Luận án Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên

192 trang yendo 7630

Download

Bạn đang xem 20 trang mẫu của tài liệu "Luận án Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên", để tải tài liệu gốc về máy bạn click vào nút DOWNLOAD ở trên

Tài liệu đính kèm:

luan_an_xu_ly_tin_hieu_dien_nao_trong_tuong_tuong_van_dong_c.pdf

Nội dung text: Luận án 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 củ .12a não . 1.1.2 Đi ện thế hoạt động 13 1.1.3 T ạo tín hiệu EEG 14 1.1.4 H ệ 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 Đ ề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm định ANOVA theo chỉ số F và p 73 2.5 K ết 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 K ết 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
- Nghiên cứu phương pháp phân loại các tín hiệu IHMv. - Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến vận động chi trên của đối tượng là người Việt nam khỏe mạnh. Phương pháp nghiên cứu - Nghiên cứu cơ sở lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận động chi trên. - Mô hình hóa phương pháp định lượng và phân loại ba phân lớp IHMv. - Kiểm chứng đánh giá phương pháp phân lớp IHMv bằng thực nghiệm trên bộ dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế. Các đóng góp mới của Luận án - Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv. Bộ đặc trưng mới được phát triển từ phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn. Dựa trên phương pháp kiểm định ANOVA, bộ đặc trưng đề xuất đã cho thấy khả năng phân biệt ba phân lớp IHMv trên bộ dữ liệu mẫu. - Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân lớp 3 trạng thái đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv. Phương pháp được đề xuất dựa trên việc xây dựng bộ phân loại theo mô hình vector học máy SVM được cấu trúc 2 tầng nối tiếp. Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy cấu trúc bộ phân loại đề xuất cho kết quả phân loại tốt với ba phân lớp IHMv. - Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi trên của đối tượng người Việt Nam khỏe mạnh. Bộ dữ liệu sẽ đóng góp vào bộ dữ liệu điện não liên quan đến vận động chi trên của thế giới và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại. - Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại đề xuất. Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và 6
bộ dữ liệu thực tế được đo tại phòng thí nghiệm. Điều này cho thấy tính khả thi của phương pháp phân loại trên các bộ dữ liệu thực tế. Cấu trúc nội dung luận án Nội dung luận án bao gồm 4 chương. Trong đó các đóng góp khoa học của luận án thể hiện ở các nội dung đề xuất và thực hiện trong chương 2, chương 3 và chương 4. Các nội dung cụ thể như sau: - Chƣơng 1: Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mô hình xử lý và phân giải tín hiệu IHMv. Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG. Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian. - Chƣơng 2: Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv. Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số. Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA. Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái điều khiển vận động tưởng tượng chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA. - Chƣơng 3: Chương 3 đề xuất phương pháp sử dụng bộ đặc trưng định lượng để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận 7
động điều khiển bằng sóng não EEG. Trong chương này, luận án nghiên cứu và đề xuất sử dụng bộ phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng đề xuất. Phần tiếp theo sẽ mô tả khả năng thực hiện của hệ thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình. - Chƣơng 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến vận động chi trên của đối tượng đo là người Việt nam phục vụ phân tích và nghiên cứu. Phần đầu chương mô tả phương pháp thiết lập hệ thống đo và đối tượng đo để thu nhận tín hiệu điện não IHMv. Phần tiếp theo mô tả đóng góp về bộ dữ liệu điện não IHMv của đối tượng người Việt. Phần cuối chương trình bày kết quả mô phỏng của bộ phân loại đề xuất trên bộ dữ liệu được tạo ra và đánh giá kết quả. - KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án. 8
CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƢỜI Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mô hình xử lý và phân giải tín hiệu IHMv. Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG. Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian. 1.1. Hệ thần kinh điều khiển vận động Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển các cơ quan trong cơ thể. Não người là phần trên và trước nhất của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi. Não người có trọng lượng khoảng 1,5 kg [105]. Trong đó, não người Việt Nam cân nặng khoảng 1400 gam và ở nam giới có trọng lượng lớn hơn nữ giới [50]. Diện tích bề mặt của não khoảng 1600 cm², và dày khoảng 3 mm. Xét về mặt giải phẫu học thì bộ não người bao gồm có 3 phần chính: đại não, tiểu não, thân não; và các phần nhỏ khác gọi chung là não trung gian (Hình 1.1). Khu vực nhìn tập trung vào thùy chẩm trong khi đó khu vực cảm giác và vận động có mặt ở cả hai phía của não bộ. Có một số vị trí xác định tại vỏ não cảm giác và vận động mà chỉ có khu vực đó sẽ điều khiển một bộ phận nào đó của cơ thể. Kích thước của mỗi khu vực này thì tỷ lệ với độ chính xác cần có của cảm giác hoặc của hệ điều khiển vận động. Khu vực cảm giác từ lưỡi và tay có phân bố khá rộng trong khi khu vực cảm giác của phần giữa cơ thể và mắt phân bố hẹp hơn. Khu vực vận động của chi trên và các cơ quan phụ trách nói có phân bố rộng [101], [67]. 9
Hình 1.1. Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và thân não (brain stem) - Đại não Trong não người, đại não là phần não phát triển mạnh nhất. Nó chiếm toàn bộ khối lượng và thể tích não bộ. Đại não gồm hai nửa trái, phải đối xứng qua rãnh liên bán cầu với ba mặt: mặt trên, mặt dưới, mặt trong. Trên bề mặt đại não có các khe, các rãnh ăn sâu vào trong chia bề mặt đại não thành các thuỳ, các hồi não. Bán cầu khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở trái kiểm soát phần lớn chức năng của nửa phải cơ thể trong khi bán cầu phải điều thân não. khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở thân não. Hình 1.2. Vị trí của đại não chiếm phần lớn não người [50] Do đó, tổn thương ở bán cầu trái sẽ gây ra sự giảm cảm giác và vận động ở nửa phải và ngược lại. Mặt trên có 3 khe là khe Sylvius (khe bên); khe Rolando (khe giữa); khe thẳng góc ngoài (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy: thùy 10
trán, thùy đỉnh, thùy chẩm, thùy thái dương. Mặt trong có 3 khe: khe dưới trán, khe thẳng góc trong, khe cựa. Ba khe này chia bán cầu đại não thành 5 thùy: thùy vuông, thùy viền, thùy chêm, thùy thái dương. Mặt dưới có 2 khe là khe Bisa, khe sylvius, chia mặt dưới thành 2 thùy: thùy ổ mắt (ở phía trước) và thùy thái dương - chẩm (ở phía sau). + Thùy trán: phụ trách mức độ tập trung, cảm xúc, phối hợp các chuyển động, tạo ra các chuyển động, chuyển động mắt, chuyển động cơ, các chuyển động thành kỹ năng + Thùy chẩm: Đọc và nhìn + Thùy đỉnh: Một số chức năng ngôn ngữ, đọc, nhìn, cảm nhận xúc giác + Thùy thái dương: Nghe, ghi nhớ hình ảnh, âm nhạc - Tiểu Não Tiểu não là một cấu trúc lớn nằm sau cầu não và hành tuỷ, bị thùy chẩm của bán cầu đại não che khuất. Tiểu não được phát triển mạnh ở động vật có vú và chim. Tiểu não có ba thùy: một thùy giun ở giữa và hai bán cầu tiểu não ở hai bên. Bán cầu tiểu não được phát triển cùng với sự phát triển của bán cầu đại não và chỉ có ở động vật có vú. Tiểu não cũng do hai phần: chất xám và chất trắng tạo nên. Tiểu não là khu vực chịu trách nhiệm điều hòa trương lực cơ, duy trì thăng bằng và định hướng cử động và phối hợp động tác. 11
Hình 1.3. Vị trí của tiểu não. - Thân não Thân não gồm các cấu trúc thần kinh: hành não, cầu não, não giữa. Thân não có nhiều chức năng tự động khác nhau, như kiểm soát hô hấp, nhịp tim, huyết áp, giấc ngủ, trạng thái thức, và sự chú ý. 1.1.1 Các hoạt động điện của não Hệ thần kinh trung tâm chứa các tế bào thần kinh và tế bào thần kinh đệm (nằm giữa các nơron). Mỗi tế bào thần kinh chứa sợi trục thần kinh, đuôi gai, nhánh thần kinh và thân tế bào. Các tế bào thần kinh đáp ứng lại kích thích và truyền thông tin qua một khoảng cách dài. Tế bào thần kinh có một nhân và chứa hầu hết các trao đổi chất của tế bào, đặc biệt là liên quan đến tổng hợp protein. Protein được tạo ra trong thân tế bào sẽ được truyền đến các phần còn lại của tế bào thần kinh. Sợi trục thần kinh là một ống dài để truyền xung điện và có thể truyền vài mét trong tủy sống. Gai thần kinh để kết nối tới cả trục thần kinh hoặc gai thần kinh của các tế bào khác và nhận xung từ các tế bào thần kinh khác hoặc chuyển tiếp (relay) tín hiệu tới các tế bào thần kinh khác. Trong não người thì mỗi tế bào thần kinh được kết nối tới xấp xỉ 10.000 tế bào thần kinh khác, hầu hết thông qua kết nối gai thần kinh [104]. Các hoạt động trong hệ thần kinh trung tâm (CNS) chủ yếu liên quan đến dòng tiếp hợp được truyền giữa các chỗ chuyển tiếp của trục thần kinh và nhánh thần kinh 12
hoặc nhánh thần kinh với nhánh thần kinh của tế bào khác. Điện thế có cực âm và khoảng 60-70mV có thể thấy được dưới lớp màng của thân tế bào. Điện thế này thay đổi với sự thay đổi của các hoạt động chuyển tiếp. Nếu một điện thế hoạt động chuyển tiếp truyền dọc sợi, và kết thúc tại một khớp thần kinh kích thích, thì một điện thế khớp thần kinh sau kích thích sẽ xảy ra ở nơron tiếp theo. Nếu hai điện thế hoạt động cùng truyền dọc cùng một sợi trong một khoảng cách ngắn thì sẽ là tổng của hai EPSP và tạo ra một điện thế hoạt động trên nơron ti ếp theo. Nếu sợi trục kết thúc ở một khớp thần kinh hạn chế, sẽ xảy ra hiện tượng siêu phân cực và sẽ được thể hiện bằng một điện thế hạn chế sau chuyển tiếp. 0 -60 0 -60 0 -60 Hình 1.4. Điện thế màng tế bào thần kinh thay đổi và dòng điện trong quá trình synap kích thích được ghi bằng các vi điện cực nội tế bào. Điện thế hoạt động trong hoạ t động kích thích và hạn chế tiền synap dẫn đến hoạt động EPSP và IPSP ở nơron sau synap.[110] 13
1.1.2 Điện thế hoạt động Thông tin truyền bởi tế bào thần kinh được gọi là điện thế hoạt động AP. Các AP được tạo ra do sự trao đổi ion giữa các màng tế bào thần kinh và một AP là một sự thay đổi điện thế màng tạm thời và được truyền dọc trục thần kinh. Nó thường được bắt đầu từ thân tế bào truyền theo một hướng. Điện áp màng khử cực (trở nên dương hơn) và tạo ra đỉnh. Sau khi tạo đỉnh thì màng lại tái cực (trở nên âm hơn). Điện thế trở nên âm hơn so với điện thế nghỉ và sau đó trở lại bình thường. Điện thế hoạt động của hầu hết các tế bào kéo dài trong khoảng 5-10ms (Hình 1.5) Vận tốc dẫn của điện thế hoạt động nằm từ 1 đến 100 m/s. Các AP thường được khởi tạo từ nhiều kiểu kích thích khác nhau: các tế bào thần kinh cảm giác đáp ứng với nhiều kiểu kích thích như hóa học, ánh sáng, điện, áp suất, sờ nắm, kéo dãn. Mặt khác, các tế bào thần kinh trong CNS (não và xương sống) chủ yếu được kích thích bởi hoạt động hóa học tại khớp thần kinh. Để hình thành một AP thì kích thích phải đạt trên mức ngưỡng. Nếu kích thích yếu thì có thể chỉ tạo ra một xáo trộn điện tử cục bộ và không đủ để tạo ra một AP có thể truyền đi được. Ngay khi kích thích có cường độ cao hơn mức ngưỡng thì điện thế hoạt động sẽ xuất hiện và di chuyển xuống các tế bào thần kinh. +30 0 -30 -60 -90 0 2 4 6 8 10 14
Hình 1.5. Thay đổi điện thế màng do việc đóng các kênh Na và mở các kênh K Đối với người thì biên độ của AP xấp xỉ -60mV đến 10mV. Đối với tế bào thần kinh, cần ít nhất 2 mili giây trước khi xuất hiện kích thích tiếp theo. Trong thời gian này thì không có một AP nào có thể được tạo ra. Đây gọi là thời gian khó bảo. 1.1.3 Tạo tín hiệu EEG Tín hiệu điện não là dòng điện sinh ra trong quá trình kích thích các sợi nhánh thần kinh của các nơron trong vỏ não. Khi tế bào não được kích thích, dòng chuyển tiếp được tạo ra trong sợi nhánh. Dòng này tạo ra một trường từ có thể đo bằng máy điện cơ và một trường điện thứ cấp trên sọ có thể đo bằng hệ thống điện não. Sự chênh lệch về điện thế được gây nên bởi các điện thế postsynaptic từ các tế bào pyramidal tạo nên các lưỡng cực điện giữa soma (thân tế bào thần kinh) và các nhánh thần kinh apical (nhánh thần kinh). Các dòng điện não chứa hầu hết các ion Na+, K+, Ca++ và Cl – được bơm qua các kênh trong màng tế bào thần kinh theo hướng được điều khiển bởi điện thế màng [47] Như chúng ta đã biết đầu người có chứa những lớp khác nhau bao gồm: da đầu, sọ, não và nhiều lớp mỏng ở giữa. Trong đó, sọ người làm suy giảm tín hiệu xấp xỉ một trăm lần so với mô mềm. Do được đo qua nhiều lớp vật chất nên tín hiệu điện não bị suy giảm nhiều chỉ còn cỡ µV do đó nó khá nhỏ và dễ bị nhiễu can thiệp. Mặt khác, hầu hết các nhiễu được tạo ra trong não hoặc trên da đầu. Do đó chỉ có một lượng các nơron kích thích đủ lớn mới có thể tạo đủ điện thế và có thể ghi được thông qua các điện cực da đầu. Các tín hiệu điện não yếu có thể được đo không xâm lấn bởi hệ thống máy đo điện não EEG thông qua các điện cực trên da đầu. Các tín hiệu này sẽ được khuếch đại lên nhiều lần và hiển thị trên giấy ghi hoặc lưu trong bộ nhớ máy tính phục vụ nghiên cứu và chẩn đoán. Hầu hết các ứng dụng chẩn đoán và theo dõi trong y tế liên quan đến não đều được thực hiện thông việc phân tích phổ tần số và có thể quan sát được từ tín hiệu EEG 15
Hình 1.6. Cấu trúc của một nơ ron Hình 1.7. Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của các lớp Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và được tạo ra bởi các dòng ion trong các nơron của não. 16
F7 O1 O2 F8 Fp2 F4 C4 P4 Fp1 F3 C3 P3 Fz Cz Pz 2 4 6 8 10 12 14 16 18 20 Hình 1.8. Tín hiệu điện não ghi được từ các điện cực Thế mạnh của phương pháp đo điện não EEG đó là nó có thể phát hiện ra những thay đổi cỡ mili giây. Điện thế hoạt động mất xấp xỉ từ 0,5 – 130 milli giây để truyền giữa các nơron nên EEG là một công cụ phù hợp. Tín hiệu EEG có độ phân giải thời gian rất tốt và thường người ta kết hợp EEG với fMRI là hệ thống có độ phân giải không gian tốt để nghiên cứu. EEG cũng có thể quyết định cường độ tương đối và vị trí của các hoạt động điện tại các khu vực giải phẫu khác nhau của não. Thông thường sóng não chia làm 4 nhóm theo phổ tần số chính: sóng beta (>13Hz), alpha (8-13Hz), theta (4-8Hz) và delta (0.5-4Hz). Sóng alpha (8-13Hz) có thể chỉ thị được trạng thái thư giãn hay thể hiện mức độ tập trung của người. Bất kỳ một sự tập trung nào cũng sẽ dẫn đến sự suy giảm trong dải alpha. Sóng µ là một sóng điện não có dải tần nằm trong dải alpha và thường liên quan đến quá trình lập kế hoạch vận động hoặc tưởng tượng vận động của người. Tuy nhiên trong khi sóng alpha thường xuất hiện tại các điện cực khu vực chẩm thì sóng µ không phụ thuộc vào quá trình nhìn và thường xuất hiện tại các điện cực trên vùng vỏ não vận động [11]. 17
A B V V Thời gian Thời gian Hình 1.9. Tín hiệu điện não thu được tại các vị trí khác nhau của điện cực theo hai phương pháp lưỡng cực (a) và đơn cực (b) Điện thế liên quan đến sự kiện (Evoked potentials – ERP) Các điện thế liên quan đến sự kiện là những biến đổi điện áp đáng kể do các hoạt động thần kinh gợi lên. Các điện thế gợi này được bắt đầu bởi các kích thích bên trong và bên ngoài. ERPs là phương pháp phù hợp để nghiên cứu các khía cạnh của quá trình nhận thức bình thường hoặc bất thường. Biên độ của các thành phần ERP thường nhỏ hơn so với các thành phần EEG tự phát do đó nó không dễ dàng nhận thấy từ dữ liệu điện não thô. Chúng thường phải được tách ra từ bộ các bản ghi điện não bằng cách lấy trung bình các đoạn bản ghi (epochs) của tín hiệu điện não đồng bộ thời gian với các sự kiện lặp lại của cảm giác, nhận thức và các hoạt động điều khiển vận động [6]. 1.1.4 Hệ thống điều khiển vận động của não Não chứa những khu vực như khởi tạo chuyển động, cảm nhận có ý thức, phân tích, thể hiện cảm xúc và hành vi. Vùng tiểu não tổ chức các chuyển động chủ động của cơ và duy trì cân bằng. Tiểu não điều khiển các chức năng không chủ động như thở, nhịp tim, nhịp sinh học. Một trong những khu vực quan trọng có liên quan đến điều khiển các chức năng vận động đó là vỏ não điều khiển vận động. Đây chính là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý. Mỗi vùng chứa một lượng rất lớn các nơ ron thần kinh từ vỏ não tới cuống não và tủy sống. Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của 18
bó tháp. So với các vùng khác thì vùng vận động có diện tích lớn nhất. Ngoài ra, bên cạnh vùng vận động còn có vùng tiền vận động thuộc vùng 6 thùy trán, đây là nơi xuất phát các sợi đi đến các nhân xám dưới vỏ rồi theo hệ ngoại tháp chi phối các vận động tự động. Nơron trong vỏ não vận động gửi tín hiệu theo sợi trục thần kinh hoặc gửi trực tiếp tới tủy sống và hình thành một khớp thần kinh trên tế bào thần kinh vận động (đây là tế bào thần kinh mang tín hiệu từ tủy sống tới các cơ để tạo ra chuyển động). Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ. Khi nơron trên vỏ não kích hoạt thì nó sẽ làm cơ co. Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh. Mỗi điểm trên vỏ não vận động điều khiển một cơ hoặc một nhóm nhỏ các cơ liên quan. Cách mô tả này chỉ đúng một phần. Tại khu vực vỏ não vận động có thể phát ra tín hiệu điều khiển vận động của chân, tay, bụng, vai, lưng, đầu, mắt, môi v.v. Ngoài ra để có thể thực hiện được chuyển động, một số khu vực khác cũng có những thông tin để hỗ trợ cho việc vận động đó là: Vỏ não tiền vận động, khu vực vận động bổ sung. Hình 1.10. Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ não[101] - Vùng vận động chính: Khu vực này về mặt giải phẫu là nơi tập trung nhiều tế bào Betz. Tế bào này truyền theo trục thần kinh xuống tủy xương tới khớp thần kinh trên mạch liên thần kinh của tủy sống (interneuron circuitry) và trực tiếp tới các tế bào thần kinh vận động alpha trên tủy 19
sống có kết nối tới các cơ. Khu vực vỏ não vận động chính nằm tại vị trí BA4 theo cấu trúc của Brodmann. Khu vực này thường liên quan đến tạo ra các chuyển động hay liên quan đến đầu ra của hệ thần kinh vận động. - Vùng tiền vận động: Vùng này chịu trách nhiệm một số vấn đề của điều khiển vận động như chuẩn bị cho chuyển động, cảm giác dẫn đường của chuyển động, dẫn đường không gian cho động tác. Vùng này nằm dịch lên phía trên của vỏ não vận động chính. - Vùng vận động bổ sung SMA: Có nhiều đề xuất chức năng của khu vực này như tạo lập kế hoạch chuyển động, lập kế hoạch chuỗi chuyển động, cân bằng hai nửa của cơ thể (các chức năng này hiện nay vẫn là các giả thuyết). Bản đồ vận động cho thấy rằng có sự sắp xếp có trật tự của các nếp gấp não tại các khu vực điều khiển mặt, ngón tay, chân, bàn tay, cánh tay, thân, cẳng chân và bàn chân. Tuy nhiên, các bộ phận được dùng trong những nhiệm vụ đòi hỏi sự chính xác tuyệt đối và kiểm soát tốt nhất như các ngón tay, bàn tay và mặt thì có những biểu hiện không cân đối ở các khu vực vận động của vỏ não (Hình 1.11). Những sợi trục này bắt nguồn từ những nơ ron thần kinh hình chóp lớn được chỉ định trong những lớp mỏng hình chữ V có tên là Tế bào Betz sau khi họ tìm ra chúng. 20
Hình 1.11. Sắp xếp các khu vực tế bào thần kinh trên vỏ não của Brodmann ở Người Hình 1.12. Khu vực chính của vỏ não điều khiển vận động Vùng vận động và cảm giác của vỏ não có các quy luật hoạt động sau đây [51]: - Quy luật bắt chéo: Bán cầu não bên này chi phối vận động và cảm giác của nửa thân bên kia. - Quy luật ưu thế: Những cơ quan nào vận động nhiều và cảm giác tinh tế thì chiếm vùng vỏ não rộng hơn (tay, miệng ). 21
- Quy luật lộn ngược: Vùng vỏ não phía trên chi phối vận động và cảm giác của các bộ phận phía dưới cơ thể. Ngược lại, vùng vỏ não phía dưới chi phối các bộ phận phía trên Các nếp cuộn não đối nhau ở khu tiền trung tâm (Brodmann khu vực 4) chính là khu vực vận động chính, là khu vực có cường độ kích thích thấp nhất bắt đầu gợi ra chuyển động. Ở cường độ thấp, các tác động do kích thích có thể được biểu hiện bởi hoạt động của các nơron thần kinh gần các điện cực được nối với tủy sống trực tiếp hoặc gián tiếp thông qua một số lượng nhỏ các liên hợp thần kinh. Những phản ứng ở các cơ (ví dụ như ở tay) được ghi lại bằng bề mặt các điện cực. Điện thế hoạt động lớn và có độ chờ ngắn, phù hợp với thực tế là chúng được điều khiển bởi các sợi thần kinh vỏ não-tủy sống (Hình 1.13). Các tín hiệu điều khiển vận động tới các bó cơ và cơ quan ngoại vi từ trung tâm điều khiển vận động của não bộ sẽ di chuyển dọc các noron vận động tới phần cuối não dính với tủy sống. Tại đây hầu hết các sợi trục thần kinh của noron thần kinh vận động sẽ bắt chéo sang phía bên kia của hệ thần kinh trung ương và di chuyển xuống tủy sống theo đường dẫn bên xương sống và số còn lại di chuyển dọc xương sống theo đường dẫn trước xương sống. Các tế bào thần kinh vận động trên cuối cùng sẽ ghép khớp thần kinh với các tế bào thần kinh dưới tại điểm gốc của xương sống. Các tế bào thần kinh vận động dưới sẽ hoàn thành hành trình tới nhóm cơ mục tiêu. 22
Hình 1.13. Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo A: Sự kích thích từ trường của khu vực vận động hay xương sống cổ làm cho các cơ co thắt không đau đớn. Sự kích thích của khu vực vận động trên vỏ não kích hoạt các sợi nối vỏ não-tủy sống và gây ra một phản ứng điện cơ đồ (EMG) đỗ trễ ngắn ở các cơ đối nhau. B: Các bản ghi cho thấy sự kích hoạt của các cơ cánh tay và bàn tay (bắp tay và mô cơ út) khi có kích thích lên vỏ não và xương sống cổ. Các đỉnh xuất hiện sớm hơn trong các kích thích xương sống cổ vì các xung vỏ não-tủy sống truyền đi trong một khoảng cách ngắn hơn. Điểm được đánh dấu là s là sự kích thích giả, phản lại tác dụng của các xung từ trường. Các bản đồ thực nghiệm ban đầu về sự kích thích điện trên bề mặt vỏ não đã dẫn tới ý kiến cho rằng khu vực vận động sơ cấp hoạt động như một khu tổng lớn (như một công tắc điều khiển các cơ độc lập hay những nhóm nhỏ các cơ liền kề). Tuy nhiên, nhiều nghiên cứu chi tiết hơn sử dụng các vi điện cực chèn vào sâu trong vỏ não (vi kích thích trong hộp sọ hay ICMS) để kích thích các nhóm nhỏ của các nơ ron thần kinh đầu ra, điều này chỉ ra rằng sự xem xét đơn giản trên là không 23
chính xác. Trong khi kích thích yếu nhất có thể tạo ra sự co giật của các cơ độc lập, các cơ giống nhau được kích hoạt không đổi từ một vài vị trí riêng rẽ, cho thấy rằng các nơ ron thần kinh ở một vài vị trí trên vỏ não định hướng các sợi trục thần kinh tới cùng một đích. Ngoài ra, hầu như sự kích thích kích hoạt một số cơ, với những cơ hiếm khi hoạt động độc lập. Điều này được chứng thực bởi các thực nghiệm giải phẫu và sinh lý gần đây cho thấy rằng sự phân bố của các sợi trục vỏ não-tủy sống khác với phân bố các dây thần kinh vận động nhiều hơn một cơ. Thay vì một khu trung tâm điều khiển cơ đơn giản, bản đồ chi tiết của khu vực vận động trên não khỉ đã gợi ý một tổ chức đồng tâm: những vị trí ảnh hưởng những cơ ở xa tâm được bao chứa ở trung tâm của một vùng rộng hơn chứa các vị trí ảnh hưởng tới những cơ gần hơn, trong khi những vị trí ở vòng biên xung quanh trung khu này chỉ làm ảnh hưởng tới những cơ ở gần. Một hệ quả của sự dư thừa trong sự biểu hiện cơ này là những đầu vào của khu vực vận động từ những vùng vỏ não này có thể kết hợp cả những cơ ở gần và ở xa bằng những cách khác nhau trong những nhiệm vụ khác nhau. Vùng vỏ não điều khiển hai tay có khoảng cách phân biệt về không gian tốt hơn là khu vực điều khiển hai chân. Trong nghiên cứu [17] giải thích rõ vì sao chân trái và chân phải tạo ra các thành phần EEG giống nhau trong khi đó tay trái và tay phải tưởng tượng vận động có thể phân biệt về mặt không gian bằng kỹ thuật EEG. Trong một vài nghiên cứu gần đây bằng kỹ thuật cộng hưởng từ cho thấy phân bố của các hoạt động tưởng tượng của chuyển động chân trái và chân phải là khá tương đồng do lượng oxy trong máu đáp ứng tới cả hai trạng thái tưởng tưởng vận động [117]. Một đặc điểm đặc trưng của vận động tự chủ là nó có thể được nâng cao qua tập luyện. Điều này có thể liên quan với sự sắp xếp lại các vùng vỏ não. Ở một nghiên cứu, sự thay đổi rõ rệt được tìm thấy trên khu vực vận động ở người sau khi tập luyện một bài tập vận động đơn giản. Chụp ảnh chức năng thần kinh cho thấy 24
các vùng vỏ não được kích hoạt trong suốt quá trình thực hiện chuỗi huấn luyện và khu vực có thể mở rộng ở các vùng vỏ não ở xa khu vực có tổn thương (Hình 1.14) Hình 1.14. Khi một chuyển động được tập luyện, khu vực vận động chính được mở rộng hơn [127] A: Con người thực hiện bài tập chạm ngón tay cái vào đầu từng ngón tay con lại theo trình tự lần lượt. Số thứ tự được đếm từ 1 đến 4. Cả trình tự chuyển động đã tập luyện và trình tự chuyển động mới được thực hiện đã được cố định, tốc độ chậm (2 thành phần chuyển động trên 1 giây) B: Máy quét MRI cho thấy các vùng ở khu vực vận động sơ cấp bị kích hoạt trong suốt quá trình thực hiện trình tự bài tập hàng ngày trong 3 tuần (hình trái) và trình tự chuyển động mới (hình phải). Vùng được kích hoạt lớn hơn khi thực hiện chuyển 25
động đã tập luyện. Các thí nghiệm trên đã giải thích sự tăng lên của các vùng hoạt động chuyển hóa và chứng minh rằng kết quả tập luyện lâu dài của việc huấn luyện trình tự chuyển động ở khu vực chuyển động sơ cấp. C: Trong một phép thử khác của việc thực hiện một trình tự đã tập luyện và một chuyển động mới, các khu vực bị kích hoạt ở khu vực hoạt động sơ cấp ở chuyển động đã tập luyện là lớn hơn, vì vậy, sự mở rộng của việc kích hoạt không chỉ đơn thuần là ảnh hưởng của việc sắp xếp mà bài tập được thực hiện. 1.1.5 Tín hiệu điện não đồ liên quan đến tƣởng tƣợng vận động Trên thế giới, có một số phương pháp đo không can thiệp giúp trích xuất thông tin từ các hoạt động của não bộ và phát hiện ra khu vực chức năng nhận thức, vận động như Fmri [119], [36], MEG [12], [64], EEG [34], [56], [97] hoặc kết hợp giữa các phương pháp trên [128], [86]. Trong các phương pháp trên, kỹ thuật điện não đồ EEG có ưu điểm là phương pháp không xâm lấn, dễ thiết lập và có độ phân giải thời gian tốt (ms). Quá trình tưởng tượng vận động được coi như một quá trình nhận thức có ý thức tới nội dung của việc muốn chuyển động, quá trình này thường được thực hiện vô thức khi chuẩn bị vận động. Một số nghiên cứu cũng cho rằng việc tưởng tượng vận động có ý thức và chuẩn bị vận động vô thức có cùng cơ chế và có chức năng tương đương [60], [61]. Khu vực vận động chính nếu chỉ đơn thuần là khu vực thực hiện vận động trong toàn bộ hệ thống thần kinh vận động thì sẽ không có bất kỳ một hoạt động nào có thể mong muốn xuất hiện trong quá trình tưởng tượng vận động. Tuy nhiên trong nhiều nghiên cứu sử dụng fMRI đã chỉ ra khu vực vỏ não vận động chính cũng được kích hoạt trong quá trình tưởng tượng vận động [84]. Theo các nghiên cứu trên thế giới [41], [65], [103], [95], quá trình tưởng tượng vận động và thực hiện vận động ở người được nghiên cứu và chỉ ra sự tương đồng trong phân bố năng lượng tín hiệu và diễn ra ở các dải tần số alpha (8-13Hz) và beta (15-30Hz) và tại các khu vực giải phẫu giống nhau của não bộ. Sự xuất hiện của các sóng điện 26
này thường có liên quan đến các sự kiện vận động hoặc các thông tin động học (vị trí, vận tốc (động học) cũng như lực (tĩnh học – kinetics), chúng thường xuất hiện trước, đồng thời và sau khi có đáp ứng [115], [69]. Nhiều nghiên cứu đã được triển khai theo để phân tích các đặc điểm năng lượng phổ tại các dải tần số qua đó tạo được các đặc trưng giúp tăng độ chính xác phân loại. ERD/ERS là hai đặc trưng sóng điện não liên quan đến vận động được nhiều nhà nghiên cứu sử dụng. Trong đó ERD là sự suy giảm ở một thành phần tần số xác định, nó liên quan đến sự tăng các hoạt động của nơ ron và nó xuất hiện trong giai đoạn thực hiện và tưởng tượng vận động trên khu vực vỏ não vận động chính M1. ERS là sự tăng một số thành phần tần số liên quan đến việc hạn chế hoạt động các nơ ron và xuất hiện tại thời điểm chưa thực hiện hoặc tưởng tượng vận động [24], [39]. Nhiều nghiên cứu cũng đã chỉ ra quá trình vận động và tưởng tượng vận động dẫn đến sự xuất hiện ERD và ERS tại khu vực vỏ não vận động và có sự tham gia của sóng alpha (mu) và sóng beta [95], [103]. Bên cạnh đó khi tăng mức độ phức tạp của tác vụ hoặc mức độ tập trung thì cũng sẽ làm tăng biên độ của ERD. Tuy nhiên các thành phần tần số xác định này có thể thay đổi giữa những người khác nhau [38]. ERD xảy ra trong quá trình tưởng tượng vận động tay khá tương tương tự như ERD xảy ra trước vận động thực [95]. Nó giống như phản ánh trạng thái sẵn sàng hoặc thiết lập trước mạng thần kinh tại khu vực vỏ não vận động. Sóng Mu cũng khá quan trọng khi nó xuất hiện và có thể giám sát được trong quá trình tưởng tượng vận động. Sóng Mu cũng có đặc điểm điện áp khá giống sóng alpha ở thùy chẩm tuy nhiên sóng mu xuất hiện chủ yếu trên vùng vỏ não vận động và không bị tắt khi mở mắt. Nó sẽ xuất hiện tùy thuộc vào mức độ tập trung và được tăng cường nếu ngồi yên [27]. Bên cạnh sóng mu, sóng beta (13-30Hz) thường xuất hiện khi não bộ suy nghĩ tích cực, có chủ đích hay khi đang giải quyết vấn đề. Sóng beta trung tâm cũng có sự liên quan khi não bộ có các hoạt động liên quan đến điều khiển vận động. Các sóng beta dao động được giải thích là trong quá trình vận động cần một lượng các nơ ron thần kinh vận động khử cực. Sóng chậm theta (4-7Hz) cũng được sử dụng do nó có liên quan đến quá trình nhận thức, cơ chế tập trung và cũng có sự liên quan đến quá trình vận 27
động [55], [63]. Có thể nhận thấy qua các nghiên cứu đó là quá trình tưởng tượng vận động chi đều có những sự biến đổi năng lượng phổ nhất định tại các thành phần sóng cơ bản của điện não. Do đó các thuộc tính lượng hóa được sự thay đổi này của tín hiệu IHMv có thể giúp nâng cao khả năng nhận diện tín hiệu và độ chính xác phân loại. Bên cạnh đó, tín hiệu IHMv là bản chất không dừng và có tính thống kê nên việc lựa chọn được các thuộc tính có khả năng đặc tả các khía cạnh của tín hiệu đồng thời có khả năng phân biệt được các trạng thái là một hướng nghiên cứu được nhiều nhà khoa học quan tâm. Trong phạm vi nghiên cứu của luận án, với mục đích xác định được các đặc trưng có khả năng phân biệt được các trạng thái tưởng tưởng vận động chi trên, luận án thực hiện khảo sát các nhóm đặc trưng trên cả ba băng tần theta, alpha và beta và đánh giá trên tập dữ liệu mẫu để tìm ra các đặc trưng có khả năng phục vụ quá trình phân loại trạng thái tưởng tượng vận động. 1.2 Mô hình xử lý tín hiệu điện não IHMv Như đã trình bày ở trên, độ chính xác và tin cậy của các hệ thống phân lớp các trạng thái tưởng tượng điều khiển vận động phụ thuộc vào bộ dữ liệu huấn luyện mô hình. Bộ dữ liệu huấn luyện ít chịu ảnh hưởng của nhiễu và chứa đựng thông tin cần thiết thì độ tin cậy của hệ thống phân lớp càng cao. Để có được bộ dữ liệu huấn luyện có chất lượng cao, trong mô hình thu nhận, xử lý và phân tích tín hiệu điện não cần phải chú ý đến các giải pháp kỹ thuật để nâng cao được tỷ số SNR của nhóm tín hiệu cần phân tích. Tín hiệu điện não thu được từ hệ thống EEG là một chuỗi các giá trị biến đổi nhanh theo thời gian (cỡ ms). Các thông tin điều khiển vận động từ não bộ có thể thu nhận từ một hoặc nhiều điện cực tại vỏ da đầu. Tuy nhiên, do phương pháp đo EEG là phương pháp đo không xâm lấn nên tín hiệu điện não thường có biên độ nhỏ và bị can thiệp nhiễu gây khó khăn trong việc trích xuất thông tin có ích. Để loại bỏ các tần số gây nhiễu trên tín hiệu thu từ các điện cực, giải pháp tiền xử lý dữ liệu bằng các bộ lọc số có thể được sử dụng để lọc ra các dải tần số quan tâm hoặc loại bỏ các nhiễu [74]. Bên cạnh đó, một số giải pháp được sử dụng để tăng độ chính 28
xác không gian của tín hiệu EEG như phương pháp lọc không gian CSP [131], [42], trong đó sử dụng toàn bộ các điện cực để tạo ra ma trận lọc không gian CSP. Đây là ma trận vuông gồm các giá trị riêng của các vector điện cực. Ma trận này sẽ tối đa hóa dữ liệu thuộc một phân lớp và tối thiểu hóa dữ liệu thuộc phân lớp kia qua đó sẽ nâng cao khả năng nhận diện hai phân lớp điều khiển vận động. Đặc trưng của tín hiệu sẽ được tạo ra bằng cách nhân toàn bộ dữ liệu các kênh đo với ma trận lọc không gian CSP và sử dụng kết quả của bộ lọc đầu tiên và cuối cùng để xây dựng vector đặc trưng. Một giải pháp khác đó là sử dụng kỹ thuật ICA [5] trong đó dữ liệu toàn bộ các kênh sẽ được cấu trúc lại thành các thành phần độc lập đại diện cho nguồn phát thật của tín hiệu điện não. Các thuộc tính mô tả tín hiệu điện não liên quan đến vận động sẽ được tính toán trên các thành phần độc lập này. Việc trích chọn đặc trưng sử dụng nhiều điện cực thì quá trình lọc toàn bộ tín hiệu trên các kênh sẽ tốn thời gian và. Việc lựa chọn được số lượng điện cực phù hợp để trích chọn thông tin và nâng cao khả năng phân loại phân lớp IHMv đóng vai trò quan trọng. Tùy từng bài toán cụ thể, việc lựa chọn quá nhiều điện cực có thể sẽ dẫn tới khả năng thừa thông tin, gây quá khớp dữ liệu, tăng khối lượng tính toán, và tăng độ trễ của hệ thống Như đã đề cập ở trên, tín hiệu điện não liên quan đến tưởng tượng vận động chi trên sẽ được phát ra chủ yếu tại khu vực vỏ não điều khiển vận động. Do đó, dựa trên các nghiên cứu về khu vực vỏ não tưởng tượng vận động, để tiền xử lý và nâng cao chất lượng của dữ liệu huấn luyện đảm bảo độ tin cậy cho hệ thống phân loại, luận án sẽ phải tập trung giải quyết ba vấn đề sau: - Xác định số lượng và vị trí không gian điện cực thu nhận tín hiệu IHMv. - Tiền xử lý tín hiệu nâng cao tỷ số SNR. - Phân giải tín hiệu điện não IHMv. 1.2.1. Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv Cấu trúc và vị trí giải phẫu của khu vực phát thông tin tưởng tượng điều khiển vận động các chi tập trung chính tại khu vực vỏ não vận động. Các nghiên cứu [46], [119] về các khu vực kích hoạt của não trong quá trình điều khiển vận động đã 29
thống nhất xác định một số khu vực não bộ được kích hoạt trong thời gian tưởng tượng vận động (MI – Motor Imagery) như khu vực vỏ não vận động chính (M1), khu vực vỏ não bổ sung, và vùng tiền vận động tại khu vực thùy trán, và tiểu thùy đỉnh dưới (IPL), tiểu thùy đỉnh trên (SPL) và vỏ não xúc giác chính (S1) tại thùy đỉnh. Đây là những khu vực có phân bố rộng và có sự thay đổi nhất định đối với các đối tượng hoặc điều kiện đo khác nhau (Hình 1.15). Hình 1.15. Phân bố năng lượng trên một số đối tượng thực hiện vận động tay và chân phải tưởng tượng Để thu nhận được các thông tin điều khiển vận động của não bộ, một cách tiếp cận khác đó là trực tiếp sử dụng các nhóm điện cực đơn cực và lưỡng cực tại vị trí khu vực vỏ não vận động. Theo đó các kênh đo bao gồm C1, C2, C3, C4, Cz, FC3, FCz, FC4, CP3, CP4 là các điện cực bố trí theo chuẩn quốc tế 10/20 (Hình 1.16) nằm trên khu vực vỏ não vận động [87]. Các nghiên cứu cũng đã chỉ ra các hoạt động thần kinh có liên quan đến vận động và tưởng tượng vận động chi trên có phân bố khá rộng và có thể thu nhận từ các điện cực C3 và C4 của hệ thống ghi điện não EEG [73], [22]. 30
Hình 1.16. Sơ đồ điện cực 64 kênh theo chuẩn 10/20 Như đã phân tích ở trên, cơ chế điều khiển vận động các chi tuân theo quy luật bắt chéo có nghĩa là khi đối tượng tưởng tượng vận động sẽ tạo ra các thay đổi về tín hiệu tại khu vực vỏ não phía đối diện so với cánh tay tưởng tượng chuyển động. Như vậy nếu tay trái vận động làm thay đổi một đặc trưng trên kênh C4 thì khi tay phải vận động thì sẽ có sự thay đổi tương tự tại C3. Như vậy để xác định tín hiệu IHMv liên quan đến tưởng tượng vận động của tay trái và tay phải cần thiết có sự tham gia của các điện cực thuộc cả hai nửa bán cầu não. Mặc dù có sự bắt chéo trong điều khiển tín hiệu vận động của hai nửa bán cầu não, nhưng trong nghiên cứu của tác giả Nuri [98] nhận thấy rằng không hẳn chỉ các điện cực C3/Cz là cho khả năng phân biệt tốt nhất đối với chuyển động tưởng tượng tay phải và chân phải. Thêm vào đó, khi đối tượng thực hiện chuyển động tưởng tượng tay phải và chân phải thì vẫn có một sự thay đổi ở cả hai nửa bán cầu. Khu vực vận động não chính cũng tham gia khi tay hoặc chân phía cùng bên thực hiện chuyển động [32], [48]. Mặc dù theo lối suy nghĩ thông thường là như vậy nhưng cũng chưa có nghiên cứu nào chỉ ra được là các thuộc tính cũng có tính đối xứng, do đó khi lựa chọn kênh đo, luận án lựa chọn kênh đo tín hiệu ở cả hai nửa bán cầu não để tăng khả năng mô tả tín hiệu IHMv. 31
Trong nghiên cứu này, tác giả đề xuất sử dụng kết hợp nhóm rút gọn điện cực sử dụng trong trường hợp phân biệt chuyển động tưởng tượng chi trên bao gồm 2 điện cực C3, C4. Theo đó so với các phương pháp trên, việc giảm thiểu số kênh đo thu nhận tín hiệu sẽ giảm được độ phức tạp khi thiết lập hệ thống thu nhận cũng như giảm thời gian tính toán của hệ thống. Lý do lựa chọn đó là: - Thứ nhất đây là hai điện cực đặt trên khu vực vỏ não vận động và nằm trên hai nửa bán cầu não. Vị trí hai điện cực nằm trong khu vực vỏ não vận động chính (BA4) và vỏ não tiền vận động (BA6). Khu vực não bộ có liên quan đến quá trình chuẩn bị vận động. - Thứ hai đó là khu vực giải phẫu có tín hiệu điều khiển vận động tay có phân bố rộng hơn so với các thông tin điều khiển khác nên việc sử dụng ít điện cực hơn cũng có khả năng thu nhận được thông tin. Hiệu quả của các đặc trưng được phân tách trên nhóm hai kênh sẽ được giải quyết ở các phần sau của luận án. Mặt khác, do giải pháp lựa chọn ít điện cực sẽ có ưu điểm đơn giản hơn so với các phương pháp khác đã đề xuất nhưng sẽ có vấn đề đó là độ phân giải không gian thấp của các điện cực EEG. Để giải quyết vấn đề này, tác giả sẽ kiến nghị sử dụng bộ lọc không gian dựa trên việc sử dụng bổ sung các điện cực xung quanh để nâng cao chất lượng của tín hiệu thu ở phần tiếp theo. 1.2.2. Nâng cao tỷ số SNR của tín hiệu Sau khi xác định được phân bố không gian của điện cực thu, các tín hiệu thu tại điện cực cần phải được tiền xử lý và đồng bộ về mặt thời gian với khung thời gian phục vụ cho việc dán nhãn dữ liệu huấn luyện. Các kỹ thuật nâng cao tỷ số SNR tín hiệu điện não liên quan đến vận động tưởng tượng chi trên có thể phân chia thành một số phương pháp đó là: Thiết lập điều kiện đo tiêu chuẩn, sử dụng các bộ lọc số, sử dụng bộ lọc không gian. Trong đó vấn đề về thiết lập điều kiện đo tiêu chuẩn sẽ được đề cập trong nội dung xây dựng bộ dữ liệu điện não tại phòng thí nghiệm trong môi trường điều kiện tại Việt nam. 32
1.2.2.1. Tăng cƣờng chất lƣợng tín hiệu EEG dựa trên việc sử dụng các bộ lọc số có pha bằng không Các bộ lọc số được áp dụng trong mô hình tiền xử lý phục vụ ba mục đích đó là: - Loại bỏ nhiễu can thiệp vào tín hiệu - Phân tách được dải tần số quan tâm. - Giảm độ trễ và méo tín hiệu sau lọc Tín hiệu điện não do được thu từ các điện cực trên da đầu nên có biên độ nhỏ cỡ µV và khá dễ dàng bị can thiệp nhiễu do tiếp xúc điện cực, nhiễu điện lưới, nhiễu đường biên và các nhiễu do các tín hiệu điện sinh học khác. Qua khảo sát trên bộ dữ liệu đo tại phòng thí nghiệm có thể nhận thấy một số nguồn nhiễu vẫn xuất hiện trên bản ghi điện não (do môi trường đo điện não là tương đối mở để sát với các phép đo trên thực tế). Đó là nhiễu nguồn và nhiễu đường biên trong đó nhiễu đường biên là nhiễu tần số thấp gây trôi đường cơ sở và nhiễu nguồn điện lưới 50Hz. Thứ hai là nguồn nhiễu mắt do trong quá trình đo đối tượng đo nháy mắt cũng sẽ tạo ra các gai nhọn trên bản ghi. Qua phân tích thì tín hiệu này chủ yếu mạnh nhất là trên hai điện cực phía trước trán đó là Fp1 và Fp2 và phân bố ở khu vực tần số thấp. Tuy nhiên ảnh hưởng của nhiễu mắt trên các điện cực phía đỉnh đầu như C3, C4 là không rõ nét. Đối tượng đo cũng được yêu cầu hạn chế nháy mắt trong quá trình thu nhận tín hiệu. Như vậy để lựa chọn bộ lọc để xử lý tín hiệu điện não, ta phải đảm bảo có thể loại bỏ được một số nhiễu chính ảnh hưởng tới bản ghi nhưng đồng thời không mất thông tin tín hiệu trong dải đo điện não. Như vậy khi áp dụng bộ lọc cũng tránh việc gây méo dạng biên độ tín hiệu và pha. Dải tín hiệu điện não liên quan đến vận động thường nằm trong dải tần số thấp từ 1 – 40Hz. Trong nghiên cứu của tác giả [120], [43] đã sử dụng kết hợp bộ lọc thông dải (0,5-100Hz) và bộ lọc triệt dải 50Hz. Theo khảo sát, các bộ lọc pha tuyến tính thường được sử dụng khi cần phải thay đổi biên độ phổ tín hiệu trong khi vẫn đảm bảo tín hiệu trên miền thời gian. Với yêu cầu đặt ra thì các bộ lọc pha tuyến tính này phải là các bộ lọc FIR. Luận án kiến nghị sử dụng bộ lọc FIR có tần số cắt dưới fc1 = 1Hz và tần 33
số cắt trên fc2 = 40Hz đã được đề cập trong công bố (1). Dải tần số này chứa đầy đủ các thông tin trong các vùng tần số theta, alpha và beta của tín hiệu điều khiển vận động. Sử dụng bộ lọc FIR trên bản ghi điện não tại phòng thí nghiệm BME, tín hiệu sau lọc có thể loại bỏ được nhiễu nguồn và nhiễu đường biên tần số thấp xuất hiện trên bản ghi. Kết quả được đề cập trong công trình số (1) và (4). Hình 1.17 mô phỏng tín hiệu trước và sau khi lọc sử dụng bộ lọc thông dải tần số 1Hz – 40Hz được áp dụng cho tín hiệu thu từ kênh C3 của bộ dữ liệu Physionet Hình 1.17. Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông dải 1Hz- 40Hz Quan sát trên hình 1.17 ta thấy tín hiệu trên kênh C3 của bản ghi điện não vẫn tồn tại nhiễu đường biên và nhiễu 60Hz. Phổ tín hiệu sau khi áp dụng bộ lọc FIR đã được lọc bỏ các tần số nhiễu và tách được băng tần điện não 1Hz- 40 Hz liên quan đến tưởng tượng vận động chi trên của người. Bảng 1.1. Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải 34
Tín hiệu trƣớc lọc Tín hiệu sau lọc Giá trị tối đa (µV): 194 Giá trị tối đa (µV): 123.729 Giá trị tối thiểu (µV): -133 Giá trị tối thiểu (µV): -58.1464 Giá trị trung bình (µV): 1.07114 Giá trị trung bình (µV): -0.005656 Max – Min (µV): 327 Max – Min (µV): 181.876 Số mẫu trễ: 0 Mặt khác, quá trình lọc tín hiệu có thể gây méo tín hiệu đồng thời gây trễ lớn nếu bậc bộ lọc quá cao. Vấn đề trễ tín hiệu sau lọc cũng là một vấn đề cần quan tâm do trong quá trình xây dựng tập dữ liệu dữ liệu huấn luyện, thông tin điện não cần phải được đồng bộ về mặt thời gian với các sự kiện diễn ra trong thời gian thực tế. Độ trễ của tín hiệu khi sử dụng các bộ lọc FIR thông thường có thể khắc phục bằng cách tính toán độ trễ của tín hiệu trước và sau lọc và đồng bộ lại về mặt thời gian. Bộ lọc pha bằng không là một trường hợp đặc biệt của bộ lọc pha tuyến tính. Sử dụng bộ lọc có pha bằng không (zero-phase) giúp tín hiệu không bị méo pha sau khi lọc 0 [99]. Do đó việc sử dụng bộ lọc FIR có pha bằng không hoàn toàn có khả năng giữ được các đặc trưng trên miền thời gian phù hợp với thời điểm xảy ra với tín hiệu gốc. Kết quả thực nghiệm với bộ lọc pha bằng không Hình 1.18 mô tả tín hiệu trên kênh đo C3 của bộ dữ liệu Physionet sử dụng hai phương pháp lọc FIR. Do dữ liệu chủ yếu được xử lý offline nên việc lựa chọn bậc của bộ lọc được lựa chọn tự động đảm bảo dải tần cắt có độ suy hao 60dB. Đối với bộ lọc FIR thông thường, tín hiệu sau lọc đã bị trễ một khoảng thời gian là 256 mẫu Trong khi đo với bộ lọc pha bằng không (thực hiện bằng hàm filtfilt của Matlab), tín hiệu sau lọc đã được đồng bộ về mặt thời gian so với tín hiệu trước khi lọc. Hàm filtfilt của Matlab giúp tạo ra các hệ số bộ lọc mới dựa trên các hệ số của bộ lọc gốc để có được đáp ứng pha bằng không. Kiểm tra bằng kỹ thuật tương quan chéo trên 35
hình 1.19 có thể thấy hai tín hiệu trước và sau lọc của bộ lọc pha bằng không đạt độ tương quan lớn nhất với độ trễ mẫu bằng không. Như vậy qua thực nghiệm, để tăng chất lượng tín hiệu IHMv, luận án kiến nghị sử dụng bộ lọc thông dải có dải tần từ 1Hz-40Hz được tổng hợp từ bộ lọc FIR có pha bằng không. Việc lọc tín hiệu EEG trên bản ghi điện não ban đầu cũng sẽ giảm được hiệu ứng đường biên (ở các bản ghi dài có thể sử dụng bộ lọc FIR tần số cao và loại bỏ một số mẫu ở đầu và cuối). Quá trình lọc bậc cao với các đoạn ngắn hơn (khi đã phân đoạn) có thể làm các đoạn tín hiệu bị ảnh hưởng do hiệu ứng này. Hình 1.18. a) Tín hiệu gốc trên kênh C3. b) Tín hiệu đã bị trễ với bộ lọc thông thường. c) Tín hiệu trên kênh C3 được lọc với bộ lọc pha bằng không. Tín hiệu sau lọc có sự đồng bộ về mặt thời gian với tín hiệu trước lọc 36
Hình 1.19. Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu lọc pha không đã được đồng bộ về mặt thời gian. 1.2.2.2. Tăng cƣờng chất lƣợng kênh đo tín hiệu EEG bằng kỹ thuật lọc không gian Các điện cực trên vỏ da đầu sẽ thu tín hiệu trực tiếp từ khu vực vỏ não giải phẫu tương ứng. Tuy nhiên trên thực tế độ phân giải không gian của phương pháp đo EEG chưa cao do tín hiệu thu được trên điện cực lại là tín hiệu tổng hợp từ nhiều nguồn phát trên não bộ và có trọng số khác nhau. Bên cạnh đó, vấn đề phân bố rộng của các khu vực phát tín hiệu điều khiển vận động cũng sẽ gây khó khăn cho việc chỉ sử dụng ít điện cực cho quá trình phân tách đặc trưng. Có nhiều phương pháp đã được đề cập để nâng cao chất lượng tín hiệu và đảm bảo tín hiệu thu được tại đúng các khu vực giải phẫu quan tâm. Các phương pháp được sử dụng bao gồm phương pháp tham chiếu trung bình chung CAR [80], phương pháp thành phần không gian chung CSP [14], phương pháp lọc không gian Laplacian [15], [91]. Trong đó, phương pháp lọc không gian Laplacian cho phép xác định giá trị điện áp tại điện cực đo bằng cách kết hợp giá trị thu được của điện cực đo với các điện cực xung quanh. Các khoảng cách của các điện cực sẽ quyết định đặc điểm lọc không gian của Laplacian. Có thể sử dụng các phương pháp lọc Laplace theo vị trí của các điện 37
cực lân cận. Laplacian hẹp sử dụng các điện cực lân cận và Laplacian rộng sử dụng các điện cực kế tiếp lân cận. Nếu tín hiệu điều khiển định vị cao và không thay đổi nhiều theo thời gian thì Laplacian hẹp phù hợp còn nếu tín hiệu ít định vị thì Laplacian rộng sẽ có ưu điểm hơn.[35]. Dựa trên những nghiên cứu và phân tích ở trên, để trích chọn thông tin trên hai điện cực C3 và C4 và nâng cao chất lượng tín hiệu, luận án sử dụng phương pháp L a p lọc không gian Laplacian rộng (Hình 1.20). Nếu gọi Cti () là tín hiệu kênh cần lọc trong đó i là kênh C3 và C4. Cti ()là dữ liệu kênh đo. Bộ lọc Laplacian sẽ lọc bằng cách lấy tín hiệu tại kênh đo và trừ đi các kênh đo lân cận nhân với một trọng số phụ thuộc vào khoảng cách giữa điện cực lân cận và điện cực thu. Công thức trọng số của các điện cực lân cận như sau: 1/d ij w ij (1.1) 1/d  ij jS i Trong đó w ij là hằng số trọng số và d ij là khoảng cách Euclidian giữa điện cực thu i và điện cực lân cận j. S i là bộ các điện cực lân cận điện cực thu. Các điện cực là các điện cực trên trục dọc hoặc ngang với tâm là điện cực thu C i CL a p ( t ) C ( t ) w C ( t ) i i ij j (1.2) jS i Dữ liệu sử dụng trong luận án được tác giả sử dụng mô hình lọc không gian Laplacian rộng sử dụng 4 điện cực kế tiếp lân cận bao gồm: T7[trái],Cz[phải] ,P3[sau], F3[trước] sử dụng cho kênh C3 và nhóm kênh Cz[trái], P4[sau], T8[phải], F4[trước] cho kênh C4 38
Hình 1.20. Mô hình phân bố điện cực EEG 64 kênh. Các điện cực được sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc. 1.2.2.3. Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ Tín hiệu IHMv là các đoạn tín hiệu điện não xảy ra trước, trong và sau khi xảy ra quá trình tưởng tượng vận động hoặc vận động thật. Quá trình biến đổi năng lượng tín hiệu được phát hiện xảy ra ở trên các khoảng thời gian trên so với thời điểm có tưởng tượng vận động. Để phân giải được các nhóm tín hiệu IHMv phục vụ phân tích định lượng và xây dựng tập dữ liệu huấn luyện, việc lựa chọn các cửa sổ thời gian đồng bộ với các sự kiện tưởng tượng vận động phù hợp đóng vai trò quan trọng trong việc trích xuất được thông tin cần thiết. Khoảng thời gian lựa chọn cần phải đảm bảo liên quan đến các thời điểm bắt đầu các sự kiện và có chứa sự biến động năng lượng khi xảy ra các quá trình não bộ tưởng tượng vận động. Do mỗi đối tượng đo sẽ có phản ứng và độ trễ khác nhau sau khi có hướng dẫn vận động nên cần thiết phải khảo sát để có thể cắt được khu vực có tín hiệu quan tâm. Độ dài cửa sổ phải đảm bảo chứa được các đoạn biến động tương ứng với thông tin điều khiển vận động của não bộ. Tuy nhiên độ dài khung quá dài sẽ dẫn đến dư thừa thông tin hoặc thu nhận thêm các tín hiệu nhiễu. Việc lựa chọn khoảng thời gian có biến động ngắn sẽ giảm được thời gian tính toán của hệ thống. 39
Trong bản ghi điện não, trên kênh đo chứa các đoạn thông tin EEG liên quan vận động xảy ra được ký hiệu là Segie trong đó i là thứ tự khung, và e là sự kiện = { Lf_IHMv, Ri_IHMv, Re_IHMv. Như vậy, mỗi một Segie sẽ có chứa thông tin liên quan đến sự kiện tưởng tượng vận động. Dựa trên thiết kế của phép đo của bộ dữ liệu Physionet, khi có hướng dẫn (t=0) người đo thực hiện nhiệm vụ tưởng tượng vận động chi trong thời gian có hướng dẫn xuất hiện trên màn hình. Quá trình thực hiện vận động hoặc tưởng tượng vận động kéo dài trong khoảng 4-5s tính từ thời điểm t=0. Trong luận án, khi thực nghiệm trên bộ dữ liệu mẫu, tác giả sử dụng cửa sổ có độ dài 512 mẫu (tương ứng với khoảng thời gian 3s tính từ thời điểm bắt đầu có điều khiển chuyển động) để phân tách các đoạn tín hiệu IHMv. Phương pháp phân đoạn được thực hiện bằng cách xác định vị trí mẫu bắt đầu của sự kiện (xác định bởi thời gian bắt đầu của sự kiện và tần số lấy mẫu của bản ghi). Vị trí mẫu cuối của đoạn được xác định tại vị trí sao cho kích thước cửa sổ đoạn IHMv tính từ mẫu bắt đầu đến mẫu cuối là 512 mẫu. Độ dài cửa sổ 512 mẫu tương ứng đoạn dữ liệu 3s phù hợp với thiết kế thí nghiệm của bộ dữ liệu với khoảng thời gian đối tượng thực hiện tưởng tượng vận động là 4 giây. Bên cạnh đó, do quá trình trích chọn đặc trưng của các đoạn tín hiệu IHMv sử dụng phương pháp phân tích trên miền thời gian – tần số dựa trên biến đổi wavelet (được đề cập ở chương sau), nên kích thước cửa sổ phân đoạn phải có độ lớn bằng lũy thừa của 2. Việc lựa chọn cửa sổ lớn hơn sẽ cho độ phân giải về tần số tốt hơn (nếu đoạn 4s sẽ cho độ phân giải tần số là 0,25Hz). Tại các thời điểm t2, t3, tương ứng với nhãn thời gian của khung thí nghiệm, các đoạn tín hiệu Segie sẽ được lần lượt tách phục vụ phân tích xử lý. Kết quả của quá trình phân đoạn các nhóm tín hiệu IHMv từ bản ghi EEG trên bộ dữ liệu mẫu Physionet Dựa trên nhãn thời gian của thiết kế bộ dữ liệu và độ dài cửa sổ cắt, tác giả thực hiện phân giải trên bản ghi điện não các khung thời gian tương ứng với 3 loại 40
sự kiện tưởng tượng vận động chi trên: a) Lf_IHMv (Đoạn dữ liệu khung màu xanh), Ri_IHMv (khung màu đỏ), Re_IHMv (Khung màu đen). a) b) 41
Hình 1.21. a) Định vị các đoạn tín hiệu tương ứng với chuyển động tưởng tượng tay trái, chuyển động tưởng tượng tay phải và nghỉ trong khung màu khác nhau tương ứng (Xanh, đỏ, đen). b) Các đoạn dữ liệu tương ứng với các sự kiện vận động được xác định trước khi tách khỏi bản ghi điện não sử dụng kỹ thuật phân đoạn dữ liệu điện não không chồng lấp với cửa sổ mẫu cố định là 512 mẫu tương đương 3s để xử lý. Hình 1.22 mô tả các đoạn dữ liệu IHMv có chiều dài 512 mẫu được tách từ kênh đo C3 của bộ dữ liệu. Dựa trên kịch bản thiết kế của thí nghiệm, các đoạn Lf_IHMv, Ri_IHMv, Re_IHMv lần lượt được phân tách với giá trị mẫu đầu tiên của đoạn tương ứng với giá trị tại thời điểm bắt đầu sự kiện tương ứng. Các đoạn IHMv được phân tách từ bộ dữ liệu mẫu như quan sát trên hình 1.22 có hình dạng phức tạp, có tần số không dừng trong khoảng thời gian tồn tại. Do đó để đặc tả dạng tín hiệu IHMv, các thuộc tính cần thiết phải mô tả được tính không dừng của tín hiệu. Hơn nữa, giữa các đoạn IHMv cùng loại cũng có sự khác biệt nhất định nếu nhìn trên miền thời gian của đồ thị. Khác với các dạng tín hiệu khác, tín hiệu điện sinh học của người như tín hiệu điện não có tính thống kê, do đó các đặc trưng khi được lựa chọn sử dụng để mô tả tín hiệu IHMv và phân biệt giữa các trạng thái cần thiết phải đảm bảo độ tin cậy mang tính thống kê trên bộ dữ liệu sử dụng. 42
Hình 1.22. Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản ghi điện não trên một kênh tín hiệu EEG. Trục x là số mẫu có độ dài 512 (tương ứng 3s với tần số lấy mẫu 160Hz). Hình trên là các đoạn tín hiệu điện não EEG tương ứng với quá trình tưởng tượng vận động tay trái (Left 1 – Left 8) và Hình dưới là các đoạn tương ứng với quá trình tưởng tượng vận động tay phải (Right 1 – Right 7). Và các đoạn tương ứng với giai đoạn nghỉ Đánh giá nhóm tín hiệu điện não đƣợc phân giải từ các bản ghi điện não Để quan sát sự biến động của tín hiệu giữa các trạng thái IHMv khác nhau, luận án sử dụng kỹ thuật phân tích thời gian tần số STFT (Short-time Fourier) dựa trên công cụ EEGLAB. Đây là kỹ thuật cho phép ta quan sát được sự biến đổi năng lượng trong khoảng thời gian và tần số tương ứng của tín hiệu dựa trên bản đồ màu. Giá trị màu sắc tại các vùng cho thấy được khoảng thời gian xuất hiện biến động và khu vực tần số ảnh hưởng. Kỹ thuật STFT là một kỹ thuật được sử dụng để phân tích các tín hiệu không dừng như EEG và được phát triển dựa trên biến đổi Fourier. Trong kỹ thuật này, người ta sử dụng một cửa sổ có kích thước cố định dịch chuyển 44
theo trục thời gian mà trong đó tín hiệu được coi là ổn định. Từ đó ta có thể áp dụng biến đổi Fourier cho đoạn tín hiệu này. Khi cửa sổ này dịch theo trục thời gian thì ta có thể xác định được mối quan hệ giữa tần số và thời gian của tín hiệu. Công thức biến đổi của STFT: * ( )+( ) ( ) ∫ ( ) ( ) (9) Trong đó ( ) là hàm cửa sổ, . Dạng rời rạc hóa của STFT: * ( )+( ) ( ) ∑ ( ) ( ) (10) Trong đó x(n) là tín hiệu tại thời điểm n g(n) là hàm cửa sổ m là kích thước cửa sổ, m = hằng số. Đánh giá các đoạn tín hiệu IHMv thu đƣợc từ bộ dữ liệu Physionet Hình dưới là bản đồ màu mô tả phổ năng lượng hỗn loạn liên quan sự kiện (ERSP) của các tín hiệu điện não liên quan đến vận động được tách ra trên hai kênh đo C3, C4. Trong đó trục x của đồ thị mô tả thời gian của sự kiện còn trục y mô tả tần số của tín hiệu. Năng lượng biến đổi của tín hiệu (theo dB) được thể hiện dưới dạng màu sắc của mỗi điểm tại một tần số và thời điểm xác định. Trong đó vùng màu đỏ hơn sẽ mô tả năng lượng lớn còn màu xanh hơn sẽ mô tả năng lượng thấp hơn. Thời điểm 0 là vị trí bắt đầu có sự kiện tưởng tượng chuyển động chi trên. Cột màu bên phía phải hình vẽ mô tả cho chúng ta tỷ lệ ERSP trong đó các giá trị dương hay âm là chỉ thị có sự tăng hay giảm công suất so với đường cơ sở. Trong bộ dữ liệu Physionet, khoảng thời gian có tưởng tượng vận động tay phải T1 và tay trái T2 có thời gian là 4s (4000ms) tính từ thời điểm 0 trên đồ thị. Có thể quan sát thấy trên 45
3 kênh tín hiệu C3, C4, ở trạng thái nghỉ, trên trục thời gian tại khu vực tần số µ và β có nhiều vùng màu đỏ năng lượng cao trong khi đó đối với thời gian khi người đo thực hiện chuyển động hoặc tưởng tượng chuyển động thì vùng màu xanh xuất hiện nhiều (năng lượng thấp). Điều này cũng tương đồng với các nghiên cứu [102] khi chỉ ra có sự suy giảm (màu xanh) về năng lượng khi người đo bắt đầu tưởng tượng chuyển động. Từ đồ thị ta cũng có thể thấy giữa các đoạn Lf_IHMv và Ri_IHMv cũng thể hiện được sự khác biệt nhưng không rõ ràng như giữa trạng thái có tưởng tượng vận động và trạng thái nghỉ. Sự biến động giữa các trạng thái cũng xảy ra ở nhiều dải tần khác nhau do đó việc sử dụng các đặc trưng từ một số dải tần số có thể tăng khả năng nhận diện tín hiệu IHMv. Bản đồ màu có thể được sử dụng để tối ưu tần số của bộ lọc trong mô hình phân tách đặc trưng. 46
Hình 1.23. Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái điều khiển vận động trên kênh C3. 47
Hình 1.24. Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái điều khiển vận động trên kênh C4. Như vậy có thể nhận thấy, việc lựa chọn độ rộng cửa sổ 512 mẫu của tín hiệu IHMv đã chứa được những biến động của năng lượng phổ và mang những thông tin giúp phân giải các phân lớp IHMv khác nhau. Bên cạnh đó việc lựa chọn cửa sổ đủ rộng sẽ giúp tăng được độ phân giải tần số do tín hiệu điện não tập trung nhiều vào dải tần số thấp. Hiệu quả của phương pháp này sẽ được giải quyết ở các phần sau của luận án. 1.3. Kết luận chƣơng Trong chương 1, luận án đã nghiên cứu về hệ thần kinh vận động của não bộ và cơ chế điều khiển hệ vận động các chi. Từ các nghiên cứu, có thể nhận thấy khu vực chịu trách nhiệm điều khiển tay có phân bố rộng hơn so với các chi khác. Do đó ta có thể kỳ vọng sử dụng số lượng ít các điện cực tại khu vực vỏ não vận động mà vẫn có chứa đầy đủ các thông tin cần thiết. Do đó nghiên cứu tập trung khai thác thông tin điều khiển vận động tại khu vực giải phẫu này dựa trên các nhóm điện cực C3 và C4 phân bố trên khu vực vỏ não vận động. Trong chương 1 của luận án, tác giả kiến nghị sử dụng một số các giải pháp kỹ thuật trong mô hình xử lý tín hiệu điện não đồ liên quan đến vận động tưởng tượng của chi trên để giúp nâng cao tỷ số SNR của tín hiệu bao gồm: bộ lọc số FIR pha 48
bằng không, bộ lọc không gian Laplacian rộng, phân tách tín hiệu điện não liên quan đến vận động bằng phương pháp cửa sổ cố định. Thử nghiệm trên bộ dữ liệu mẫu của Physionet, các tín hiệu IHMv sau khi được tiền xử lý đã loại được các loại nhiễu và tách được dải tần số điện não quan tâm. Các nhóm tín hiệu IHMv của bộ dữ liệu mẫu đã cho thấy được sự biến động năng lượng phổ khác nhau đảm bảo chứa đựng các thông tin cần thiết cho bước định lượng tín hiệu. Một số kết quả nghiên cứu đề cập trong chương 1 đã được công bố trên hai bài báo bao gồm: [1]. Pham Phuc Ngoc, Vu Duy Hai, Nguyen Chi Bach, Pham Van Binh (2014). ―EEG SIGNAL ANALYSIS AND ARTIFACT REMOVAL BY WAVELET TRANSFORM‖. 5th International conference on the development of biomedical Engineering. BME HCM. Vol. 46. pp.242- 246. [4]. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Văn Bình, Nguyễn Duy Tùng, Vũ Thị Hạnh, Nguyễn Đức Thuận (2015). ―Developement of features set for classification of imagery hand movement - related EEG signals‖. ISSN 2354-1083. 109. pp43-48. 49
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 Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv. Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số. Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA. Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái tưởng tượng điều khiển vận động chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA. Tín hiệu IHMv được định nghĩa là tín hiệu điện não xuất hiện khi con người tiến hành suy nghĩ về vận động chi nhưng không tạo ra chuyển động thực. Do bản chất của IHMv là dạng tín hiệu không dừng đồng thời các tín hiệu liên quan đến vận động còn khá phức tạp và chưa được nhận diện rõ ràng nên việc giải mã và phân loại được các tín hiệu này còn khá thấp. Do đó đòi hỏi chúng ta phải tìm hiểu và nghiên cứu các phương thức mô tả tín hiệu khác nhau để định lượng được nhóm tín hiệu này. Đồng thời các đặc trưng này cần phải có khả năng phân biệt được giữa các trạng thái IHMv khác nhau giúp để nâng cao độ chính xác phân loại. Quá trình định lượng được các tín hiệu IHMv bao gồm quá trình lựa chọn các điện cực đo và các thuật toán định lượng tín hiệu mô tả các đặc điểm thống kê của tín hiệu IHMv. Việc định lượng tính hiệu IHMv thông qua các thuộc tính còn là quá trình giảm kích thước mẫu từ một tín hiệu số mẫu lớn sang một bộ các thuộc tính mô tả có kích thước nhỏ hơn, do đó làm giảm thời gian xử lý của hệ thống. Trên thế giới đã có 50
một số phương pháp xây dựng bộ đặc trưng cho các bài toán phân lớp tín hiệu tưởng tượng vận động chi trên đã được phát triển: + Tác giả Ana Loboda [10] sử dụng chỉ số khóa pha PLV dựa trên tính đồng bộ pha của các tín hiệu tại các điện cực trên vỏ não vận động bổ sung và vỏ não vận động chính để phân biệt chuyển động tay trái hay tay phải. Trong phương pháp này sử dụng nhóm ba điện cực tại vùng vỏ não vận động bổ sung FCZ, CZ, CPZ và sáu điện cực phân chia trên 2 bán cầu não là FC3, C3, CP3 cho bán cầu não trái và FC4, C4, CP4 cho bán cầu não phải. Như vậy mỗi bán cầu não tác giả tách ra được chín cặp PLV cho mỗi đoạn chuyển động: FCz-FC3, FCz-C3, FCz-CP3, Cz-FC3, Cz-C3, Cz-CP3, CPz-FC3, CPz-C3 và CPz-CP3 cho bán cầu não trái và FCz-FC4, FCz-C4, FCz-CP4, Cz-FC4, Cz-C4, Cz-CP4, CPz-FC4, CPz-C4 and CPz-CP4 cho bán cầu não phải. Với tất cả các cặp ta tính sự khác biệt giữa đoạn vận động và thư giãn: PLVPLVPLV (2.1) diff motor rest Trong đó PLVmotor là PLV trung bình của tất cả các đoạn chuyển động và PLVrest là giá trị trung bình của tất cả các đoạn nghỉ. Để phân biệt nắm mở tay trái và tay phải tác giả tính toán PLVdiff giữa các cặp tương ứng bên trái và cặp tương ứng bên phải và ghi kết quả vào một vector gồm 9 phân tử tương ứng với 9 cặp giá trị PLV ở bên 2 bên bán cầu não. Nếu PLVdiff left < PLVdiff right thì giá trị của phần tử tương ứng trong vector gán bằng 1 còn trường hợp ngược lại gán bằng 0. Nếu số phần tử có giá trị bằng 1 của vector này quá nửa thì kết luận đối tượng chuyển động tay trái và ngược lại. Trong quá trình đồng bộ thì biên độ tín hiệu giảm và cùng với đó là đồng bộ pha không trên các điện cực dẫn đến tăng giá trị khóa pha PLV, và biên độ phổ. Ngược lại, trong quá trình khử đồng bộ, biên độ tín hiệu và tỷ số tín hiệu trên nhiễu giảm dẫn đến làm giảm chỉ số khóa pha PLV. Với đặc trưng này tại băng tần µ thì tỷ lệ phân loại đúng đạt 63.73% trong khi đó ở băng tần β thì tỷ lệ phân loại là 78.95%. Việc sử dụng trực tiếp giá trị PLV để phân biệt hai trạng thái IHMv khá 51
đơn giản nhưng lại sử dụng khá nhiều cặp điện cực và không áp dụng các mô hình phân loại nên kết quả phân loại chỉ đạt trung bình. + Tác giả Shindo và Nam CS [114], [93] sử dụng đặc trưng ERD và ERS tại khu vực băng tần µ (Mu) và β (beta) để phân biệt chuyển động tưởng tượng tay trong đó đặc trưng ERD mô tả sự giảm đồng bộ hoặc tăng đồng bộ dẫn đến sự giảm hoặc tăng biên độ tín hiệu EEG khi tưởng tượng vận động. Các hoạt động liên quan đến sự kiện chuyển động được xác định trên khu vực vỏ não vận động Mu và Beta ERD xảy ra chủ yếu tại bán cầu não đối diện vào thời điểm bắt đầu tưởng tượng trong khi đó Beta ERS xảy ra trên bán cầu não đối diện tại thời điểm kết thúc tưởng tượng [76] do đó trong quá trình tưởng tượng vận động thì mô hình phổ biến sẽ là Mu và beta ERD và sau đó là beta ERS. Những thành phần khác nhau được tạo ra từ các chuyển động tưởng tượng tay khác nhau sẽ được sử dụng để phân loại tín hiệu điều khiển nhị phân BCI đơn giản. ERD được đo dựa trên công suất đỉnh trong dải α (alpha) P(,)() f n P f ER/ERSD re f (2.2) Pf() re f Trong đó P(,) f n là giá trị công suất tín hiệu tại một điểm thời gian tần số trong bản đồ công suất và Pfre f () là công suất trung bình trong khoảng thời gian tham khảo tính cho tần số f. Quá trình này thể hiện mức độ hoạt động trong dải alpha trước và trong quá trình vận động. Đây là đặc trưng khá tốt phục vụ cho việc phân biệt có vận động và không có vận động. + Tác giả Yasunari Hashimoto [132] sử dụng đặc trưng beta rebound tức là sự tăng về biên độ của sóng beta xảy ra ở giai đoạn cuối của tưởng tượng vận động nhằm phân biệt chuyển động chân trái và chân phải cho kết quả phân loại > 63% trong đó có một đối tượng đạt cao nhất là 81,6% chỉ với việc sử dụng 3 điện cực Laplace CZ và hai tín hiệu lưỡng cực C1-CZ và C2-CZ. Phương pháp này sẽ xác định dải tần xuất hiện ERD/ERS cao nhất bằng phương pháp phân tích thời gian tần số 52
và tính toán phổ công suất trên băng tần đó. Sự khác nhau giữa trái và phải của đặc trưng beta rebound BP tại điện cực Cz, điện cực lưỡng cực C1-Cz và C2-Cz được kiểm định bằng kiểm định t-test. + Xinyang Yu [131] và Goeorge Townsend [42], Blankertz [14] sử dụng các phương pháp lọc không gian CSP. Đây là phương pháp sử dụng hiệp biến giữa các kênh để thiết kế các thành phần không gian chung CSP. Quá trình này biến đổi các đoạn tín hiệu điện não EEG từ một vài điện cực sang một mặt phẳng khác trong đó có thể tối đa hóa sự khác biệt giữa hai phân lớp (sự kiện). Phương pháp CSP đầu tiên sẽ xác định ma trận hiệp biến của tín hiệu EEG (đã được lọc) trong hai điều kiện (ví dụ: tưởng tượng vận động tay phải và tưởng tượng vận động chân). Tiếp theo phân tích CSP sẽ thực hiện chéo hóa đồng thời hai ma trận hiệp biến. Được thiết kế để tín hiệu EEG đã được lọc có phương sai lớn nhất cho các thí nghiệm chuyển động tay trái và phương sai nhỏ nhất cho các thí nghiệm chuyển động tay phải. Như vậy thì sự khác nhau giữa hai phân lớp chuyển động tay trái và tay phải được tối đa và như vậy chỉ những thông tin chứa trong những đặc trưng này là có phương sai của EEG biến đổi nhiều nhất khi so sánh hai quần thể. Phương pháp CSP là phương pháp lọc không gian được sử dụng do có khả năng nâng cao tỷ số tín hiệu trên nhiễu nhờ sử dụng sự tương quan với các kênh xung quanh. + Vigneshwari [23] và Alomari [89] giới thiệu phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên việc áp dụng các giải thuật RMS, WL, SSI, MMAV, ZC và SSC trên các hệ số chi tiết của biến đổi wavelet để mô tả nhóm tín hiệu vận động ngón tay, hai tay và hai chân. Trong đó Alomari [89] áp dụng thuật toán tính đặc trưng trên hệ số wavelet khi đối tượng đo chuyển động của ngón tay trái và phải (mở đóng ngón tay). Theo các nghiên cứu của các tác giả trên, chúng ta có thể nhận thấy các bộ thuộc tính được các tác giả sử dụng đã mô tả được một số các khía cạnh về pha, tần số, năng lượng của tín hiệu IHMv. Các thuộc tính này đã được sử dụng để xây dựng véc tơ đặc trưng đầu vào cho các hệ thống phân loại và đã đạt được kết quả phân 53
loại các trạng thái IHMv với độ chính xác khá. Tuy nhiên do bản chất không dừng của tín hiệu cũng như vấn đề dữ liệu có độ chuyên biệt cao với một nhóm các đối tượng nên để đạt độ chính xác cao hơn, vẫn cần thiết phải tiếp tục xác định được bộ thuộc tính có khả năng mô tả tín hiệu tốt và có độ tin cậy cao để phục vụ mô hình phân loại các phân lớp IHMv. Xu hướng của các nghiên cứu đó là tiếp tục tìm kiếm các đặc trưng mới hoặc kết hợp các đặc trưng để mô tả tín hiệu, qua đó tăng độ chính xác phân loại . Các mô hình phân tách đặc trưng của các tác giả trên gặp một số nhược điểm đó là việc sử dụng khá nhiều các điện cực để xử lý, điều này dẫn đến việc các hệ thống phải xử lý nhiều thông tin và việc dùng số lượng lớn các điện cực có thể tăng thêm nhiễu cho dữ liệu, tăng độ phức tạp của mô hình và thời gian tính toán. Bên cạnh đó, các vấn đề liên quan khác như chi phí của hệ thống, khả năng ứng dụng các mô hình BCI trong thực tế cũng là một trở ngại. Tác giả Tam [126] đo thời gian của việc thiết lập hệ thống 32 kênh mất khoảng 10-15 phút được thực hiện bởi các chuyên gia có kinh nghiệm (20-30 giây một cảm biến). Như đã phân tích ở chương một, dựa trên một thực tế đó là tín hiệu tưởng tượng vận động sẽ do khu vực giải phẫu vỏ não vận động đảm nhiệm đồng thời khu vực phát thông tin vận động chi trên có phân bố vùng kích hoạt khá rộng trên vỏ não do đó việc giảm số điện cực và tập trung sử dụng các điện cực tại khu vực vỏ não vận động là hoàn toàn có thể thực hiện được [23], [89]. Trong phương pháp [23], [89], các tác giả sử dụng nhóm ba điện cực tại khu vực vỏ não vận động chính để xây dựng bộ đặc trưng gồm 9 thuộc tính (3 điện cực x 3 băng tần). Tuy nhiên việc chỉ sử dụng một mô tả thống kê để mô tả tín hiệu vận động sẽ khó khả thi do bản chất không dừng của tín hiệu EEG. Tuy nhiên có thể nhận thấy, phương pháp định lượng tín hiệu theo miền tần số và thời gian dựa trên biến đổi wavelet [23], [89] là một phương pháp tiếp cận hiệu quả và đơn giản khi thực hiện. Phương pháp này được áp dụng trên số lượng và vị trí kênh đo tùy chọn. Một ưu điểm của khác của kỹ thuật này đó là cho thấy khả năng định lượng được tín hiệu và vẫn đảm bảo chứa đựng các thông tin trên miền thời gian và tần số. 54
Một vấn đề khác giúp nâng cao độ chính xác phân loại của hệ thống đó là việc lựa chọn các đặc trưng tốt để xây dựng véc tơ đặc trưng IHMv. Việc đưa vào mô hình véc tơ đặc trưng quá nhiều thông tin sẽ dẫn đến việc các mô hình phân ở loại sẽ phải học nhiều thông tin dư thừa, sai và ảnh hưởng trực tiếp tới quá trình phân loại. Theo các cách tiếp cận ở trên, các đặc trưng được tính toán dựa trên thực tế có sự biến đổi thông tin về pha, năng lượng cũng như vị trí phát thông tin IHMv và được đưa trực tiếp vào huấn luyện các mô hình phân loại mới. Tuy nhiên, để loại bỏ những thông tin dư thừa, cần thiết phải nghiên cứu phương pháp lựa chọn các thuộc tính tốt trong việc phân biệt các trạng thái IHMv. Bên cạnh đó, do tính chất thống kê của tín hiệu nên các đặc trưng cũng cần thiết phải được đánh giá được độ tin cậy của kết quả trên bộ dữ liệu, qua đó tăng khả năng ứng dụng trên các hệ thống phân loại thực tế. Trong phần này, tác giả sẽ nghiên cứu áp dụng phương pháp phân tích trên miền thời gian – tần số dựa trên wavelet trên kênh đo C3, C4 và đề xuất xây dựng nhóm các đặc trưng mới định lượng tín hiệu điện não IHMv. Luận án đề xuất sử dụng phương pháp phân tích phương sai ANOVA [30] để đánh giá khả năng phân biệt và độ tin cậy của thuộc tính. Phương pháp đề xuất giúp lựa chọn được các đặc trưng có tính phân biệt ba phân lớp IHMv dựa trên chỉ số F và p. Các thuộc tính được đánh giá và lựa chọn dựa trên việc thử nghiệm trên bộ cơ sở dữ liệu mẫu Physionet. Các thuộc tính mới được sử dụng để xây dựng vector đặc trưng cho mô hình phân lớp ba trạng thái IHMv. 2.1 Phƣơng pháp định lƣợng trên miền thời gian – tần số dựa trên biến đổi wavelet [23] Phân bố của tín hiệu EEG là Gaussian đa biến (multivariate Gaussian) trong đó các thuộc tính như giá trị trung bình và hiệp phương sai thay đổi theo từng đoạn dữ liệu. Do đó EEG thường được xem là ổn định chỉ trong một khoảng thời gian ngắn [26]. Do tính chất không dừng của tín hiệu nên các đặc điểm thống kê của dữ liệu trên cả miền thời gian và tần số cần phải được xem xét đến. Phương pháp xây dựng đặc trưng tín hiệu dựa trên phương pháp định lượng tín hiệu trên miền thời gian - tần số được đề xuất trong [23] có khả năng phân tách được tín hiệu điện não 55
tại các dải tần số chứa thông tin tưởng tượng vận động trong khi đó vẫn đảm bảo thông tin trên miền thời gian. 56
Hình 2.1. Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng các phân lớp IMHv. Trong mô hình xử lý trên hình 2.1, tín hiệu điện não đa kênh được xử lý theo những bước sau: Bƣớc 1: Bản ghi điện não đồ được ghi vào ma trận dữ liệu Bƣớc 2: Lựa chọn kênh đo và tiền xử lý dữ liệu Bƣớc 3: Phân giải bản ghi thành các phân lớp IHMv_Emxn với m là kênh đo và n là số mẫu tín hiệu của một bản ghi. Bƣớc 4: Phân tách băng tần tín hiệu điện não IHMv dựa trên biến đổi wavelet. Bƣớc 5: Lựa chọn hệ số chi tiết tương ứng với băng tần tín hiệu điện não cần xử lý. Bƣớc 6: Áp dụng giải thuật định lượng tín hiệu lên các hệ số chi tiết của biến đổi wavelet Trong kỹ thuật này, dựa trên biến đổi wavelet, tín hiệu gốc IHMv được phân tách thành các hệ số chi tiết tương ứng với các băng tần khác nhau. Trong đó các hệ số chi tiết có chứa thông tin băng tần liên quan đến tưởng tượng vận động của tín hiệu được lựa chọn để xây dựng đặc trưng. Do kỹ thuật nén dãn các bộ lọc nên các thông tin trên miền thời gian của tín hiệu qua phép biến đổi vẫn được đảm bảo. Tiếp đó, các thông tin trên miền thời gian và tần số của tín hiệu được trích xuất dựa trên việc áp dụng các thuật toán mô tả thống kê của tín hiệu trên các hệ số chi tiết của phép biến đổi wavelet trên tín hiệu IHMv thu được. Trong phần tiếp theo, luận án sẽ mô tả phương pháp xây dựng đặc trưng tín hiệu dựa trên phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet và phát triển bộ thuộc tính định lượng IHMv. 57
- Phƣơng pháp phân tách và lựa chọn băng tần bằng kỹ thuật biến đổi wavelet. Kỹ thuật biến đổi Wavelet đã được đề cập trong các nghiên cứu [5], [133]. Đây là kỹ thuật có thể phân tách được các tín hiệu dao động và biến đổi nhanh như tín hiệu điện não. Lý do đó là kỹ thuật này có khả năng mô tả được tín hiệu trên cả miền thời gian và tần số. Khác với kỹ thuật FFT, biến đổi wavelet sử dụng các phiên bản dịch và giãn của hàm wavelet gốc để phân tách tín hiệu điện não thành các hệ số chi tiết và xấp xỉ tương ứng với các băng tần về điện não. Bằng cách này ta có thể phát hiện được các đặc trưng biến đổi nhanh của tín hiệu và giúp định vị tín hiệu tốt trên cả miền thời gian và tần số. Kỹ thuật này dựa trên việc sử dụng các cửa sổ lọc khác nhau nên nó rất phù hợp khi sử dụng với tín hiệu điện não có băng tần thấp. Nếu như tín hiệu rời rạc thì thuật toán DWT có thể được sử dụng. Thuật toán DWT sẽ tách tín hiệu thành các dải tần số khác nhau dựa trên hai bộ lọc đáp ứng xung hữu hạn (FIR) trong đó g là bộ lọc thông cao và h là bộ lọc thông thấp. Đầu ra của bộ lọc được xác định như sau: H h( n 2 L ) S ( n ) (2.3) L n IH M v G g( n 2 L ) S ( n ) (2.4) L n IH M v Khi dữ liệu SnIH M v () sẽ được qua bộ lọc thông thấp khi thực hiện nhân tích chập với h(n-2L) và bộ lọc thông cao khi nhân tích chập với g(n-2L). HL sẽ là các thành phần tần số cao và GL là các thành phần tần số cao. Như vậy trong kỹ thuật này các bộ lọc sẽ làm nhiệm vụ chia đôi dần các băng tần số. Tùy thuộc vào dải tần tín hiệu quan tâm, mức phân chia sẽ được xác định. Tuy nhiên do quá trình lấy mẫu xuống dẫn đến phép dịch của hệ số wavelet không cùng với độ dịch của tín hiệu gốc nên tính bất biến theo thời gian của phương pháp không được đảm bảo [83]. 58