Luận án Tiến sĩ Kỹ thuật điện tử: Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên

Chia sẻ: Na Na | Ngày: | Loại File: PDF | Số trang:192

Thêm vào BST

Báo xấu

98
lượt xem 13
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại ba phân lớp tưởng tượng vận động chi trên; xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm; xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật điện tử: Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Phúc Ngọc XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2016
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Phúc Ngọc XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS.TS. PHẠM VĂN BÌNH 2. TS. PHẠM HẢI ĐĂNG Hà Nội – 2016
LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu trong luận án này là trung thực và chưa từng công bố trong bất kỳ công trình nào khác. Tập thể giáo viên hướng dẫn Tác giả Phạm Phúc Ngọc
LỜI CẢM ƠN Đầu tiên tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy hướng dẫn khoa học PGS.TS Phạm Văn Bình và thầy đồng hướng dẫn TS. Phạm Hải Đăng. Các thầy là người định hướng cho tôi triển khai các ý tưởng khoa học và luôn tận tình hướng dẫn tôi trong suốt thời gian thực hiện luận án. Tôi cũng xin chân thành cảm ơn các Anh, Chị, em và các bạn đồng nghiệp tại Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện, định hướng và giúp đỡ để tôi hoàn thành công trình nghiên cứu này. Tôi xin cảm ơn Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, bộ môn Mạch & xử lý tín hiệu Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội, khoa Thần kinh Bệnh viện Bạch Mai đã hỗ trợ tôi về cơ sở vật chất, trang thiết bị nghiên cứu, các góp ý định hướng nghiên cứu và các kỹ thuật trong y học để tôi hoàn thành tốt công trình nghiên cứu của mình. Tôi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học, Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện cho tôi trong quá trình học tập và nghiên cứu. Tôi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EEG&Arm Rehabilitation đã hỗ trợ và cùng tham gia với tôi trong việc triển khai các thí nghiệm đo lường, phân tích tín hiệu điện não tại phòng thí nghiệm. Cuối cùng tôi xin chân thành cảm ơn Bố mẹ, vợ, con trai và những người thân trong gia đình luôn động viên về tinh thần, thời gian và vật chất để tôi có động lực thực hiện con đường nghiên cứu khoa học. Hà nội ngày ……. tháng …..….năm…… Tác giả Phạm Phúc Ngọc
MỤC LỤC Trang MỞ ĐẦU………………………………………………………………………....…...1 CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA ..…...9 NGƢỜI……………………………………………………………….............. 1.1 Hệ thần kinh điều khiển vận động……………………………………….....…...9 1.1.1 Các hoạt động điện của..….12 não…………………………………………. 1.1.2 Điện thế hoạt động………………………………………………....……13 1.1.3 Tạo tín hiệu EEG………………………………………………….. ……14 1.1.4 Hệ thống điều khiển vận động của não……………………………..……18 1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động………..……25 1.2 Mô hình xử lý tín hiệu điện não IHMv…………………………………..……27 1.2.1. Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv……………28 1.2.2. Nâng cao tỷ số SNR của tín hiệu…………………………………..……31 1.2.2.1 Tăng cường chất lượng tín hiệu EEG dựa trên việc sử dụng các bộ lọc số có pha bằng không…………………………... …...31 1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu EEG bằng kỹ thuật lọc không ……36 gian……………………………………………... 1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ……………………………………....……37 1.3 Kết luận chương………………………………………………………… ……46 i
CHƢƠNG 2. PHÁT TRIỂN BỘ ĐẶC TRƢNG MỚI NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN LỚP IHMv ĐẦU RA…...………………………………………………………….. ……48 2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi wavelet…………………………………………………………………... ……53 2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu điều khiển vận động IHMv……………………………………………………………………..……59 2.3 Mô tả bộ cơ sở dữ liệu vận động/tưởng tượng vận động……65 Physionet…….... 2.4 Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phương pháp phân tích phương sai một chiều ANOVA theo chỉ số F và……70 p…………….. 2.4.1 Phương pháp phân tích phương sai một chiều……72 ANOVA…………... 2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm định ANOVA theo chỉ số F và p…………………………………...……73 2.5 Kết luận chương………………………………………………………….……78 CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP……80 IHMv……. 3.1 Xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv từ bộ đặc trưng đề xuất và cấu trúc các……85 lớp………………………………………………. 3.2 Mô hình máy vector hỗ trợ nhị phân SVM……………………………………87 3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng tượng vận động tay trái, tay phải và nghỉ………………………………...……95 3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại 3IHMv_SMV2…………………………………………………………... ……99 ii
3.5 Kết luận chương………………………………………………………….…..104 CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM…………………………………………….....…..105 4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của người Việt ….105 Nam………………………………………………………….. 4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/ tưởng tượng vận động của đối tượng đo người Việt…..106 nam………………… 4.1.2 Kết quả và đánh giá bộ dữ liệu……………………………………. …..114 4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận ….123 động………….. 4.3 Kết luận chương………………………………………………………….…..125 KẾT LUẬN CHUNG………………………………………………………….. ….127 1. Các đóng góp ….127 mới………………………………………………………... 2. Hướng nghiên cứu tiếp…………………………………………………... ….129 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……………..…..131 TÀI LIỆU THAM KHẢO…………………………………………………....…..132 PHỤ LỤC ….143 1…………………………………………………………………… PHỤ LỤC 2…………………………………………………………………… ….153 PHỤ LỤC 3…………………………………………………………………….….157 PHỤ LỤC…..170 4………………………………………………………………….... iii
PHỤ LỤC…..173 5………………………………………………………………….... DANH MỤC TỪ VIẾT TẮT ANOVA Analysis of Variance Phân tích phương sai AP Action Potential Điện thế hoạt động AR Autoregressive Tự động hồi quy ARMA Autoregressive Moving Tự đồng hồi quy trung bình dịch Avarage AUC Area Under ROC Curve Diện tích dưới đường ROC AVACC Average Accuracy Độ chính xác trung bình BA4 Brodmann Area 4 Khu vực Brodmann 4 BA6 Brodmann Area 6 Khu vực Brodmann 6 BCI Brain Computer Interface Giao tiếp người – máy CAR Common Average Reference Tham chiếu trung bình CNS Central Nervous System Hệ thần kinh trung ương CS_LDA Class Separability Linear Phân chia lớp kết hợp với phân Discriminant Analysis tích phân chia tuyến tính CSP Common Spatial Patterns Các thành phần không gian chung CS_SVM Class Separability Support Phân tích lớp kết hợp vector Vector Machine máy hỗ trợ DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc EEG Electroencephalogram Điện não đồ EMG Electromyography Điện cơ ERD Event-Related Khử đồng bộ liên quan đến sự Desynchronization kiện ERP Event – Related Potential Điện thế liên quan đến sự kiện ERS Event-related Synchronization Đồng bộ liên quan đến sự kiện ERSP Event-related spectral Phổ năng lượng hỗn loạn liên iv
perturbation quan đến sự kiện FFT Fast Fourier Transform Biến đổi Fourier nhanh FIR Finite Impulse Response Đáp ứng xung hữu hạn FMRI Functional Magnetic Resonance Cộng hưởng từ chức năng Imaging FNR False Negative Rate Tỷ lệ âm tính giả FPR False Positive Rate Tỷ lệ dương tính giả HJ_ACT Hjorths Activity Thông số Hjorths hoạt động HJ_MOBI Hjorths Mobility Thông số Hjorths linh động ICA Independent Component Phân tích thành phần độc lập Analysis ICMS Intracortical Microstimulation Vi kích thích trong hộp sọ IHMv Imagery Hand Movement Tưởng tượng vận động chi trên IPL Inferior Parietal Lobule Tiểu thùy đỉnh dưới L Left Trái Lf_IHMv Imagery Left Hand Movement Tưởng tượng vận động tay trái LOG_EN Logarithm Entropy Logarit Entropy M1 Primary Motor Cortex Vỏ não vận động chính MEMD Multivariate Empirical Mode Phương pháp MEMD Decomposition MI Mutual Information Thông tin chung MMAV Modified Mean Absolute Value Giá trị sửa đổi trung bình tuyệt đối MRCPs Movement-Related Cortical Điện thế não liên quan đến vận Potentials động MRMR Max Relevance and Min Tối đa sự liên quan và giảm độ Redundancy dư thừa MSE Mean Square Error Sai số trung bình bình phương NA-MEMD Noise Assisted MEMD Kỹ thuật MEMD cộng nhiễu NN Neural Network Mạng nơ ron PLV Phase Lock Value Giá trị khóa pha RBF Radial basis function Hàm RBF Re Rest Nghỉ Re_IHMv Rest state Trạng thái nghỉ Ri Right Phải Ri_IHMv Imgary Right Hand Movement Tưởng tượng vận động tay phải RMS Root Mean Square Căn bậc hai trung bình bình phương ROC Receiver Operating Đường cong ROC Characteristic S1 Primary Somatosensory Cortex Vùng não cảm giác chính SHAN_EN Shannon Entropy Shannon Entropy SMA Supplement Motor Area Vùng não vận động bổ sung v
SNR Signal to Noise Ratio Tỷ lệ tín hiệu trên nhiễu SPL Superior Parietal Lobule Tiểu thùy đỉnh trên SSI Simple Square Integral Chỉ số năng lượng tín hiệu STFT Short Time Fourier Transform Biến đổi Fourier thời gian ngắn SVM Support Vector Machine Máy vector hỗ trợ SSC Slope Sign Change Thay đổi chiều dốc SWT Stationary Wavelet Transform Biến đổi wavelet ổn định TNR True Negative Rate Tỷ lệ âm tính thật TPR True Positive Rate Tỷ lệ dương tính thật WAMP Willison Amplitude Thuộc tính WAMP WPICA Wavelet packet-based Phân tích thành phần độc lập independent component analysis dựa trên biến đổi wavelet ZC Zero Crossings Tỷ lệ cắt không vi
DANH MỤC BẢNG Trang Bảng 1.1 Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải 33 Bảng 2.1 Các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức 59 SWT Bảng 2.2 Tóm tắt giá trị trung bình và phương sai của các thuộc tính 68 theo các phân lớp IHMv khác nhau Bảng 2.3. Giá trị ANOVA F và p đối với từng đặc trưng băng tần α và 75 β trên kênh C3 và C4 Bảng 2.4 Nhóm 62 các thuộc tính sử dụng để xây dựng vector đặc 79 trưng phân lớp IHMv lựa chọn theo mô hình ANOVA Bảng 3.1 Mô tả quyết định trạng thái phân lớp đầu ra của bộ phân loại 99 Bảng 3.2 Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3 99 Bảng 3.3 Mô tả độ chính xác phân loại của bộ phân loại 100 3IHMv_SVM2 Bảng 3.4 Độ chính xác phân loại của mô hình phân loại SVM 2 tầng 100 với vector đặc trưng 6 thuộc tính (2 kênh x 3 băng tần) Bảng 3.5 Độ chính xác phân loại giữa non-rest IHMv và Re_IHMv 102 Bảng 3.6 So sánh kết quả phân loại của các phân lớp IHMv của bộ 103 phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương Bảng 4.1 Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế 109 Bảng 4.2 Độ chính xác phân loại của mô hình đề xuất trên bộ dữ liệu 123 tự thiết kế vii
DANH MỤC HÌNH Trang Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não 10 (Cerebellum) và cuống não (brain stem) Hình 1.2. Vị trí của Đại não chiếm phần lớn não người 10 Hình 1.3 Vị trí của tiểu não 11 Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong 13 quá trình synap kích thích Hình 1.5 Thay đổi điện thế màng thông qua việc đóng các kênh Na và 14 mở các kênh K Hình 1.6. Cấu trúc của một nơ ron 15 Hình 1.7 Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày 16 của các lớp Hình 1.8 Tín hiệu điện não ghi được từ các điện cực 16 Hình 1.9 Tín hiệu điện não thu được tại các vị trí khác nhau của điện 17 cực theo hai phương pháp lưỡng cực (a) và đơn cực (b) Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận 19 động của vỏ não Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của 20 Brodmann ở Người Hình 1.12 Khu vực chính của vỏ não điều khiển vận động 20 Hình 1.13 Khu vực vận động có thể được kích thích trực tiếp ở người 22 tỉnh táo Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động 24 chính được mở rộng hơn Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện vận 29 viii
động tay và chân phải tưởng tượng Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20 29 Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông 33 dải 1Hz-40Hz Hình 1.18 a) Tín hiệu gốc trên kênh C3. b) Tín hiệu đã bị trễ với bộ lọc 35 thông thường. c) Tín hiệu trên kênh C3 được lọc với bộ lọc pha bằng không Hình 1.19 Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu 35 lọc pha không đã được đồng bộ về mặt thời gian Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh. Các điện cực được 37 sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc Hình 1.21 a) Định vị các đoạn tín hiệu tương ứng với chuyển động 40 tưởng tượng Hình 1.22 Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản 42 ghi điện não trên một kênh tín hiệu EEG Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) 45 tương ứng với 3 trạng thái điều khiển vận động trên kênh C3 Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) 46 tương ứng với 3 trạng thái điều khiển vận động trên kênh C4 Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng 54 các phân lớp IMHv Hình 2.2 Biến đổi SWT 2 mức 58 Hình 2.3 Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực 67 tuân theo chuẩn 10/20 Hình 2.4 Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng 69 đặc trưng Hình 2.5 Các bước lựa chọn đặc trưng theo phân tích phương sai 74 ANOVA ix
Hình 3.1 Mô hình phân loại ba phân lớp IHMv 81 Hình 3.2 Mô tả ma trận dữ liệu huấn luyện 87 Hình 3.3 Mô tả ma trận nhãn 87 Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM 88 cho các mẫu thuộc hai phân lớp Hình 3.5 Hàm Kernel sẽ ánh xạ các điểm từ mô hình 2D sang không 90 gian 3D Hình 3.6 Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2 94 tầng 3IHMv_SVM2 có sử dụng thuật toán tối ưu C và gamma Hình 3.7 Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân 95 loại SVM Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa 97 trên mô hình 2 tầng SVM phi tuyến Hình 3.9 Mô hình huấn luyện của tầng phân loại SVM1 97 Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2 98 Hình 4.1. Hình ảnh hệ thống 107 Hình 4.2. Mũ điện cực theo chuẩn quốc tế 10-20 107 Hình 4.3. Ký hiệu của chuấn quốc tế 10-20 107 Hình 4.4. Kiểm tra trở kháng tiếp xúc 108 Hình 4.5 Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi 108 tiến hành phép đo Hình 4.6 Các thông số của đối tượng đo được kiểm tra và ghi chép khi 110 chuẩn bị phép đo Hình 4.7 Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối 111 tượng người Việt Nam bằng thiết bị Exea Ultra Hình 4.8 Hướng dẫn đối tượng thực hiện chuyển động tay trái hoặc tay 113 phải. Các mũi tên lần lượt được xuất hiện trong các thời điểm định sẵn x
Hình 4.9 Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này được 114 sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại 116 phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ điện cực 19 kênh theo tiêu chuẩn 10/20 Hình 4.11 (a) Tín hiệu điện não khi tình nguyện viên P011 được đo trên 118 kênh C3 trước khi loại bỏ nhiễu đường biên và sau khi loại bỏ nhiễu đường biên. Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng 118 bộ lọc FIR (1-40Hz)(Bản ghi P011E08) Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của 121 thí nghiệm P011E08 (tưởng tượng chuyển động tay) Hình 4.14 Mô hình hệ thống hỗ trợ vận động bằng sóng não 123 Hình 4.15 Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu 124 điện não điều khiển tưởng tượng vận động chi trên dựa trên bộ phân loại đề xuất Hình 4.16 Khung cơ khí hoàn thiện 125 Hình 4.17 Giao diện thu nhận thông tin vận động 125 xi
MỞ ĐẦU Hệ thống vận động của người bao gồm các thành phần: Hệ xương, hệ cơ và hệ thần kinh. Các tổ chức cơ quan sinh lý này có nhiệm vụ tương tác với nhau để tạo ra và hỗ trợ vận động của cơ thể và các bộ phận khác. Trong đó, hệ thần kinh đóng vai trò phát ra các thông tin để điều khiển và tạo ra vận động ở người thông qua các sóng điện từ phát ra từ não bộ (gọi tắt là sóng não). Các sóng này sẽ điều khiển hệ cơ giúp con người có thể thực hiện các vận động chủ động theo ý muốn. Xét về mặt sinh lý học, não bộ của người là một tổ chức có cấu trúc phức tạp gồm hàng triệu các nơ ron thần kinh. Các nơ ron thần kinh này phát đi các xung điện và được lan truyền theo tủy sống tới điều khiển các khu vực khác nhau trong cơ thể qua hệ thống sợi trục thần kinh và các gai thần kinh. Quá trình thu nhận và xử lý các thông tin điều khiển vận động của não bộ bằng kỹ thuật đo không xâm lấn điện não đồ đa kênh EEG và tạo ra tín hiệu điều khiển vận động có nhiều ý nghĩa trong thực tiễn. Luận án tập trung nghiên cứu các tín hiệu não bộ liên quan đến điều khiển vận động. Vận động chi trên của người là một vận động quan trọng giúp con người có thể thực hiện các hoạt động cần thiết hàng ngày của con người như cầm nắm vật, vệ sinh hay mặc quần áo... Sóng não điều khiển tưởng tượng vận động chi trên (IHMv - Imagery Hand Movement) là một hoạt động của não bộ khi con người tưởng tượng hoặc suy nghĩ về điều khiển vận động chi trên mà không tạo ra chuyển động thật. Việc nghiên cứu các tín hiệu này sẽ giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người. Bên cạnh đó, các thông tin này cũng sẽ giúp tạo sợi dây liên lạc mới từ não bộ tới thế giới xung quanh. Điều này rất có ý nghĩa thực tiễn khi con người có thể sử dụng các thông tin điều khiển từ não bộ để tạo ra các chuyển động cho các thiết bị ngoại vi hoặc giao tiếp với máy tính. Hơn nữa, việc phân giải được các thông tin điều khiển vận động từ sóng não còn có ý nghĩa to lớn trong y học, đặc biệt là đối với các bệnh nhân trải qua các cơn đột quỵ, hoặc các bệnh nhân mắc hội chứng khóa trong (locked -in) (các bệnh nhân bị 1
Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh trên và hệ thần kinh dưới nhưng khả năng tưởng tượng vận động hoặc vận động thật của các đối tượng này vẫn được duy trì [57], [13], [33]. Nghiên cứu về các hoạt động tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi chức năng đối với những người bị liệt chi sau đột quỵ [54], [100], [20], [40], [19], hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng [49], [68], [82], [44], [53], [106]. Như vậy có thể thấy, cần thiết phải khai thác và phân giải được các thông tin điều khiển vận động từ sóng não và tạo ra được các tín hiệu điều khiển vận động từ sóng não sẽ có vai trò trò rất lớn trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân tay giả được điều khiển bởi hệ thống thần kinh. Trong nghiên cứu của luận án, tác giả tập trung nghiên cứu về các tín hiệu tưởng tượng vận động của chi trên của người. Tuy nhiên các hệ thống phân giải sóng điện não liên quan đến tưởng tượng vận động chi trên vẫn còn tồn tại một số thách thức như vấn đề độ tin cậy, chính xác của hệ thống, thời gian thiết lập và tốc độ xử lý còn chậm, chưa đáp ứng được các ứng dụng thời gian thực. Như ta biết, sóng điện não IHMv là tín hiệu phức tạp khi phân tích và có bản chất không dừng nên khi xây dựng các hệ thống phân giải sóng điện não IHMv cần thiết phải quan tâm nghiên cứu phát triển các thuộc tính giúp đặc tả tín hiệu. Có một số phương pháp xây dựng bộ đặc trưng IHMv được phát triển để nâng cao độ chính xác phân lớp IHMv như xác định chỉ số khóa pha PLV của các cặp điện cực trên hai nửa bán cầu não [10], sử dụng sự biến thiên năng lượng và công suất của tín hiệu dựa trên quá trình suy giảm đồng bộ và tăng đồng bộ trong và trước khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) [113], [93], [76], [132], [88], [21], hoặc sử dụng mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) [25], [16], các thông số đặc tả tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet [23], [89]. Trong các phương pháp tiếp cận trên, phương pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet là một phương pháp tiếp cận hiệu quả do tính đơn giản, ít phép biến đổi tín hiệu và có thể áp dụng trên số kênh đo ít hơn. Do đó luận án tập trung xây dựng 2
nhóm thuộc tính đặc trưng cho tín hiệu IHMv theo phương pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet nhằm tăng độ chính xác và độ tin cậy của hệ thống. Để đạt được độ chính xác và xử lý nhanh phân lớp IHMv, các hệ thống ra quyết định phân loại phải kết hợp sử dụng mô hình định lượng tín hiệu vận động từ nhiều điện cực CSP [42], lọc không gian [131], ICA [75], WPICA [133] hoặc định lượng tín hiệu vận động dựa trên một số điện cực trên khu vực vỏ não vận động và kết hợp với các mô hình vector học máy CS_SVM, CS_LDA [98], [125] hoặc mạng nơron để ra quyết định phân nhóm tín hiệu. Hiện nay, đối với bài toán phân loại các nhóm IHMv, các phương pháp được đề cập ở trên đã sử dụng các mô hình phân loại với vector đặc trưng được xây dựng dữ liệu nhiều điện cực và áp dụng chủ yếu cho bài toán phân lớp hai trạng thái đầu ra (giữa tưởng tượng chuyển động tay trái và tay phải hoặc trường hợp có vận động tay và trạng thái nghỉ). Như vậy, để có thể tăng cường khả năng ứng dụng của hệ thống tạo tín hiệu điều khiển vận động từ sóng não vận động lên các hệ thống hỗ trợ vận động, luận án tập trung nghiên cứu phương pháp phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não IHMv có độ chính xác phân loại, tốc độ xử lý cao và tăng số phân lớp đầu ra. Tình hình nghiên cứu trong nƣớc Hiện nay trong nước tại các cơ sở y tế, do nhu cầu về việc khám chữa bệnh lớn nên việc sử dụng hệ thống điện não EEG chủ yếu được áp dụng trong các nghiên cứu về hệ thần kinh và chẩn đoán bệnh lý của não bộ như theo dõi các giai đoạn của giấc ngủ, tổn thương não bộ, bệnh động kinh. Các bác sỹ đầu ngành và các chuyên gia nghiên cứu về thần kinh cũng đã nhìn thấy được tiềm năng của các tín hiệu điện não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi với các bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt. Điều này cũng đòi hỏi sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các nhà khoa học kỹ thuật để triển khai mô hình hỗ trợ điều khiển vận động người bằng 3
sóng não, giúp các đối tượng sử dụng hệ thống có thể thực hiện được nhiều chuyển động phức tạp bằng sóng não. Qua đó các bệnh nhân có hệ não bộ tốt vẫn hoàn toàn có thể thực hiện được các vận động phục vụ cuộc sống cá nhân và giảm gánh nặng cho gia đình và xã hội. Một số cơ sở nghiên cứu trong nước cũng đã sử dụng một số thiết bị đeo trên đầu để hỗ trợ người tàn tật điều khiển xe lăn tuy nhiên các hệ thống điện cực đo này sử dụng tín hiệu điện trên da đầu sinh ra nhờ hoạt động nháy mắt hoặc liếc mắt để điều khiển chứ chưa khai thác được các thông tin sóng não liên quan đến điều khiển vận động của não bộ. Để đẩy mạnh các hướng nghiên cứu về tín hiệu điện não liên quan đến điều khiển vận động của đối tượng người Việt nam, luận án cũng nghiên cứu các phương pháp thu nhận và phân giải các tín hiệu điện não liên quan đến vận động để có thể tạo ra một bộ cơ sở dữ liệu được thu nhận trên đối tượng là người Việt nam, phục vụ nghiên cứu và phân tích chẩn đoán. Mục đích của luận án Phát triển một phương pháp phân giải các tín hiệu tưởng tượng vận động chi trên có độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ sử dụng cho các hệ thống hỗ trợ vận động của người điều khiển bằng sóng não. Mục tiêu nghiên cứu của luận án - Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại ba phân lớp tưởng tượng vận động chi trên. - Xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm. Xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất. - Xây dựng bộ dữ liệu điện não liên quan đến điều khiển vận động của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích. Các vấn đề cần giải quyết của luận án 4
- Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn đề cần giải quyết của luận án. - Do tín hiệu IHMv có bản chất không dừng và có dạng phức tạp nên việc xây dựng các thuộc tính mô tả tốt tín hiệu sẽ giúp nâng cao khả năng phân giải tín hiệu. Bên cạnh đó, tín hiệu điện não được thu nhận từ hệ thống nhiều điện cực dẫn đến các hệ thống phải xử lý lượng thông tin rất lớn. Do đó luận án cần nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ thông số đặc trưng trên số lượng kênh đo ít hơn và có khả năng phân biệt các nhóm tín hiệu IHMv để có thể nâng cao độ chính xác phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não. - Nghiên cứu và đề xuất phương pháp phân loại ba phân lớp IHMv bao gồm: tưởng tượng chuyển động tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv) dựa trên tín hiệu sóng não để sử dụng trong các hệ thống hỗ trợ vận động người. Để thực hiện được điều này thì kết hợp giữa nhóm các thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv là một vấn đề cần giải quyết - Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến vận động người của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích. Từ các kết quả nghiên cứu phân giải các tín hiệu IHMv, luận án sẽ thực hiện xây dựng ứng dụng tự động phân loại các nhóm IHMv để tạo ra quyết định phân lớp trạng thái đầu ra, phục vụ cho các hệ thống hỗ trợ điều khiển vận động sử dụng sóng não. Phạm vi nghiên cứu - Nghiên cứu chức năng điều khiển vận động của não bộ và các giải pháp kỹ thuật nâng cao chất lượng tín hiệu IHMv. - Nghiên cứu các thuật toán định lượng tín hiệu IHMv và phương pháp lựa chọn bộ đặc trưng. 5