v
TịMăTT
máy tính (BCI: Brain Computer Interface )
trong . không
cho các BCI là (EEG). Trong ,
(). Mô hình Neuron o
.
3 200
các các
vi
ABSTRACT
Brain Computer Interface (BCI) has attracted many researchers in recent
years. One of non-invasive techniques for the BCI issue is Electroencephalography
(EEG) which is applied for rehabilitation and diagnosis. In this study, band-pass
filtering, Laplacian filtering and common average reference (CAR) filtering are
used to enhance EEG signal. For feature extraction of the EEG signal, the Common
Spatial Pattern (CSP), Power Spectral Density (PSD), and Principal Component
Analysis (PCA) are employed to find out features of imagery. In addition, an
Artificial Neuron Network (ANN) model is utilized to classify imagery status.
Experiments are performed on 3 subjects with 200 runs per subject to illustrate the
effectiveness of the proposed methods.
vii
MCăLC
CHNGă1:ăTNGăQUAN 1
1.1 TNGăQUAN 1
1.2ăMCăTIểUăĐăTĨI 2
1.3ăGIIăHNăCAăĐăTĨI 3
1.4ăPHNGăPHỄPăNGHIểNăCU 3
1.5ăCUăTRÚCăLUNăVĔN 3
CHNGă2:ăCăSăLÝăTHUYT 5
2.1ăTNGăQUANăVăNĩOăNGIăVĨăCỄCăVỐNGăCHCăNĔNGăCAă
NĩOăNGI 5
2.2ăPHNGăPHỄPăTHUăTHPăTệNăHIUăNĩOăEEG 8
2.2.1ăTngăquanăvăcácăphngăphápăthuăthpătínăhiuănƣo 8
2.2.2ăĐoăTínăHiuăDùngăPhngăPhápăĐinăNƣoăĐăEEG 9
2.3ăCỄCăPHNGăPHỄPăXăLÝăTệNăHIUăSịNGăNĩOăEEG 11
2.3.1 Các phngăphápătinăxălỦ 11
2.3.2ăCácăphngăphápătríchăđcătrngătínăhiuăEEG 12
2.4ăPHỂNăLOIăDăLIUăSịNGăNĩOăBNGăMNGăNRONăNHỂN
TO 17
2.4.1ăMngălanătruynăngc 17
2.4.2ăKhinătrúcămngălanătruynăngc 20
2.5.ăTINăTRỊNHăCỄCăBCăNGHIểNăCU 22
2.6.ăTịMăTT 23
CHNGă3:ăXăLÝăTệNăVĨăPHỂNăLOIăTệNăHIUăNĩOăNGIăDỐNG
KăTHUTăEEG 24
3.1ăTHITăBăĐOăVĨăTINăTRỊNHăTHUăTHPăTệNăHIUăEEG 24
3.1.1ăăThităbăđo 24
3.1.2ăThuăthpătínăhiuăEEGătrongănghiênăcu 25
3.2ăTINăXăLÝăTệNăHIU 28
3.2.1ăăBălcătầnăs 28
3.2.2ăăBălcăkhôngăgian 29
viii
3.3ăTRệCHăĐCăTRNG 33
3.3.1ăăPhng pháp CSP (Common Spatial Pattern ) 33
3.3.2ăăPhngăphápăPSDă(PowerăSpectralăDensity) 39
3.3.3ăăPhngăphápăphơnătíchăthƠnhăphầnăchínhă(PCA) 42
3.4ăPHỂNăLOIăDăLIUăSịNGăNĩOăBNGăMNGăNRON 45
3.4.1.ăPhơnăloiăđiăviăphngăphápătríchăđcătrngăCSP 45
3.4.2.ăPhơnăloiăđiăviăphngăphápătríchăđcătrngăPSD 48
3.4.3.ăPhơnăloiăđiăviăphngăphápătríchăđcătrngăPCA 50
3.5ăTịMăTT 53
CHNGă4:ăKTăLUNăVĨăHNGăPHỄTăTRINăCAăĐăTĨI 55
4.1 KTăLUN 55
4.2ăHNGăPHỄTăTRINăCAăĐăTĨI 55
TĨIăLIUăTHAMăKHO 56
ix
DANHăMCăBNG
36
37
39
44
47
47
48
49
49
50
PCA 50
51
x
51
52
53
xi
DANHăMC HÌNH
6
7
7
theo: [2]) 9
Hình 2 9
18
m sigmoid 19
23
Hình 3.1. Máy Active Two 24
25
26
26
26
27
28
29
xii
30
31
31
31
h C3 sau khi qua
33
SL 33
33
35
35
1
36
38
40
pháp
41
42
44
xiii
DANHăMC TăVITăTT
AR ậ Autoregresion
ANN Artificical Neural Network
BCI Brain Computer Interface
CAR common average reference
CSP Common Spatial Pattern
EEG Electroencephalogram
ECoG ElectroCorticoGraphy
fMRI function Magnetic Resonance Imaging
LFPs Local Field Potentials
MEG Magnetoencephalography
MLP Multi - Layer Perceptron
ME Mocro-Electrode
MEA Micro-Electrode Array
NIRS Near - Infrared Spectroscopy
SL Small Laplacian
PSD Power Spectral Density
PCA Principal Component Analysis
1
CHNGă1:ăTNGăQUAN
1.1 TNGăQUAN
s-
-12Hz [1].
d
Và
2,3,25].
,
2
,
[6], .
iên
1.2ăMCăTIểUăĐăTĨI
Khi có các h
N
1) Thu thp và x c tín hiu EEG t thit b ca Biosemi.
2) Phân bic g ca mt s hong di chuyn gi
bng các phân tích không trc tuy
hiu qu ca t lý tín hiu.
Hai
-bass filtering)
SL
các
pháp CSP (Common Spatial Pattern),
PSD (Power Spectral Density
,
.
3
1.3 GIIăHN CAăĐăTĨIă
1.4 PHNGăPHỄPăNGHIểNăCU
u tài liu: thu thp các tài liu, bài báo khoa hc
c nghiên cu. Nghiên cu lý thuy xây dng
thu tài.
c nghim: tiu não t máy Active Two.
Áp dng các thu x lý tín hic.
So sánh kt cc gi
1.5 CUăTRÚCăLUNăVĔN
4
sau:
1: Tngăquan:
.
CăsălỦăthuyt: Ctrình bày các
XălỦăvƠăphơnăloi tínăhiu nƣoăngiădùngăkăthută EEG:
Trong c
trích ra các
suy ng
4
4: KtălunăvƠăhngăphátătrinăcaăđătƠi:
5
CHNGă2:ăCăSăLÝăTHUYT
2.1 TNGă QUANă Vă NĩOă NGIă VĨă CỄCă VỐNGă CHCă NĔNGă CAă
NĩOăNGIăă
Theo [9], b
11
.
thùy trán (frontal lobe), thùy
trong hình
6
Hìnhă2.1.ăCácăthùyăcaănƣoă(Ngun:ă[11])
7
Hìnhă2.2.ăCácăchcănĕngătrongăvùngăthùyăđnhă(Ngun:ă[12])
Hìnhă2.3.ăVătríăcácăchcănĕngătrongăvùngătinăvnăđngă(Ngun:ă[12])
2
.
8
2.2 PHNGăPHỄPăTHU THP TệNăHIU NÃO EEG
2.2.1ăTngăquanăvăcácăphngăpháp thuăthpătínăhiuănƣo
[2] -
-invasve) thì có MEG
(Mocro-E -Electrode Array) và LFPs (Local
Hình 2.4
9
Hình 2. 4. ĐăchínhăxácăvăkhôngăgianăvƠăthiăgianăviăcácăphngăphápăkhácă
nhauătrongăcácănghiênăcuăvăBCIă(Ngun:ăGervenăvƠăcngăsựădnătheo:ă[2])
4
()
2.2.2 ĐoăTínăHiuăDùngăPhngăPhápăĐinăNƣoăĐ EEG
5
Hình 2.5. ĐoătínăhiuăđinănƣoădùngăphngăphápăEEG
c tính tn s tín hin
não. Theo [3], tín hic chia làm 5 loi:
10
Tn s n s thp nht, nm trong khoãng t 1-4 Hz, nó có
i ln và ch c khi các thanh thiu niên chìm vào gic
ng sâu. Sóng delta xut hin ch yu ti Fp1 và Fp2
Tn s m trong khoãng 4- c quan sát trong tình
tr c bun ng) nhi tr tui. Sóng
theta xut hin nhiu ti C3, C4.
Tn s nm trong khoãng 8-12 Hz, vùng sau cu và khi
i thí nghim trong tình trang nhm mt ho
gin. Sóng alpha tp trung nhiu ti O1 và O2.
Tn s ng nm trong khoãng 8-13 Hz v t
n c trong vùng vng và cm giác vng ca não.
ca nó s i khi thc hin các c ng.
Tn s n s sóng não nm trong khoãng 13-30 Hz vi biên
n 30uV. Nó xut hin trong trng thái tnh táo, nó ch b i khi
có hong di chuyn. Sóng beta xut hin nhiu nh và thùy trán.
Tn s n s t hin
tn s n 80 Hz ho các hong nhn thc
và các chi chuyn.
m c
Giá thành th
11
Thit b nh gn, vì vy có th c nhi
ng t, hng ngoi gn có thit b rt to, cng
knh.
EEG có th c nh n (cng t bt
bung phi c nh cho t
EEG không t ng t i
ng ng t ng cao (máy fMRI
hong vng t ng cao nên có th gây n sc
khi)
m c
n cc gn trc ti thu tín hiu EEG. Bi vì s di
chuyn cu, cht sn cc và tín hin
thc tc s cha nhiu.
2.3 CỄCăPHNGăPHỄPăX LÝăTệNăHIUăSÓNG NÃO EEG
2.3.1 CácăphngăphápătinăxălỦ
2.3.1.1 Bălc tầnăs
C
12
. FT
FIR, IIR.
2.3.1.2 Bălcăkhôngăgian
(common aveSmall Laplacian).
kênh, theo [13] ta có
e
Ne
j
j
i
i
N
V
VV
0
~
(2.1)
i
e
[14]
4
4
~
i
j
j
ii
V
VV
(2.2)
i
j
.
2.3.2 Cácăphngăphápătríchăđcătrng tínăhiuăEEG
Theo [2] EEG
này
13
lý.
CSP, trung bình (PSD)
, PCA
ba g pháp: CSP,
.
2.3.2.1 Phngăpháp CSP (Common Spatial Pattern )
Theo [15] n
xe
)(EE'
EE'
C
trace
(2.3)
C C
tb1
, C
tb2
C
c
= C
tb1
+ C
tb2
(2.4)
14
C
c
= U
c
λ
c
U
c
’
(2.5)
U
c
C
c
và λ
c
C
c
.
P
'
c
1
UλP
(2.6)
S
1
= PC
tb1
P’ và S
2
= PC
tb2
P’
(2.7)
B u:
S
1
= Bλ
1
B’ và S
2
= Bλ
2
B’
(2.8)
ch
1
.
.
.
λ
1
(2.9)
ch
1
1
1
.
.
.
1
λI = λ
2
(2.10)
1
2
ch
.
W
P)
sau:
W = B’P
(2.11)
15
E W
Z = WE
(2.12)
Z.
)
)var(
)var(
log(
2
1
m
i
p
p
Zi
Z
f
(2.13)
f
p
2.3.2.2 Phng pháp PSD (Power Spectral Density)
.
Theo [2] pPSD
Theo [17] p
trên tín
t
n
16
2.3.2.3 PhơnătíchăthƠnhăphầnăchính PCA
PPCA (Principal Component Analysis
trích.
--
Theo [18
u:
nTr
i
i
p
nTr
m
1
1
(2.14)
i
T
i
nTr
i
i
mpmp ))((
1
A
(2.15)
Ax=λx
(2.16)
x={e
1
, e
2
,ă…,ăe
d
} là các vector riêng và λ
1
2
d
e