- 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. - 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 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. - HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƯỜI. - ...…9 1.1 Hệ thần kinh điều khiển vận động Các hoạt động điện của não. - ……13 1.1.3 Tạo tín hiệu EEG. - ……14 1.1.4 Hệ thống điều khiển vận động của não. - ……18 1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động. - ……25 1.2 Mô hình xử lý tín hiệu điện não IHMv. - ……27 1.2.1 Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv. - ……28 1.2.2 Nâng cao tỷ số SNR của tín hiệu. - Tăng cường chất lượng tín hiệu IHMv dựa trên việc sử dụng các bộ lọc số có pha bằng không. - Tăng cường chất lượng kênh đo tín hiệu IHMv bằng kỹ thuật lọc không gian. - Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ. - ….…54 2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu IHMv. - ……60 2.3 Mô tả bộ cơ sở dữ liệu tưởng tượng vận động/vận động chi trên Physionet. - ……66 2.4 Đề xuất lựa chọn các thuộc tính mô tả tín hiệu IHMv bằng phương pháp phân tích phương sai một chiều ANOVA theo chỉ số F và p. - ……81 3.1 Xây dựng vectơ đặc trưng mô tả tín hiệu điện não IHMv từ bộ thuộc tính đề xuất và cấu trúc các lớp. - ……89 3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình vectơ học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng tượng vận động tay trái, tay phải và nghỉ. - XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI TƯỢNG NGƯỜI VIỆT NAM. - …..106 4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của người Việt Nam. - ….106 iii 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 Nam. - …..116 4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba phân nhóm IHMv. - …..171 iv 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 Average Tự đồng hồi quy trung bình dịch 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 Discriminant Analysis Phân chia lớp kết hợp với phân tích phân chia tuyến tính CSP Common Spatial Patterns Các thành phần không gian chung CS_SVM Class Separability Support Vector Machine Phân tích lớp kết hợp vector máy hỗ trợ DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc EEG Electroencephalogram Điện não đồ EMG Electromyography Điện cơ ERD Event-Related Desynchronization Khử đồng bộ liên quan đến sự 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 perturbation Phổ năng lượng hỗn loạn liên 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 Imaging Cộng hưởng từ chức năng 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 Analysis Phân tích thành phần độc lập 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 v 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 Decomposition Phương pháp MEMD MI Mutual Information Thông tin chung MMAV Modified Mean Absolute Value Giá trị sửa đổi trung bình tuyệt đối MRCPs Movement-Related Cortical Potentials Điện thế não liên quan đến vận động MRMR Max Relevance and Min Redundancy Tối đa sự liên quan và giảm độ 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 Characteristic Đường cong ROC 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 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 Independent Component Analysis Phân tích thành phần độc lập 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 Mô tả các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức SWT 60 Bảng 2.2 Tóm tắt giá trị trung bình và phương sai của các thuộc tính theo các phân nhóm IHMv khác nhau 69 Bảng 2.3 Giá trị ANOVA F và p với các thuộc tính trong dải θ, α và β của kênh C3 và C4 76 Bảng 2.4 Nhóm 62 thuộc tính đề xuất theo phương pháp lựa chọn đặc trưng dựa trên ANOVA sử dụng để xây dựng vectơ đặc trưng tín hiệu IHMv 80 Bảng 3.1 Mô tả quyết định trạng thái phân lớp đầu ra 100 Bảng 3.2 Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3 101 Bảng 3.3 Độ chính xác phân loại của mô hình 3IHMv_SVM2 101 Bảng 3.4 Độ chính xác phân loại của mô hình phân loại SVM 2 tầng với vectơ đặc trưng 6 thuộc tính (2 kênh x 3 băng tần) 102 Bảng 3.5 Độ chính xác phân loại giữa non-rest IHMv và Re_IHMv 103 Bảng 3.6 So sánh kết quả phân loại các phân nhóm IHMv của bộ phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương 104 Bảng 4.1 Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế 110 Bảng 4.2 Độ chính xác phân loại của mô hình đề xuất trên bộ dữ liệu tự thiết kế 124 vii DANH MỤC HÌNH Trang Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và cuống não (brain stem). - 10 Hình 1.2 Vị trí của Đại não. - 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 quá trình synap kích thích. - 13 Hình 1.5 Thay đổi điện thế màng thông qua việc đóng các kênh Na và mở các kênh K. - 14 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 của các lớp. - 16 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 cực theo hai phương pháp lưỡng cực (a) và đơn cực (b). - 17 Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ não. - 19 Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của Brodmann ở Người. - 20 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 tỉnh táo. - 22 Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động chính được mở rộng hơn. - 24 Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện tưởng tượng vận động tay và chân phải. - 29 Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20. - 29 viii Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông dải 1 Hz – 40 Hz. - 33 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. - 35 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. - 35 Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh. - 37 Hình 1.21 Định vị các đoạn tín hiệu tương ứng với tưởng tượng vận động chi trên. - 40 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. - 42 Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái tưởng tượng vận động chi trên trên kênh C3. - 45 Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với 3 trạng thái tưởng tượng vận động chi trên trên kênh C4. - 46 Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng tín hiệu IMHv. - 56 Hình 2.2 Biến đổi SWT 2 mức. - 59 Hình 2.3 Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực tuân theo chuẩn 10/20. - 68 Hình 2.4 Biểu đồ hộp mô tả phân bố dữ liệu các phân nhóm theo từng thuộc tính. - 70 Hình 2.5 Các bước lựa chọn thuộc tính theo phương pháp phân tích phương sai ANOVA. - 75 Hình 3.1 Mô hình phân loại ba phân nhóm IHMv. - 82 Hình 3.2 Mô tả ma trận dữ liệu huấn luyện. - 88 ix Hình 3.3 Mô tả ma trận nhãn. - 88 Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM cho các mẫu thuộc hai phân lớp. - 89 Hình 3.5 Hàm Kernel ánh xạ các điểm từ mô hình 2D sang không gian 3D. - 91 Hình 3.6 Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2 tầng 3IHMv_SVM2 có sử dụng thuật toán tối ưu C và gamma. - 95 Hình 3.7 Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân loại SVM. - 96 Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa trên mô hình 2 tầng SVM phi tuyến. - 98 Hình 3.9 Mô hình huấn luyện của tầng phân loại SVM1. - 98 Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2. - 99 Hình 4.1 Hình ảnh hệ thống Exea Ultra. - 108 Hình 4.2 Mũ điện cực theo chuẩn quốc tế 10 – 20. - 108 Hình 4.3 Ký hiệu của chuẩn quốc tế 10 – 20. - 108 Hình 4.4 Kiểm tra trở kháng tiếp xúc. - 109 Hình 4.5 Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi tiến hành phép đo. - 109 Hình 4.6 Các thông số của đối tượng đo được kiểm tra và ghi chép khi chuẩn bị phép đo. - 111 Hình 4.7 Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối tượng người Việt Nam bằng thiết bị Exea Ultra. - 112 Hình 4.8 Hướng dẫn đối tượng thực hiện tưởng tượng vận động tay trái hoặc tay phải. - 114 Hình 4.9 Thứ tự các sự kiện được thiết lập sẵn. - 115 x Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ điện cực 19 kênh theo tiêu chuẩn 10/20. - 118 Hình 4.11 Tín hiệu điện não khi tình nguyện viên P011 được đo trên kênh C3 trước khi loại bỏ nhiễu đường biên và sau khi loại bỏ nhiễu đường biên. - 119 Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng bộ lọc FIR (1 – 40 Hz) (Bản ghi P011E08). - 119 Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của thí nghiệm P011E08 (tưởng tượng vận động tay). - 122 Hình 4.14 Mô hình hệ thống hỗ trợ vận động điều khiển bằng sóng não. - 124 Hình 4.15 Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu điện não tưởng tượng vận động chi trên dựa trên bộ phân loại đề xuất. - 125 Hình 4.16 Khung cơ khí hoàn thiện. - 126 Hình 4.17 Giao diện thu nhận thông tin vận động. - 126 1 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 các vận động ở người thông qua các sóng điện từ phát ra từ não bộ (gọi tắt là sóng não). - Các sóng này điều khiển hệ cơ giúp con người có thể thực hiện các vận động chủ động theo ý muốn. - 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. - Do đó, 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. - Trong đó, 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 có thể giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người. - Mặt khác, các sóng não chứa thông tin điều khiển vận động cũng sẽ giúp tạo sợi dây liên lạc mới từ não bộ người tới thế giới xung quanh. - 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 Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh 2 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 . - 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 có thể thấy, 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 tưởng tượng vận động của chi trên của người. - Hiện nay, các hệ thống phân loại 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. - Lý do cho các vấn đề này đó là sóng điện não IHMv là tín hiệu phức tạp và có bản chất không dừng. - Do vậy, khi xây dựng các hệ thống phân loại sóng điện não IHMv ta cần thiết phải quan tâm nghiên cứu tìm ra các thuộc tính đặc tả loại tín hiệu này. - Đã có một số phương pháp xây dựng bộ đặc trưng cho tín hiệu IHMv được phát triển như phương pháp 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 hoặc sử dụng mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA sử dụng các thuộc tính thống kê 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
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt