Hệ thống nhận dạng hoạt động gõ tay sử dụng phân tích tín hiệu quang phổ cận hồng ngoại (fNIRS) và các thuật toán học máy

DANH SÁCH BẢNG

DANH SÁCH HÌNH

CƠ SỞ LÝ THUYẾT

Phương Pháp Tái Hiện Hình Ảnh Và Tín Hiệu Não Người .1 Phương pháp EEG

Mức độ tập trung của HbR và HbO2 có thể được tính dựa trên luật Beer- Lambert .Giả sử ta đang đo trong một môi trường có mức tập trung của thành phần hấp thụ ánh sáng là C. Một thiết bị fNIRS thực tế sẽ bao gồm nguồn quang, đầu thu kết hợp với nhau trong một khối: mạch phát điều khiển thời gian và cường độ của nguồn quang, mạch thu nhận các ánh sáng phản xạ từ mô và gởi chúng đến khối điều khiển.

THU THẬP DỮ LIỆU NÃO NGƯỜI SỬ DỤNG KỸ THUẬT QUANG PHỔ CẬN HỒNG NGOẠI - fNIRS

Các Vùng Chức Năng Não Người

Vùng điều khiển chuyển động này liên quan đến chức năng của nhiều bộ phận trong cơ thể như: tay, chân, eo, mặt, môi, hàm, …. Trong phần đề tài này, người thực hiện thu dữ liệu trên thùy đỉnh, vùng điều khiển chuyển động.

Thiết Bị Và Tín Hiệu fNIRS .1 Thiết Bị

Ngoài ra, tùy theo vùng muốn đo hay số lượng đầu đo muốn bố trí thì bộ holder có thể tháo rời từng phần (hình 3.6) để phục vụ cho mục đích này. Để thu tín hiệu fNIRS, ta có thể thiết lập các thông số về giao thức (protocol) thí nghiệm, vị trí các kênh giữa các đầu phát và đầu thu. • Ma trận kênh đo được bố trí theo kiểu 4x2, có 10 kênh đo tín hiệu được hình thành từ 4 đầu phát và 4 đầu thu đo trên vùng não điều khiển chuyển động.

Phần mềm xử lý của máy FOIRE-3000 cho phép người dùng chuyển định dạng này sang file text *.txt. Để thuận tiện trong việc xử lý, người thực hiện chuyển dữ liệu dạng text sang dạng bảng tính, với các cột thời gian và biên độ đo được từ các kênh.

Thiết Lập Thớ Nghiệm Thu Dữ Liệu Cho Hoạt Động Gừ Tay

Vị trí các đầu đo, kênh đo (màu vàng) trên khu vực motor control của bán cầu. Tuy nhiên, người thực hiện chỉ chọn lấy 4 kênh ở mỗi phía, các kênh này tập trung tại vùng motor hơn và cho dữ liệu tin cậy. Tín hiệu thu về từ các kênh còn rất nhiều đột biến do nhiễu và cần được loại bỏ trước khi trớch lấy cỏc đặc trưng vốn cú khi gừ tay.

TIỀN XỬ LÝ DỮ LIỆU

Bộ Lọc Savitzky – Golay

Các cột trong B chính là hệ số của các bộ lọc Savitzky- Golay đang xây dựng để đưa các điểm đã có về dạng tín hiệu bậc 2, chúng có chiều dài là 5 và bậc bằng 2. Khi làm phẳng khối dữ liệu dài, lọc b0 được dùng trong khoảng ổn định, trong khi các cột còn lại được dùng trong khoảng quá độ khi bắt đầu và khi kết thúc tín hiệu. Như vậy, một cách tổng quát, ta có thể tính được một đa thức có bậc d bất kỳ để thực hiện làm phẳng dữ liệu có chiều dài N trong x, với điều kiện N≥ d+1.

Kết quả của bộ lọc Savitzky- Golay chiều dài N, bậc d làm phẳng chuỗi x bị nhiễu, có dạng trong trạng thái ổn định như sau. Và cũng nhận thấy rằng, khi thay đổi bậc của đa thức làm phẳng trong khi giữ cửa sổ lọc như trường hợp trên tần số cắt cũng thay đổi như trong hình 4.4.

Áp Dụng Bộ Lọc Trên Tín Hiệu NIRS

Điều này được nhận thấy một cách tương đối trong hình 4.6, tín hiệu sau lọc (đường nét đứt đỏ) có sự tăng lên và giảm xuống trong khoảng 2 giây. Tuy nhiên, trong thực tế khi hoạt động hay kích thích bị tắt đi thì tín hiệu không về trạng thái ban đầu ngay trong thời gian tắt mà phải mất một khoảng thời gian. Trong hoạt động gừ tay này, với việc chọn cấu trỳc bộ lọc cú cửa sổ N= 11 và bậc 3 đã cho tín hiệu sau lọc thể hiện được việc tăng giảm nồng độ oxy và hạn chế hay “cắt đi” các gai nhiễu.

• Trong khảo sát tín hiệu NIRS, SNR được định nghĩa là năng lượng lúc task (thực hiện hành động hay kích thích) trên năng lượng lúc rest (nghỉ). • Người thực hiện quan tâm hơn đến phần hình dạng tín hiệu do các đặc trưng vốn có của tín hiệu NIRS, mà cụ thể hơn trong trường hợp này là oxy-Hb.

TRÍCH ĐẶC TRƯNG DÙNG HỒI QUY ĐA THỨC

Với cơ sở dữ liệu thu thập được của biến độc lập Y và biến hồi quy xj, việc tìm ra mối liên hệ giữa hai thành phần này chính là tìm ra ước lượng của các hệ số hồi quy βjhay còn gọi là ước lượng mô hình hồi quy nhiều biến. Giả sử ta có n biến quan sát (n>k) và đặt xij là lần quan sát thứ i của biến xj. Các biến quan sát là. Dữ liệu để phục vụ cho hồi quy tuyến tính nhiều biến được tóm tắt trong bảng 5.1. Tập dữ liệu để tìm các hệ số hồi quy. Trích Đặc Trưng Dùng Hồi Quy Đa Thức. Hàm bình phương tối thiểu là. Ước lượng bình phương tối thiểu của βk. Đơn giản các phương trình 5.8 và 5.9, ta có các phương trình bình phương tối thiểu chuẩn hóa. Chú ý rằng có p= k+1 phương trình chuẩn. Nghiệm của các phương trình là các giá trị ước lượng của các hệ số hồi quy, βˆ ,βˆ, βˆk. Từ nhận định đã có, tức là có thể xem các mô hình hồi quy là hồi quy tuyến tính nhiều biến, ta thực hiện hồi quy theo đa thức giữa biến độc lập y và biến phụ thuộc x. Nhìn chung, không có sự khác nhau giữa ước lượng mô hình hồi quy tuyến tính nhiều biến và hồi quy đa thức, ngoại trừ xk đóng vai trò là biến phụ thuộc. Việc ước lượng các hệ số hồi quy cũng thực hiện theo cùng một phương pháp là bình phương tối thiểu. Mô hình hồi quy tuyến tính là. Trình bày theo dạng ma trận. Ta cần tìm vector ước lượng bình phương tối thiểu β sao cho tối thiểu ). Ta cũng nên chú ý rằng, việc tăng giảm và thời gian tăng giảm ở cỏc kờnh và trong cỏc lần gừ tay trỏi hay phải thì cũng có sự khác biệt nhau, và khi hạ cẳng tay thì nồng độ oxy cũng không thể giảm ngay lập tức.

Do đó, việc oxy-Hb đi từ điểm thấp nhất lên điểm cao nhất (giảm - tăng) trong một thời gian ngắn không phải là khuynh hướng chung của cả tớn hiệu đo được, mà đú là artifacts khi gừ tay liờn tục trong 7 giõy. Tín hiệu sau hồi quy có thể còn nhiễu, và đặc tính các kênh có thể thay đổi do tâm lý chủ thể thực hiện, trạng thái cơ thể, …Do đó, điều cần thiết tiếp theo là sử dụng đặc trưng của các kênh hay nói cách khác là các hệ số hồi quy đem đi huấn luyện và nhận dạng bằng giải thuật SVM và được kiểm chứng một lần nữa bằng.

THUẬT TOÁN NHẬN DẠNG PR- SVM

Khi đã có vector hỗ trợ được huấn luyện, ta có thể quyết định một cách đơn giản một mẫu thử x thuộc về vùng nào do các siêu phẳng H1và H2 tạo ra bằng cách đặt lớp của x là hàm dấu. Giải thuật tối ưu cực tiểu tuần tự - SMO (Sequential Minimal Optimisation) dựa trên ý tưởng của phương pháp phân giải và tối ưu tập cực tiểu chỉ có hai phân tử trong mỗi vòng lặp. Từ cơ sở lý thuyết đã có, cũng như những nhận định được đưa ra trong mỗi phần người thực hiện đề tài đề xuất thuật toỏn nhận dạng hoạt động gừ tay PR-SVM (Polynomial Regression - Support Vector Machines).

Việc huấn luyện để tìm trọng số w ,phân cực b,và nhân tử Lagrange α được thực hiện theo giải thuật SMO, trong đó khoảng sai số cho các điều kiện KKT được chọn là 0.0005. Điều này cú nghĩa là trong 10 mẫu đặc trưng gừ tay trỏi và 10 mẫu đặc trưng gừ tay phải tham gia kiểm tra chộo thỡ thuật toỏn đó xõy dựng nhận dạng đỳng 7 mẫu gừ tay phải, 8 mẫu gừ tay trỏi.

THUẬT TOÁN NHẬN DẠNG PR-ANN

Mạng lan truyền ngược được xây dựng dựa trên cấu trúc Perceptron, trong đó có ít nhất 2 lớp, và các hàm hoạt hóa phải là hàm có thể lấy đạo hàm (ví dụ ở đây là hàm sigmoid, double sigmoid). Dựa trên giải thuật giảm gradient, mạng lan truyền ngược tìm các trọng số sao cho trung bỡnh bỡnh phương sai số giữa ngừ ra hiện tại và ngừ ra mong muốn đạt kết quả tốt nhất. Và độ chớnh xỏc thu được trờn hai hệ nhận dạng (PR-SVM và PR-ANN) cho thấy các hệ số này hoàn toàn có thể dùng làm đặc trưng để nhận dạng gừ tay trỏi hay tay phải mặc dự trong cỏc trường hợp thỡ độ chính xác trung bình có thể khác nhau.

Các tín hiệu, phân tích tín hiệu đã đạt được chỉ dùng trong việc nhận dạng, do đó đề tài cũng có thể phát triển thêm bằng cách dựa trên những điều đã được kết hợp với các chẩn đoán lâm sàng trong y khoa. WINDOW SIZE Kích thước cửa sổ bộ lọc Savitzky-Golay SMOOTHING ORDER Bậc của đa thức làm phẳng trong bộ lọc POLYNOMIAL ORDER Bậc của đa thức dùng hồi quy các kênh tín hiệu.