V. Kết luận
1 Đặc trưng thống kê (miền thời gian) của tín hiệu
5.1.2 Chọn các đặc trưng
Chúng ta sử dụng một cửa sở trượt 5s để trích chọn đặc trưng cho 6 kênh tín hiệu đã được chọn, mỗi cửa sổ 5s này được xem là một mẫu phân loại thuộc một trong 4 trạng thái (inter-ictal, pre-ictal, ictal, post-ictal).
Điều này có nghĩa là nếu tần số lấy mẫu là 256 Hz thì mỗi cửa sổ 5 giây của mỗi kênh tín hiệu sẽ có 1280 giá trị mẫu tín hiệu. Như vậy tổng cộng 6 kênh sẽ gồm 7680 mẫu tín hiệu trong miền thời gian. Ở đây chúng ta chỉ sử dụng đặc trưng đơn biến gồm 22 đặc trưng (mục 2.1), như vậy mỗi mẫu phân loại (cửa sổ 5s của 6 kênh) sẽ được trích ra 6 22 132× = giá trị đặc trưng. Như vậy đầu vào của mạng phân loại là các vector (mẫu) 132 chiều thay vì toàn bộ 7680 giá trị mẫu tín hiệu trong miền thời gian.
Câu hỏi đặt ra ở đây là liệu số lượng đặc trưng được chọn đã đủ để dùng dự đoán chính xác về cơn động kinh và việc lấy thêm đặc trưng khác (chẳng hạn các đặc trưng đa biến) liệu có làm tăng độ chính xác của dự đoán?.
Hình 5.1.2: 22 đặc trưng đơn biến của kênh tín hiệu F7
Trong thực tế ệu điện não
đồ có sự biến thiên nhiều (ngay cả đối với tín hiệu bình thường) về các đặc trưng cơ bản như tần số, biên độ, hình dạng và vị trí. Điều đó có nghĩa không tồn tại bất kỳ một đặc trưng nào có mối quan hệ định lượng chính xác với các trạng thái tín hiệu EEG hoặc cơn động kinh. Do đó dẫn đến trong dự đoán về động kinh chúng ta phải sử dụng nhiều đặc trưng. Hình 5.1.2 minh họa 22 đặc trưng đơn biến (mục 2.1) của kênh tín hiệu F7. Thậm chí với nhiều số lượng đặc trưng như vậy, chỉ bằng quan sát, chúng ta dường như khó có thể phân biệt hay tìm ra các quy luật thay đổi (mối liên quan) của các đặc trưng này ở các trạng thái khác nhau (inter-ictal, preictal,
ictal, post-ictal).
Việc sử dụng nhiều hơn số đặc trưng có thể làm tăng độ chính xác trong phân loại các trạng thái tín hiệu (độ chính xác có thể lên 98-99% hoặc hơn) nhưng đồng thời dẫn đến một khối lượng tính toán vô cùng lớn. Điều đó có nghĩa chúng ta
không thể thực hiện xử lý gần như tức thời (on-line) các tín hiệu EEG do độ trễ xử lý là rất lớn.
Trên thực tế để đưa ra các cảnh báo về động kinh, chúng ta sử dụng thêm quá trình hậu xử lý (mục 5.1.4). Quá trình này sẽ đưa ra quyết định cuối cùng mà không cần một độ chính xác gần như tuyệt đối ở quá trình phân loại trạng thái tín hiệu (mục 1.5.3).