CHƯƠNG 1 CƠ SỞ LÝ THUYẾT VỀ ĐIỆN NÃO ĐỒ
4.5 Kết quả phân loại bệnh nhân tâm thần phân liệt và khơng tâm thần phân liệt
4.5.2 Kết quả phát hiện bệnh nhân TTPL sử dụng SVM kết hợp với grid
grid search
Thực hiện grid search kết hợp với 5-fold cross validation, với các tham số thực hiện search là kernel và C như sau:
- Kernel: linear, rbf, sigmoid
- C (tham số regulalizer): tính theo hàm logspace của thư viện numpy: C = np.logspace(0, 3, 50): 50 giá trị thuộc khoảng từ1 đến 1000, phân bố theo hàm log. Hình 4-11 mơ tả phân bố của tham số C.
84 Bảng 4-3 Kết quả grid search với 4 giá trị của C và 3 hàm kernel
Kernel C Độ chính xác phân loại Linear 1 94.56 Sigmoid 1 94.58 Rbf 1 94.61 Linear 5.42 98.54 Sigmoid 5.42 98.63 Rbf 5.42 98.67 Linear 104.81 97.91 Sigmoid 104.81 97.95 Rbf 104.81 98.01 Linear 1000 96.23 Sigmoid 1000 96.35 Rbf 1000 97.01
Bảng 4-3 liệt kê kết quả của thuật tốn grid search với 4 trên tổng số 50 giá trị của C, kết hợp với 3 hàm kernel. Từ bảng trên, cĩ thể nhận xét hàm kernel rbf cho độ chính xác cao hơn so với kernel linear và sigmoid. Giá trị C thuộc khoảng 4 đến 7 cho kết quả phân loại với độ chính xác cao. C tiếp tục được chọn bằng cách tạo 30 mơ hình, mỗi mơ hình cĩ cách chia tập train và test khác nhau. Mỗi mơ hình cho qua grid search để tìm C tốt nhất. C được chọn cuối cùng là trung bình của 30 tham sốC tìm được ở 30 mơ hình trên. Hình 4-12 mơ tả giá trị C tìm được qua grid search từ30 mơ hình: C dao động từ2 đến 16, C trung bình tính được bằng 5.
Kết quả phân loại bệnh nhân tâm thần phân liệt và các đối chứng khỏe mạnh được trình bày trong Bảng 4-3, với hàng 1 và hàng 2 các cột Accuracy, Precision, Recall, F1 score lần lượt là các tham số đo được trên tập training data và testing data.
85
Hình 4-12 Giá trị C tìm được qua grid search từ 30 mơ hình
Hình 4-13 mơ tả kết quả accuracy và f1 score trên tập training và testing với tham số C=5, kernel = ‘rbf’ với 30 tập training và testing được chia ngẫu nhiên. Ở tập các tập training, accuracy và f1 score xấp xỉ 1; cịn ở tập testing, accuracy và f1 score dao động trong khoảng 0.96 đến 1. Trung bình accuracy trên tập testing là 98,7%, trung bình f1-score trên tập testing là 0.989.
Hình 4-13 Kết quả accuracy và f1 score trên tập training và testing với tham số C=5, kernel = ‘rbf’ với 30 tập training và testing được chia ngẫu nhiên
Từ kết quả phân loại trình bày như trên, mơ hình SVM với các hyperparameter là kernel = rbf, C = 5 cĩ thểđược chọn làm bộ phân loại cho bài tốn phát hiện bệnh nhân tâm thần phân liệt thể paranoid, với các kết quả đánh giá trên tập testing data như sau:
- Accuracy: 98.7% - F1 score: 0.989
86 Hình 4-14 mơ tả tĩm tắt quá trình lựa chọn các tham số cho thuật tốn PCA và mơ hình SVM phát hiện bệnh nhân TTPL đã trình bày ở trên:
- Từ bộ dữ liệu 57 đặc trưng, thực hiện PCA với k từ1 đến 57 Chọn k > 12để bảo tồn hơn 99% thơng tin.
- Quan sát kết quả phân loại trên tập train và tập test Chọn k từ15 đến 19 để kết quả phân loại tốt, tránh chưa khớp và quá khớp.
- Thực hiện train-test split 30 lần để tạo 30 tập dữ liệu khác nhau, áp dụng PCA với k từ15 đến 19 cho từng tập. Tính accuracy và F1 score trung bình trong 30 lần để chọn k tốt nhất Chọn k = 18.
- Thực hiện grid search với kernel = [‘linear’, ‘sigmoid’, ‘rbf’]; C = logspace(1, 3, 50) trên 30 cặp training data và testing data khác nhau Chọn kernel rbf, C = 5 (trung bình cộng của 30 giá trị C tìm được qua grid search).
- Thực hiện train-test split 30 lần, dùng mơ hình SVM với tham số kernel và C như trên để tính accuracy và F1 score trung bình trên tập test. Đây chính là kết quả của mơ hình phân loại bệnh nhân TTPL với các đối chứng khỏe mạnh.
Hình 4-14 Quá trình chọn bộ tham số cho bộ phân loại phát hiện bệnh nhân TTPL
87
TÀI LIỆU THAM KHẢO
[1] Trần Bách, Lưới điện và hệ thống điện, Nhà xuất bản Khoa học Kỹ thuật, 2004. [2] Abe Masayuki, “A Practical Approach to Accurate Fault Location on Extra High
Voltage Teed Feeders,” IEEE Transaction on Power Delivery, pp. 159-168, 1995.
[3] Microsoft, "Add citations in a Word document," 2017.
[4] Phùng Trung Hùng, Phạm Thiên Tách, Nguyễn Phước Long, Lê Phi Hùng, "Giới thiệu một số kênh ion chính trong tế bào".
[5] [Online]. Available: https://dinhnghia.vn/trinh-bay-cau-tao-cua-noron-than- kinh.html.
[6] R. C. Amlan Jyoti Bhagawati, "Design of Single Channel Portable EEG Signal Acquisition System for Brain Computer Interface Application," International Journal of Biomedical Engineering and Science (IJBES), 2016.
[7] [Online]. Available: https://instrumentationforum.com/t/electrode-10-20- system/5486.
[8] [Online]. Available: https://en.wikipedia.org/wiki/Electroencephalography.
[9] A. Jablensky, "The diagnostic concept of schizophrenia: its history, evolution, and future prospects," Dialogues Clin Neurosci, 2010.
[10] “Hướng dẫn chẩn đốn và điều trị một số rối loạn tâm thần thường gặp,” Bộ y tế, 2020.
[11] "World Health Organization," 4 October 2019. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/schizophrenia..
[12] Marco M Picchioni, Robin M Murray, "Schizophrenia," PMCID, 2007. [13] "Tâm thần phân liệt," in Tâm thần học, Lê Đình Sáng, 2010.
[14] Michael F.Egand, Thomas M. Hyde, "Schizophrenia: Neurobiology," Kaplan & Sadock’s Comprehensive Textbook of Psychiatry, 2000.
88
thư viện số - Đại học Y Dược học Hải Phịng.
[16] Prof. Michael J Owen, Prof. Akira Sawa, Prof. Preben B Mortensen, "Schizophrenia," HHS Public Access, 2016.
[17] M E Shenton , C C Dickey, M Frumin, R W McCarley, "A review of MRI findings in schizophrenia," PubMed, 2001.
[18] "Bệnh viện Quân y 103," Th. Lị Mai Cam, 2015. [Online]. Available: http://www.benhvien103.vn/vietnamese/bai-giang-chuyen-nganh/tam-than/tam- than-phan-liet/706/..
[19] Paul C. Fletcher, Chris D. Frith, "Perceiving is believing: a Bayesian approach to explaining the positive symptoms of schizophrenia," Nature Reviews Neuroscience, 2009.
[20] T Elbert 1, W Lutzenberger, B Rockstroh, P Berg, R Cohen, "Physical Aspects of the EEG in Schizophrenics," PubMed, 1992.
[21] V.Jahmunah, ShuLih Oh, V.Rajinikanth, Edward J.Ciaccio, KangHao Cheong, N.Arunkumarh, U. RajendraAcharya, "Automated detection of schizophrenia using nonlinear signal processing methods," Artificial Intelligence in Medicine,
2019.
[22] J. F. X. D. L. K. Pynn, "The function of efference copy signals: implications for symptoms of schizophrenia," PubMed, 2013.
[23] udith M Ford, Daniel H Mathalon, "Corollary discharge dysfunction in schizophrenia: can it explain auditory hallucinations?," PubMed, 2005.
[24] Nash N. Boutros, Cynthia Arfken, Silvana Galderisi, Joshua Warrick, Garrett Pratt, and William Iacono, "The Status of Spectral EEG Abnormality as a Diagnostic Test for Schizophrenia," PubMed Central, 2009.
[25] PGS. Hồng Hà Kiệm, 09 08 2015. [Online]. Available:
http://hahoangkiem.com/can-lam-sang/hinh-anh-giai-phau-ctscan-so-nao- 359.html.
[26] E.Parvinnia,M.Sabetia, M.Zolghadri Jahromi, R.Boostani, "Classification of EEG Signals using adaptive weighted distance nearest neighbor algorithm,"
89
ScienceDirect, 2013.
[27] Kim JW, Lee YS, Han DH, Min KJ, Lee J, Lee K, "Diagnostic utility of quantitative EEG in un-medicated schizophrenia," Europe PMC, 2015.
[28] Zack Dvey-Aharon ,Noa Fogelson,Avi Peled,Nathan Intrator, "Schizophrenia detection and classification by advanced analysis of EEG recordings using a single electrode approach," Plos One, 2015.
[29] Jason K Johannesen, Jinbo Bi, Ruhua Jiang, Joshua G Kenney, Chi-Ming A Chen, "Machine learning identification of EEG features predicting working memory performance in schizophrenia and healthy adults," PubMed, 2016.
[30] Lorenzo Santos-Mayo, Luis M San-Jose-Revuelta, Juan Ignacio Arribas, "A computer-aided diagnosis system with EEG based on the P3b wave during an auditory odd-ball task in schizophrenia," PubMed, 2017.
[31] Antonio J. Ibáđez-Molina, Vanessa Lozano,María. F. Soriano, José. I. Aznarte, Carlos J. Gĩmez-Ariza, M. T. Bajo, "EEG multiscale complexity in schizophrenia during picture naming," Front Physiol, 2018.
[32] Christ Devia, Rocio Mayol-Troncoso, Javiera Parrini, Gricel Orellana, Aida Ruiz, Pedro E Maldonado, Jose Ignacio Egana, "EEG Classification During Scene Free-Viewing for Schizophrenia Detection," IEEE Trans Neural Syst Rehabil Eng, 2019.
[33] Shu Lih Oh, Jahmunah Vicnesh, Edward J Ciaccio, Rajamanickam Yuvaraj, U Rajendra Acharya, "Deep convolutional neural network model for automated diagnosis of schizophrenia using EEG signals," MDPI, 2019.
[34] Ricardo Buettner; Michael Hirschmiller; Kevin Schlosser; Manfred Rưssle; Marc Fernandes, "High-performance exclusion of schizophrenia using a novel machine learning method on EEG data," IEEE, 2019.
[35] Ricardo Buettner, David Beil, Stefanie Scholtz, "Development of a Machine Learning Based Algorithm To Accurately Detect Schizophrenia based on One- minute EEG Recordings," in HICSS-53 Proceedings: 53nd Hawaii International Conference on System Sciences, Maui, Hawaii, 2020.
90 [36] [Online].Available:
https://repod.icm.edu.pl/dataset.xhtml?persistentId=doi:10.18150/repod.0107441. [37] T. Đ. V. Hùng, "Slide Mạch xủ lý tín hiệu y sinh," Viện điện tử viễn thơng – đại
học Bách khoa Hà Nội.
[38] N. V. H. Nam, "Chuyên đề phân tích thành phần độc lập," đại học Bách khoa Hà Nội.
[39] "EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Arnaud Delorme - Scott Makeig,,
2014.
[40] E.Parvinnia, M.Sabeti, M.Zolghadri Jahromi,nR.Boostan, "Classification of EEG Signals using adaptive weighted distance nearest neighbor algorithm," 2014.