Xử lý tín hiệu điện não trong tưởng 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 Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội – 2016 Công trình được hoàn thành tại: Trường Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS.TS.
- Mục đích nghiên cứu 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 (gọi tắt là sóng não).
- Sóng não 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 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.
- 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, hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng.
- Như vậy, việc khai thác, phân giải được các thông tin tưởng tượng điều khiển vận động từ sóng não và tạo ra được các quyết định phân loại tín hiệu tưởng tượng vận động từ sóng não sẽ có vai 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 IHMv.
- Hiện nay có bốn xu hướng nghiên cứu nhằm phân loại các phân nhóm IHMv và tạo ra tín hiệu điều khiển chuyển động từ sóng não đó là: (1) Xác định chỉ số khóa pha PLV của các cặp điện cực, (2) 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) kết hợp với các mô hình phân loại, (3) Phân tích các chỉ số tín hiệu theo mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) kết hợp với các mô hình phân loại (4) Phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet kết hợp với mô hình phân loại NN, SVM, LDA.
- 2 Trong các phương pháp tiếp cận trên, có thể nhận thấy một số vấn đề sau: Thứ nhất đó là vẫn chưa xác định rõ các nhóm thuộc tính chuẩn định lượng tín hiệu IHMv.
- Thứ hai đó là các hệ thống phân loại tưởng tượng vận động chi trên mới có khả năng phân loại ít trạng thái, phần lớn tập trung phân lớp hai trạng thái.
- Thứ ba là độ chính xác và tin cậy của các hệ thống phân loại phụ thuộc nhiều vào các bộ dữ liệu huấn luyện.
- Bên cạnh đó, tín hiệu điện não có tính thống kê phụ thuộc vào nhiều điều kiện như tuổi tác, giới tính, tình trạng sức khỏe… do đó nghiên cứu xây dựng tập dữ liệu từ các đối tượng đo dưới các điều kiện xác định là một nội dung cần thiết phục vụ nghiên cứu và phân tích tín hiệu điện não.
- Việc xây dựng bộ cơ sở dữ liệu trên đối tượng đo là người Việt Nam có thể đóng góp vào bộ cơ sở dữ liệu chung của thế giới, tạo tiền đề cho các nghiên cứu những đặc tính tín hiệu của riêng người Việt Nam.
- 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 nhóm 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 nhóm IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất.
- Xây dựng bộ dữ liệu điện não liên quan đến tưởng tượng vận động của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích.
- Các vấn đề cần giải quyết của luận án - Lựa chọn phương pháp tiền xử lý tín hiệu IHMv nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn đề cần giải quyết của luận án.
- 3 - Nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ 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 nhóm IHMv bao gồm: tưởng tượng vận động tay trái (Lf_IHMv), tưởng tượng vận động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv).
- Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến tưởng tượng vận động chi trên của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích.
- 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.
- 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 tưởng tượng vận động chi trên của đối tượng là người Việt Nam khỏe mạnh.
- Phương pháp nghiên cứu - Nghiên cứu 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 nhóm IHMv.
- Kiểm chứng đánh giá phương pháp phân loại IHMv bằng thực nghiệm trên bộ dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế.
- 4 Các đóng góp 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 nhóm IHMv trên bộ dữ liệu mẫu.
- Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân loại ba 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 vectơ 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 nhóm 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 đóng góp vào bộ dữ liệu điện não liên quan đến tưởng tượng vận động chi trên của thế giới và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại.
- Điều này cho thấy tính khả thi của phương pháp phân loại và độ tin cậy của tập dữ liệu tự thiết kế.
- Luận án đưa ra một số khuyến nghị về vấn đề lựa chọn kênh đo, tiền xử lý bằng bộ lọc pha bằng không, bộ lọc không gian, phương pháp phân giải tín hiệu IHMv bằng cửa sổ cố định để nâng cao tỷ số SNR tín hiệu phục vụ phân tích, nghiên cứu.
- Chương 1: Trình bày hệ thần kinh điều khiển vận động và 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.
- 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 cuối của chương, luận án đề xuất việc lựa chọn thuộc tính để xây dựng vectơ đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái tưởng tượng vận động chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA.
- 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 động điều khiển bằng sóng não EEG.
- Trong chương này, luận án nghiên cứu và đề xuất sử dụng bộ phân loại ba phân nhóm IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng đề xuất.
- Chương 4: Trình bày quy trình xây dựng bộ dữ liệu liên quan đến tưởng tượng vận động và vận động chi trên của đối tượng đo người Việt Nam để phục vụ phân tích và nghiên cứu.
- Phần đầu chương mô tả phương pháp thiết lập hệ thống 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.
- HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƯỜI 1.1 Hệ thần kinh điều khiển vận động 1.1.1 Các hoạt động điện của não 1.1.2 Điện thế hoạt động Vận tốc dẫn của điện thế hoạt động trong khoảng 1 – 100 m/s.
- 1.1.3 Tạo tín hiệu EEG Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và tạo ra bởi các dòng ion trong các nơ ron não.
- Sóng µ (8-13Hz) 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.
- 1.1.4 Hệ thống điều khiển vận động não Vỏ não điều khiển vận động là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý.
- Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của bó tháp.
- So với các vùng khác thì vùng vận động có diện tích lớn 7 nhất.
- Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ.
- Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh.
- Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo 1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động Quá trình tưởng tượng vận động có phân bố năng lượng tín hiệu ở các dải tần số alpha (8 – 13 Hz) và beta (15 – 30 Hz).
- Sóng chậm theta (4 – 7 Hz) cũng được sử dụng do nó có liên quan đến quá trình nhận thức, cơ chế tập trung và vận động.
- Sự xuất hiện của các sóng điện này thường có liên quan đến các sự kiện vận động hoặc các thông tin động học (vị trí, vận tốc) cũng như tĩnh học (lực).
- Do đó, việc xây dựng các thuộc tính định lượng được sự thay đổi này của tín hiệu IHMv có thể giúp nâng cao khả năng nhận diện tín hiệu.
- Bên cạnh đó, các thuộc tính định lượng tín hiệu IHMv ngoài khả năng đặc tả các khía cạnh của tín hiệu thì cần thiết phải có khả năng phân biệt giữa các trạng thái tưởng tượng khác nhau của não bộ, qua đó nâng cao được độ chính xác phân loại.
- 8 1.2 Mô hình xử lý tín hiệu điện não IHMv Độ chính xác và tin cậy của các hệ thống phân lớp các trạng thái tưởng tượng vận động phụ thuộc vào bộ dữ liệu huấn luyện mô hình.
- 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 được tích hợp các giải pháp kỹ thuật tiền xử lý tín hiệu để nâng cao được tỷ số SNR của nhóm tín hiệu cần phân tích.
- 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 Một số khu vực não bộ được kích hoạt trong thời gian có tưởng tượng vận động 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.
- Phân bố năng lượng trên một số đối tượng thực hiện tưởng tượng vận động tay và chân phải Các nghiên cứu cũng đã chỉ ra các hoạt động thần kinh có liên quan đến 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 bố trí theo chuẩn quốc tế 10/20.
- 9 1.2.2 Nâng cao tỷ số SNR của tín hiệu 1.2.2.1 Tăng cường chất lượng tín hiệu IHMv dựa trên việc sử dụng các bộ lọc số có pha bằng không Luận án kiến nghị sử dụng bộ lọc FIR pha bằng không có tần số cắt dưới fc1 = 1 Hz và tần số cắt trên fc2 = 40 Hz.
- Tín hiệu sau lọc có thể loại bỏ được nhiễu nguồn và nhiễu đường biên tần số thấp xuất hiện trên bản ghi.
- Bộ lọc FIR có pha bằng không có khả năng phân tách được dải tần quan tâm đồng thời không gây trễ pha giúp thuận tiện trong quá trình đồng bộ tín hiệu với các sự kiện.
- 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 1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu EEG bằng kỹ thuật lọc không gian Việc sử dụng ít điện cực để trích xuất thông tin có nhược điểm là độ phân giải không gian thấp nên để tăng cường chất lượng tín hiệu, luận án kiến nghị sử dụng bộ lọc không gian Laplacian rộng.
- 10 Nếu gọi ()LapiCt là tín hiệu kênh cần lọc trong đó i là kênh C3 và C4.
- ()iCtlà dữ liệu kênh đo.
- Bộ lọc Laplacian thực hiện quá trình 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.
- 1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ Quá trình biến đổi năng lượng tín hiệu IHMv được phát hiện xảy ra ở trên các khoảng thời gian trước, trong và sau so với thời điểm có tưởng tượng vận động.
- Để phân giải tín hiệu IHMv, việc lựa chọn các cửa sổ thời gian đồng bộ với các sự kiện tưởng tượng vận động thực tế đóng vai trò quan trọng.
- Độ dài của sổ 512 mẫu khi thực nghiệm trên bộ dữ liệu mẫu đã chứa được những biến động phổ năng lượng tín hiệu và mang những thông tin giúp phân giải các phân nhóm IHMv khác nhau.
- 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, nên kích thước cửa sổ phân đoạn phải có độ lớn bằng lũy thừa của 2.
- Kết quả của quá trình phân đoạn các nhóm tín hiệu IHMv từ bản ghi EEG trên bộ dữ liệu mẫu Physionet Hình 1.21.
- Định vị các đoạn tín hiệu tương ứng với tưởng tượng vận động tay trái, tưởng tượng vận động tay phải và nghỉ trong khung màu khác nhau tương ứng (xanh, đỏ, đen).
- 1.3 Kết luận Trong chương 1, tác giả kiến nghị sử dụng một số các giải pháp kỹ thuật trong mô hình xử lý tín hiệu điện não IHMv để nâng cao tỷ số SNR của tín hiệu bao gồm: bộ lọc số FIR pha bằng không, bộ lọc không gian Laplacian rộng, phân tách các đoạn tín hiệu IHMv 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 phổ năng lượng khác nhau, đảm bảo chứa đựng các thông tin cần thiết cho bước định lượng tín hiệu.
- 12 CHƯƠNG 2: PHÁT TRIỂN BỘ ĐẶC TRƯNG MỚI NÂNG CAO ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN LỚP IHMv ĐẦU RA Tín hiệu điện não IHMv có dạng phức tạp và có bản chất không dừng.
- Do đó ta cần phải nghiên cứu phát triển các bộ đặc trưng định lượng tín hiệu để có cơ sở để nhận diện được dạng tín hiệu này.
- Các đặc trưng định lượng mô tả các đặc điểm thống kê của tín hiệu IHMv giúp đặc tả các khía cạnh khác nhau của tín hiệu.
- Phương pháp định lượng tín hiệu theo miền thời gian – tần số dựa trên biến đổi wavelet là một phương pháp tiếp cận hiệu quả và đơn giản khi thực hiện.
- Kỹ thuật này 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.
- Trong phần này, tác giả sẽ nghiên cứu và lựa chọn sử dụng nhóm các thuộc tính mới được trích chọn chỉ trên hai kênh C3, C4 để định lượng tín hiệu điện não IHMv.
- Luận án đề xuất sử dụng phương pháp phân tích phương sai ANOVA lựa chọn các thuộc tính có tính phân biệt ba phân nhóm 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.
- 2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi wavelet Phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet được xử lý theo những bước sau: 13 Hình 2.1.
- Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng tín hiệu IMHv.
- 14 2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu IHMv Với mục tiêu giảm số kênh đo và đảm bảo độ chính xác phân loại ba trạng thái tưởng tượng vận động chi trên, luận án sử dụng các thuộc tính định lượng tín hiệu trên 3 băng tần cơ bản trên hai kênh C3 và C4 đó là: 3C, 3C, 3C, 4C.
- Từ đó luận án đề xuất sử dụng bộ đặc trưng định lượng mở rộng bao gồm: RMS, WL, SSI, MMAV, ZC, SSC, WAMP, Shan_En, Log_En, HjAct, HjMobi, HjComplex tính toán trên các hệ số chi tiết wavelet cD3, cD4, cD5 trên hai kênh C3, C4 Công thức mô tả một số các giải thuật định lượng tín hiệu trên các hệ số chi tiết wavelet như sau: 1) MMAV

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt