Do tính chất không dừng của tín hiệu động kinh, để khai thác các thông tin của tín hiệu EEG ta sử dụng biến đổi Wavelet. Biến đổi Wavelet cho biết thông tin về tần số và thời điểm xuất hiện thành phần tần số đó. Việc lực chọn hàm wavelet mẹ và scale sẽ ảnh hưởng đến kết quả và độ thực hiện của hệ thống.
Biến đổi Wavelet liên tục (CWT) của một tín hiệu được định nghĩa:
(2.28)
Trong đó hàm wavelet mẹ:𝜓𝑎,𝜏 𝑡 = 1
𝑎𝜓 𝑡−𝜏𝑎 (2.29)
Hàm wavelet mẹ phù hợp được lựa chọn là hàm Mexican:
(2.30) 𝐶𝑊𝑇 𝑥 𝑡 ; 𝑎, 𝜏 = 1 𝑎 𝑥(𝑡)𝜓𝑎,𝜏 ∗ (𝑡)𝑑𝑡 +∞ −∞ 𝜓 𝑡 = 2 3𝜍𝜋1/4 1 − 𝑡 2 𝜍2 𝑒−𝑡2 2𝜍2
Trong hệ thống này, CWT được thực hiện trên đoạn EEG cố định 56 mẫu (25 mẫu phía trước và 30 mẫu phía sau trên mỗi đỉnh) với 8 scale. Thông tin scale tập trung trên 5 scale lớn (từ scale 4 đến scale 8). Hệ số wavelet trên 5 scale hiệu quả hơn trong việc tính 7 đặc trưng (𝑎𝐶𝐴, 𝑎𝐶𝐷, 𝑎𝐶𝐸, 𝑎𝐶𝐵, 𝑊𝐹𝐺, 𝑊𝐷𝐸, 𝑊𝐴𝐵). Các đặc trưng này được cung cấp cho đầu vào giai đoạn phân loại.
2.3.3. Giai đoạn phân loại:
Ở giai đoạn này sử dụng mạng ANN để xác định đỉnh trên EEG là gai động kinh. Mạng ANN là mô hình toán học bắt chước cấu trúc của não người. Mạng ANN gồm 3 thành phần: lớp đầu vào, lớp ẩn và lớp ra. Mỗi lớp là tập các nơ-ron được kết nối bởi các trọng số đến lớp trước và lớp sau nó.
Thuật toán học 2 lần “twice-learning” là phương pháp huấn luyện được sử dụng cho 3 lớp trong mạng ANN. Có 2 giai đoạn phân biệt trong thuật toán này. Giai đoạn thứ nhất, mạng ANN được huấn luyện bởi tập đầu ra mong muốn có giá trị trong khoảng 0,1 tương ứng với đầu vào là gai và không phải gai. Mẫu đầu vào là gai đầu ra có giá trị gần 1, đầu vào không phải gai đầu ra có giá trị gần 0. Giai đoạn thứ hai, đầu ra 𝑦 từ giai đoạn trước được phân loại thành 2 nhóm gai và không phải gai. Các mẫu đầu ra được sắp xếp thành giá trị cực đại và cực tiểu 𝑦𝑚𝑎𝑥𝑠 , 𝑦𝑚𝑖𝑛𝑠 cho nhóm gai và 𝑦𝑚𝑎𝑥𝑛 , 𝑦𝑚𝑖𝑛𝑛 cho nhóm không phải gai, được tính như sau:
(2.31)
(2.32)
Tất cả mẫu gai 𝑦𝑠 tương ứng đầu ra mong muốn trong khoảng (0.55,1) và tất cả mẫu không phải gai 𝑦𝑛 tương ứng đầu ra mong muốn trong khoảng (0,0.45).
Mỗi mạng ANN được huấn luyện với đầu ra mong muốn khác nhau. Nếu đầu ra lớn hơn 0.35 thì dữ liệu EEG tương ứng có khả năng là gai và được gửi đến hệ chuyên gia cho xử lý tiếp theo.
2.3.4. Hệ chuyên gia:
Hệ chuyên gia có nhiệm vụ loại bỏ những gai giả (pseudo-spike) được xác định trong giai đoạn trước. Hệ chuyên gia phân tích dữ liệu được đánh dấu có khả năng là gai trong giai đoạn bằng phương phấp tổng hợp thông tin về không gian và bối cảnh. Tuy nhiên, sẽ xuất hiện trễ giữa các đỉnh trên các kênh và những trường hợp phức hợp gai và sóng chậm. Khoảng thời gian tồn tại của sóng chậm là 150-350ms chỉ ra rằng không tồn tại nhiều hơn 2 gai trong khoảng thời gian như vậy. Hệ chuyên gia sẽ thực hiện các bước như sau:
B1: Khởi tạo một cửa sổ động với chiều dài 350ms
B2: Tính toán thông số trọng số cho mỗi gai tồn tại trong cửa sổ như sau: (2.33) 𝑦𝑠 = 0.45 × 𝑦 − 𝑦𝑚𝑖𝑛 𝑠 𝑦𝑚𝑎𝑥𝑠 − 𝑦𝑚𝑖𝑛𝑠 + 0.55 𝑦𝑛 = 0.45 × 𝑦 − 𝑦𝑚𝑖𝑛 𝑠 𝑦𝑚𝑎𝑥𝑠 − 𝑦𝑚𝑖𝑛𝑠 𝜌 = 𝑎1 + 𝑎2 2
B3: Loại bỏ những gai mà trọng số 𝜌 nhỏ hơn 𝑘𝜌𝑚𝑎𝑥 với 0 < 𝑘 < 1. B4: Tiếp tục với cửa sổ kế tiếp.