần số nằm khoảng từ 0.5- 4Hz: Nhip̣ Delta ghi người bình thường thức, thấy ngủ sâu vào lúc tỉnh giấc trẻ nhỏ Sóng delta sóng có biên độ cao tất sóng điện não, trung bình 100μV 1.1.4.2 Nhịp theta Theta sóng có tần số từ - 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 Cũng thấy theta tạo thành vùng bất thường cục nơi có tổn thương vỏ cục Biên đô ̣ nhỏ 15μV, xuất vùng trán tới vùng trung tâm Nhịp theta đóng vai trị quan trọng trẻ nhỏ Sự xuất với số lượng lớn nhịp theta không liên tục người lớn thức dấu hiệu bất thường có nguyên nhân từ nhiều bệnh lý khác 1.1.4.3 Nhịp alpha Nhip̣ alpha có tầ n số khoảng Hz đế n 13 Hz, biên đô ̣ không quá 50 µV ( mă ̣c dù có thể giao đô ̣ng từ tới 100 µV xuất 8-13 lần giây (8-13 Hertz) Ở trẻ 03 tuổ i tầ n số là 8Hz Nhip̣ alpha là nhip̣ nổ i trô ̣i quan sát hoa ̣t đô ̣ng điê ̣n naõ , thường có da ̣ng hiǹ h sin hoă ̣c tròn Trong mô ̣t số it́ trường hơ ̣p, nhip̣ alpha có da ̣ng sóng nho ̣n, phầ n âm có da ̣ng nho ̣n, phầ n dương có da ̣ng tròn Sóng thấy rõ 37 Dữ liệu EEG nhận dạng Tiền xử lý Phát gai động kinh Kết phát gai động kinh Hình 4.1 Mơ tả bước kết hợp ứng dụng hàm Gauss để tách đặc trưng động kinh với SVM Trong đó, khối chức mơ tả sau: Bước Tiền xử lý: Chuẩn hóa liệu nền, biên độ, thời gian cắt mẫu cho bước nhận dạng khơng bị âm tính giả (fail neigative) Bước Tách đặc trưng hàm Gauss: Thực lọc thơng qua thực tính cơng thức (3.1) tín hiệu điện não Trường hợp tín hiệu điện não khơng có gai động kinh, kết sau lọc đối sánh với tín hiệu gốc sau Hình 4.2 So sánh tín hiệu điện não trước sau lọc 38 Với độ dài cắt mẫu 890, đoạn liệu tín hiệu điện não biểu diễn dạng vector khơng gian 890 chiều Qua hình 4.2, tín hiệu sau lọc tướng ứng với vector có tất phần tử không Nếu biểu diễn khơng gian 890 chiều tín hiệu sau lọc tương ứng với gốc tọa độ Trường hợp điện não đồ có chứa gai động kinh, hình 4.3 biểu diễn kết lọc hàm Gauss Hình 4.3 So sánh tín hiệu điện não trước sau lọc phản ánh gai động kinh Khi thực tách đặc trưng động kinh, phát yếu tố độ dài cắt mẫu có ảnh hưởng đến độ xác bước nhận dạng (phát hiện) Phát phù hợp với lý thuyết lấy mẫu thống kê Trong thực nghiệm sử dụng độ dài cắt mẫu 890 Khi thực huấn luyện Matlab, liệu phải tuân thủ theo cấu trúc quy định Do vậy, xây dựng hàm cho phép cấu trúc liệu huấn luyện nhận dạng theo quy định Mathwork có tham số cho phép dễ dàng thay đổi độ dài cắt mẫu sau: function [dulieu,nhan]=chuanbi(tap,dodai,label) 39 sl=length(tap)/dodai; for k=1:1:sl for l=1:1:(dodai) dulieu(k,l)=tap(((k-1)*178 + 1) + (l-1)) ; end; nhan(k)=label; end; Bước Huấn luyện: Sauk hi huấn luyện, xác định Support Vector có phân tử xấp xỉ khơng khơng Vì vector có 890 phần tử, chúng tơi trình bày phần phụ lục: 4.2 Thực nghiệm đánh giá 4.2.1 Kết thực nghiệm mơ hình đề xuất Cấu hình máy tính cho huấn luyện kiểm thử: chúng tơi sử dụng máy tính với 2.2 GHz CPU, lõi kép RAM GB Chúng sử dụng Matlab để làm tảng tiến hành thực nghiệm Trong đó, hàm fitcsvm sử dụng để huấn luyện Hàm predict sử dụng để kiểm thử Dữ liệu lấy từ liệu chuẩn, nhóm nghiên cứu khác sử dụng, địa liệu là: https://archive.ics.uci.edu/ml/datasets/Epileptic+Seizure+Recognition# Tập liệu bao gồm 500 mẫu điện não đồ chia làm lớp Lớp tương ứng với điện não đồ khơng có gai động kinh Lớp tương ứng với điện não đồ có gai đơng kinh Bước huấn luyện sử dụng: 40 mẫu lớp mẫu lớp Dữ liệu kiểm tra chọn công từ tập liệu Trong [3], gai động kinh mô tả điểm mà liệu cực trị cục Trên thực tế, biên độ gai động kinh nhận giá trị sau 500,  600,  700, 800,  900,  1000, Do vậy, để ứng dụng công thức (1) cho lọc, ta gán  theo giá trị Giá trị  = chọn phương pháp Thử - Sai để phân phối hình chng có độ rộng phù hợp Đánh giá Đánh giá hiệu phát gai động kinh với đề xuất trên, với 500 mẫu điện não đồ, mẫu có độ dài 3560 điểm liệu Các mẫu có gai động kinh gán nhãn Các mẫu khơng có có gai động kinh gán nhãn -1 Bảng II sau mơ tả tóm tắt kết thực nghiệm 40 mẫu TT Tên lớp Nhãn Kết Kết đạt mong đợi 1 -1 -1 -0.90476190477 -1 -1 -0.90476190477 -1 -1 -0.90476190477 41 TT Tên lớp Nhãn Kết Kết đạt mong đợi -1 -1 -0.90476190477 1 0.9995349703 1 0.9995349703 1 0.9995349703 1 0.9995349703 -1 -1 -0.90476190477 10 -1 -1 -0.90476190477 11 -1 -1 -0.90476190477 12 -1 -1 -0.90476190477 13 1 0.9995349703 14 1 0.9995349703 15 1 0.9995349703 16 1 0.9995349703 17 -1 -1 -0.90476190477 18 -1 -1 -0.90476190477 19 -1 -1 -0.90476190477 20 -1 -1 -0.90476190477 21 1 0.9995349703 22 1 0.9995349703 42 TT Tên lớp Nhãn Kết Kết đạt mong đợi 23 1 0.9995349703 24 1 0.9995349703 25 -1 -1 -0.90476190477 26 -1 -1 -0.90476190477 27 -1 -1 -0.90476190477 28 -1 -1 -0.90476190477 29 1 0.9995349703 30 1 0.9995349703 31 1 0.9995349703 32 1 0.9995349703 33 -1 -1 -0.90476190477 34 -1 -1 -0.90476190477 35 -1 -1 -0.90476190477 36 -1 -1 -0.90476190477 37 1 0.9995349703 38 1 0.9995349703 39 1 0.9995349703 40 1 0.9995349703 Kết đạt độ xác 100% 43 4.2.2 So sánh với số phương pháp tiêu biểu Đánh giá độ xác so sánh với kết tiêu biểu tiếp cận khác ([2] – [6]) TT Tác giả R K Tên báo Nhà xuất Epileptic seizure detection International Chaurasiya using HHT and SVM Conference on đồng Electrical, Năm Độ xuất xác 2015 97% 2005 98.68% 2005 90% 2011 94% 2011 99.2% Electronics, Signals, Communication and Optimization Güler Ü Recurrent neural networks Expert systems beyli employing Lyapunov with applications exponents for EEG signals classification Kannathal N Entropies for detection of Comput Methods epilepsy in EEG Programs Biomed Oweis Seizure classification in Biomed Eng Abdulhay EEG signals utilizing Online Hilbert-Huang transform Guo L Automatic feature Expert Systems 44 extraction using genetic with Applications programming: An application to epileptic EEG classification Kumar Y Epileptic seizure Neurocomputing 2014 97.38% A new framework based IEEE Journal of 2013 98.67% on recurrence BioMedical and quantification analysis for Health epileptic seizure Informatics, 2016 99% 2016 99.33% detection using DWT based fuzzy approximate entropy and support vector machine Neurocomputing Niknazar M detection Riaz F., EMD-based temporal and IEEE Hassan A., spectral features for the Transactions on Rehman S., classification of EEG Neural Systems Niazi I K., signals using supervised and Dremstrup K learning Rehabilitation Engineering Peker M., Sen A novel method for IEEE Journal of B., Delen D automated diagnosis of Biomedical and epilepsy using complex- Health valued classifiers Informatics 45 Đoạn chương trình sau thực việc đọc file liệu, chuẩn hóa liệu, cắt mẫu theo độ dài 890, huấn luyện kiểm tra độ xác clear all; close all; P_1_1 = load('y_1_1.mat','Y_1_1'); P_1_2 = load('y_1_2.mat','Y_1_2'); P_1_3 = load('y_1_3.mat','Y_1_3'); P_1_4 = load('y_1_4.mat','Y_1_4'); P_1_5 = load('y_1_5.mat','Y_1_5'); P_1_6 = load('y_1_6.mat','Y_1_6'); %P_1_1.Y_1_1=abs(P_1_1.Y_1_1); %P_1_2.Y_1_2=abs(P_1_2.Y_1_2); %P_1_3.Y_1_3=abs(P_1_3.Y_1_3); %P_1_4.Y_1_4=abs(P_1_4.Y_1_4); %P_1_5.Y_1_5=abs(P_1_5.Y_1_5); N_4_1 = load('y_4_1.mat','Y_4_1'); N_4_2 = load('y_4_2.mat','Y_4_2'); N_4_3 = load('y_4_3.mat','Y_4_3'); N_4_4 = load('y_4_4.mat','Y_4_4'); N_4_5 = load('y_4_5.mat','Y_4_5'); N_4_6 = load('y_4_6.mat','Y_4_6'); 46 %cm=1424; %cm=356; %cm=712; cm=890; %cm=1424; [dulieuP_1_1,nhanP]=chuanbi(P_1_1.Y_1_1,cm,1); [dulieuP_1_2,nhanP]=chuanbi(P_1_2.Y_1_2,cm,1); [dulieuP_1_3,nhanP]=chuanbi(P_1_3.Y_1_3,cm,1); [dulieuP_1_4,nhanP]=chuanbi(P_1_4.Y_1_4,cm,1); [dulieuP_1_5,nhanP]=chuanbi(P_1_5.Y_1_5,cm,1); %[dulieuP_1_6,nhanP]=chuanbi(P_1_6.Y_1_6,cm,1); % [dulieuN_4_1,nhanN]=chuanbi(N_4_1.Y_4_1,cm,-1); [dulieuN_4_2,nhanN]=chuanbi(N_4_2.Y_4_2,cm,-1); [dulieuN_4_3,nhanN]=chuanbi(N_4_3.Y_4_3,cm,-1); [dulieuN_4_4,nhanN]=chuanbi(N_4_4.Y_4_4,cm,-1); [dulieuN_4_5,nhanN]=chuanbi(N_4_5.Y_4_5,cm,-1); %[dulieuN_4_6,nhanN]=chuanbi(N_4_6.Y_4_6,cm,0); dulieuHL = [dulieuN_4_1; dulieuP_1_1; dulieuN_4_2; dulieuP_1_2; dulieuN_4_3; dulieuP_1_3; dulieuN_4_4; dulieuP_1_4; dulieuN_4_5; dulieuP_1_5]; 47 nhanHL = [nhanN nhanP nhanN nhanP nhanN nhanP nhanN nhanP nhanN nhanP]'; bophantach = fitcsvm(dulieuHL,nhanHL,'KernelFunction','rbf','BoxConstraint',Inf,'ClassName', [-1,1]); % kiem thu kiemP_1 = load('y_1_6.mat','Y_1_6'); kiemP_2 = load('y_1_7.mat','Y_1_7'); kiemP_3 = load('y_1_8.mat','Y_1_8'); kiemP_4 = load('y_1_9.mat','Y_1_9'); kiemP_5 = load('y_1_10.mat','Y_1_10'); kiemN_1 = load('y_4_6.mat','Y_4_6'); kiemN_2 = load('y_3_7.mat','Y_3_7'); kiemN_3 = load('y_3_8.mat','Y_3_8'); kiemN_4 = load('y_3_9.mat','Y_3_9'); kiemN_5 = load('y_3_10.mat','Y_3_10'); % [k_P_1]=chuanbikiem(kiemP_1.Y_1_6,cm); [k_P_2]=chuanbikiem(kiemP_2.Y_1_7,cm); [k_P_3]=chuanbikiem(kiemP_3.Y_1_8,cm); [k_P_4]=chuanbikiem(kiemP_4.Y_1_9,cm); [k_P_5]=chuanbikiem(kiemP_5.Y_1_10,cm); 48 [k_N_1]=chuanbikiem(kiemN_1.Y_4_6,cm); [k_N_2]=chuanbikiem(kiemN_2.Y_3_7,cm); [k_N_3]=chuanbikiem(kiemN_3.Y_3_8,cm); [k_N_4]=chuanbikiem(kiemN_4.Y_3_9,cm); [k_N_5]=chuanbikiem(kiemN_5.Y_3_10,cm); dulieukiem = [k_P_1; k_N_1; k_P_2; k_N_2; k_P_3; k_N_3; k_P_4; k_N_4 ; k_P_5; k_N_5]; [nhankiem,KQ] = predict(bophantach,dulieukiem); 49 4.3 Kết luận hướng phát triển - Những kết đạt mặt hạn chế Qua thời gian nghiên cứu lý thuyết thực nghiệm để hồn thành luận văn, tơi nhận thấy đạt ba kết sau đây: Luận văn đưa giải pháp cho việc tách đặc trưng gai động kinh, sử dụng hàm Gauss để lọc tín hiệu điện não Khi áp dụng, đề xuất tỏ đặc biệt hữu ích cho bước huấn luyện nhận dạng sau Với 500 mẫu điện não đồ, tỷ lệ phát (nhận dạng) 100% Chọn giá trị phù hợp cho tham số  thông qua thực nghiệm nhiều lần Căn vào đặc tính sinh học gai động kinh, kết hợp với lý thuyết lấy mẫu, chọn độ dài cắt mẫu phù hợp bước huấn luyện nhận dạng, cho tránh tình trạng âm tính giả (fail neigative) Qua luận văn giải tốt lớp toán nhận dạng tốn nhận dạng tổng thể, nói bước quan trọng toán nhận dạng hồn chỉnh Bên cạnh luận văn cịn số điểm hạn chế định như: Đề tài dừng lại việc nhận dạng, phát tồn gai động kinh tín hiệu điện não Tuy bước cần thiết toán tự động chẩn đoán, tư vấn y tế cần bước triển khai thực thành sản phẩm cụ thể hoàn chỉnh - Hướng phát triển đề tài Hướng nghiên cứu thời gian tới tơi tiếp tục nghiên cứu, thực nghiệm nhiều phương pháp khác nhằm so sánh khả lọc tách đặc trưng gai động kinh điện não đồ Mục đích 50 nhằm giải tốn lớn nhận dạng, phát dấu hiệu động kinh, không hạn chế từ liệu chuẩn PHỤ LỤC ĐÍNH KÈM (Bảng số liệu suppor vector) TÀI LIỆU THAM KHẢO: [1] Kayvan Najarian, Robert Splinter, BioMedical Signal and Image Processing, CRC Press, (2012) [2] Ravi Mishra et al, “A Survey on Different Methods for Epilepsy and Seizure Detection by Analyzing EEG”, International Journal of Engineering Research and Reviews , (2015), Vol 3, Issue 4, pp: (10-15) [3] Madhurima Baner jee et al, “EEG Signal for Epilepsy Detection: A Review”, Journal of Envir onmental Science, Computer Science and Engineering & Technology, (2016), Vol.5 No.2, PP: (023-032) [4] Zakareya Lasefr et al, “Epilepsy Seizura Detection using EEG signals”, IEEE 8th Annual Ubiquitous Computing, Electronics and Mobile Communication Conference, (2017) [5] Bajaj et al, “Classification of seizure and nonseizure EEG signals using empirical mode decomposition”, IEEE Transactions on Information Technology in Biomedicine, vol 16, no 6, (2012), pp 1135-1142 [6] Rahul Kumar Chaurasiya et al, “Epileptic seizure detection using HHT and SVM”, International Conference on Electrical, Electronics, Signals, Communication and Optimization, (2015) [7] Damien Coyle et al, Extracting Features for a Brain-Computer Interface by Self-Organising Fuzzy Neural Network-based Time Series Prediction, 26th Annual International Conference of the IEEE EMBS, (2004) [8] Pari Jahankhani et al, Two Different Approaches of Feature Extraction for Classifying the EEG Signals, International Conference on Engineering Applications of Neural Networks, (2011) 51 [9] Sharmila Ashok, Wavelet-based feature extraction for classification of epileptic seizure EEG signal, Journal of Medical Engineering & Technology, (2017), Vol 41 Number 8, pp:1-11 ... et al đề xuất phương pháp phân lớp điện não đồ kết hợp biến đổi wavelet với SVM [2,3] với độ xác 96.2% Để độ xác vượt qua 98% cho nhận dạng gai động kinh, vấn đề quan trọng xác định mặt phân tách,... công cụ cho phép dễ dàng phân tích điện não đồ Việc thu nhận tín hiệu điện não để chẩn đốn bệnh động kinh đòi hỏi nhiều thời gian cho quan sát khác biệt gai động kinh so với thành phần điện não bình... tách đặc trưng gai động kinh - Chương 3: Đề xuất áp dụng hàm Gauss cho tách đặc trưng gai động kinh - Chương 4: Đề xuất kết hợp hàm Gauss với SVM để phát sóng CHƯƠNG ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC