ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ
LÊ HOÀNG ANH
PHÁT HIỆN BẤT THƯỜNG BẰNG
PHÂN TÍCH TEN-XƠ ĐỂ
NHẬN BIẾT XUNG ĐỘNG KINH
TRONG DỮ LIỆU ĐIỆN NÃO
Ngành: Công nghệ thông tin
Chuyên ngành: Hệ thống thông tin
Mã số: 8480104.01
TÓM TẮT LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN
Hà Nội – 10/2018
1
CHƯƠNG 1. TỔNG QUAN VỀ LUẬN VĂN
Chương 1 trình bày về ngữ cảnh của đề tài như vai trò, vị trí của đề tài
trong ứng dụng của cuộc sống hiện tại. Ngày nay, trong thời đại công nghệ 4.0,
việc áp dụng các tiến bộ khoa học công nghệ vào chuẩn đoán y sinh đang được
nghiên cứu và thực hiện hàng ngày. Một trong số đó phải kể đến xét nghiệm
chuẩn đoán bệnh động kinh thông qua phân tích dữ liệu EEG. Dữ liệu từ bộ cảm
biến thu được sẽ lớn dần theo thời gian và biến thiên theo cách mà mắt thường
khó nhận ra.
Luận văn này giải quyết vấn đề dự báo thời điểm chuẩn bị xảy ra cơn
động kinh. Bệnh động kinh xảy ra trên 1% dân số thế giới, đặc trưng bởi những
cơn động kinh tự phát. Một trong những cách ngăn ngừa động kinh là tiêm thuốc
liều cao, kéo theo phản ứng phụ không mong muốn. Bên cạnh đó, việc sử dụng
thuốc hay phẫu thuật đôi khi không có hiệu quả, khiến người bệnh luôn trong
tình trạng lo lắng cơn động kinh có thể kéo đến bất cứ lúc nào. Việc xây dựng
một hệ thống dự báo những cơn động kinh có thể xảy ra giúp cho bệnh nhân có
được một cuộc sống bình thường hơn. Nhờ đó, họ có thể biết mà tránh các hoạt
động dễ gây nguy hiểm như lái xe, bơi lội hay sử dụng thuốc khi cần thiết.
Mô hình bài toán được xây dựng như sau:
Xây dựng tensor
Dữ liệu
EEG
Phân tích tensor
Tensor
Phát hiện
bất thường
Ma trận
hệ số
Biểu diễn đồ thị
bất thường
Hình 1.1 Mô hình bài toán phát hiện xung động kinh trong dữ liệu EEG
Luận văn được trình bày trong năm chương. Chương 1 tập trung giới
thiệu về bất thường trong EEG, các phương pháp phát hiện bất thường và phân
tích ten-xơ. Chương 2 giới thiệu những khái niệm ten-xơ, thuật toán HOSVD và
2
biến đổi sóng con liên tục trong phát hiện bất thường. Chương 3 giải thích về
các bước trong quá trình phát hiện xung động kinh sử dụng HOSVD. Chương 4
trình bày chi tiết về tập dữ liệu sử dụng trong nghiên cứu cũng như kết quả của
thuật toán. Cuối cùng, Chương 5 thảo luận về các khía cạnh, ưu nhược điểm của
việc áp dụng thuật toán HOSVD cũng như mô hình huấn luyện khác vào việc
phát hiện bất thường trong dữ liệu EEG và đưa ra kết luận.
CHƯƠNG 2. NGHIÊN CỨU CƠ SỞ
2.1. Các khái niệm về ten-xơ
Phần 2.1 trình bày các khái niệm liên quan đến ten-xơ.
Ten-xơ là một mảng N chiều hoặc N hướng, các phần tử nằm trong N
không gian con với các tọa độ xác định.
Phần tử thứ i của một vector a là
, phần tử thứ (i,j) của ma trận A là

, phần tử thứ (i,j,k) của ten-xơ ba chiều là

.
Ten-xơ một chiều là vector, ký hiệu là a, ten-xơ hai chiều là một ma trận,
ký hiệu là A, ten-xơ ba nhiều chiều (ba chiều hoặc hơn) được ký hiệu là
.
Lát cắt là các ma trận hai chiều của một ten-xơ có một chiều cố định,
được định nghĩa bằng hai chỉ số.
Chế độ là cách sắp xếp các vector của một ten-xơ.
Chuẩn hóa một ten-xơ ∈ ℝ
××
là chuẩn Frobenius.
Bậc của ten-xơ là bậc của không gian sinh ra ten-xơ đó.
Ma trân hóa ten-xơ là làm phẳng ten-xơ là sắp xếp các phần tử của mảng
N chiều thành một ma trận. Việc ma trận hóa ten-xơ cho phép khai thác
các thành phần đã được xác định trong đại số tuyến tính cho vector và ma
trận, xử lý ten-xơ thuận tiện hơn.
Nhân ten-xơ với nhau phức tạp hơn so với nhân các ma trận.
3
2.2. Phân tích ten-xơ
Phần 2.2 trình bày các phương pháp phân tích ten-xơ HOSVD
CHƯƠNG 3. HỆ THỐNG PHÁT HIỆN XUNG ĐỘNG KINH SỬ
DỤNG HOSVD
Chương 3 trình bày về việc sử dụng thuật toán HOSVD trong phát hiện
xung động kinh.
3.1. Biểu diễn dữ liệu EEG
Phần 3.1 trình bày về việc sử dụng biến đổi wavelet tín hiệu để tạo thành
dữ liệu dạng ten-xơ.
3.2. Trích chọn vector đặc trưng
Phần 3.2.1 trình bày về quá trình sử dụng phương pháp chiếu và không
gian gốc để trích chọn vector đặc trưng của ten-xơ.
Phần 3.2.2 trình bày cách xác định hạng ten-xơ xung động kinh bằng phân
tích SVD với khoảng cách eigengap và độ đo variance.
3.3. Phân loại
Phần 3.3 giới thiệu về hai bộ phân loại cổ điển SVM và KNN phục vụ quá
trình phát hiện xung động kinh trong nghiên cứu.
CHƯƠNG 4. THỰC NGHIỆM VÀ KẾT QUẢ
Chương 4 trình bày chi tiết về tập dữ liệu cũng như quá trình đánh giá
thuật toán và kết quả thu được.
4.1. Tập dữ liệu
Phần 4.1 mô tả về tập dữ liệu EEG được tổ chức Kaggle công bố. Từ đó,
quá trình biến đổi dữ liệu cũng như tạo các bộ dữ liệu phục vụ huấn luyện và
kiểm thử được trình bày khái quát.
4
4.2. Đánh giá thuật toán
Phần 4.2 trình bày về việc sử dụng phương pháp cross-validation cùng
phép đo Sensitivity, Accuracy, Specificity, diện tích AUC và đồ thị ROC trong
quá trình huấn luyện và kiểm thử.
4.3. Kết quả
Phần 4.3 trình bày chi tiết về quá trình giảm tần số lấy mẫu, biến đổi dữ
liệu, so sánh vector đặc trưng giữa thời điểm có xung động kinh và thời điểm
không có xung động kinh. Từ đó đưa ra bảng thống kê kết quả năm lần kiểm thử
cùng đường cong ROC biểu diễn hiệu quả của mô hình trong việc dự đoán thời
điểm xảy ra xung động kinh. Ngoài ra, phần này cũng đưa ra kết quả so sánh
giữa mô hình huấn luyện SVM với mô hình K-means, phương pháp phân tích
ten-xơ HOSVD với CP.
4.4.. Kết luận
Phần 4.4 tổng kết những kết quả cũng như cái mới mà luận văn đã làm
được. Từ đó, phần 4.4 cũng đưa ra những hướng nghiên cứu mới từ đề tài này.