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
..…...9
CỦA
NGƢỜI………………………………………………………………..............
1.1 Hệ thần kinh điều khiển vận động……………………………………….....…...9
1.1.1 Các
hoạt
động
não………………………………………….

điện

của..….12

1.1.2 Điện thế hoạt động………………………………………………....……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…………………………………..……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
ANOVA…………...

tích

phương

sai

một

chiều……72

2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm
định ANOVA theo chỉ số F và p…………………………………...……73
2.5 Kết 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 Kết luận chương………………………………………………………….…..125
KẾT LUẬN CHUNG………………………………………………………….. ….127

1.

Các
đóng
mới………………………………………………………...

góp ….127

2.

Hướng nghiên cứu tiếp…………………………………………………... ….129

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……………..…..131
TÀI LIỆU THAM KHẢO…………………………………………………....…..132
PHỤ
1……………………………………………………………………

LỤC ….143

PHỤ LỤC 2…………………………………………………………………… ….153
PHỤ LỤC 3…………………………………………………………………….….157
PHỤ
4…………………………………………………………………....

iii

LỤC…..170


PHỤ

5…………………………………………………………………....

LỤC…..173

DANH MỤC TỪ VIẾT TẮT
ANOVA
AP
AR
ARMA
AUC
AVACC
BA4
BA6
BCI
CAR
CNS
CS_LDA
CSP
CS_SVM
DWT
EEG
EMG
ERD
ERP
ERS
ERSP

Analysis of Variance
Action Potential
Autoregressive

Autoregressive Moving
Avarage
Area Under ROC Curve
Average Accuracy
Brodmann Area 4
Brodmann Area 6
Brain Computer Interface
Common Average Reference
Central Nervous System
Class Separability Linear
Discriminant Analysis
Common Spatial Patterns
Class Separability Support
Vector Machine
Discrete Wavelet Transform
Electroencephalogram
Electromyography
Event-Related
Desynchronization
Event – Related Potential
Event-related Synchronization
Event-related spectral

iv

Phân tích phương sai
Điện thế hoạt động
Tự động hồi quy
Tự đồng hồi quy trung bình dịch
Diện tích dưới đường ROC

Độ chính xác trung bình
Khu vực Brodmann 4
Khu vực Brodmann 6
Giao tiếp người – máy
Tham chiếu trung bình
Hệ thần kinh trung ương
Phân chia lớp kết hợp với phân
tích phân chia tuyến tính
Các thành phần không gian
chung
Phân tích lớp kết hợp vector
máy hỗ trợ
Biến đổi wavelet rời rạc
Điện não đồ
Điện cơ
Khử đồng bộ liên quan đến sự
kiện
Điện thế liên quan đến sự kiện
Đồng bộ liên quan đến sự kiện
Phổ năng lượng hỗn loạn liên


FFT
FIR
FMRI
FNR
FPR
HJ_ACT
HJ_MOBI
ICA

ICMS
IHMv
IPL
L
Lf_IHMv
LOG_EN
M1
MEMD
MI
MMAV
MRCPs
MRMR
MSE
NA-MEMD
NN
PLV
RBF
Re
Re_IHMv
Ri
Ri_IHMv
RMS
ROC
S1
SHAN_EN
SMA

perturbation
Fast Fourier Transform
Finite Impulse Response

Functional Magnetic Resonance
Imaging
False Negative Rate
False Positive Rate
Hjorths Activity
Hjorths Mobility
Independent Component
Analysis
Intracortical Microstimulation
Imagery Hand Movement
Inferior Parietal Lobule
Left
Imagery Left Hand Movement
Logarithm Entropy
Primary Motor Cortex
Multivariate Empirical Mode
Decomposition
Mutual Information
Modified Mean Absolute Value
Movement-Related Cortical
Potentials
Max Relevance and Min
Redundancy
Mean Square Error
Noise Assisted MEMD
Neural Network
Phase Lock Value
Radial basis function
Rest
Rest state

Right
Imgary Right Hand Movement
Root Mean Square
Receiver Operating
Characteristic
Primary Somatosensory Cortex
Shannon Entropy
Supplement Motor Area

v

quan đến sự kiện
Biến đổi Fourier nhanh
Đáp ứng xung hữu hạn
Cộng hưởng từ chức năng
Tỷ lệ âm tính giả
Tỷ lệ dương tính giả
Thông số Hjorths hoạt động
Thông số Hjorths linh động
Phân tích thành phần độc lập
Vi kích thích trong hộp sọ
Tưởng tượng vận động chi trên
Tiểu thùy đỉnh dưới
Trái
Tưởng tượng vận động tay trái
Logarit Entropy
Vỏ não vận động chính
Phương pháp MEMD
Thông tin chung
Giá trị sửa đổi trung bình tuyệt

đối
Điện thế não liên quan đến vận
động
Tối đa sự liên quan và giảm độ
dư thừa
Sai số trung bình bình phương
Kỹ thuật MEMD cộng nhiễu
Mạng nơ ron
Giá trị khóa pha
Hàm RBF
Nghỉ
Trạng thái nghỉ
Phải
Tưởng tượng vận động tay phải
Căn bậc hai trung bình bình
phương
Đường cong ROC
Vùng não cảm giác chính
Shannon Entropy
Vùng não vận động bổ sung


SNR
SPL
SSI
STFT
SVM
SSC
SWT
TNR

TPR
WAMP
WPICA
ZC

Signal to Noise Ratio
Superior Parietal Lobule
Simple Square Integral
Short Time Fourier Transform
Support Vector Machine
Slope Sign Change
Stationary Wavelet Transform
True Negative Rate
True Positive Rate
Willison Amplitude
Wavelet packet-based
independent component analysis
Zero Crossings

vi

Tỷ lệ tín hiệu trên nhiễu
Tiểu thùy đỉnh trên
Chỉ số năng lượng tín hiệu
Biến đổi Fourier thời gian ngắn
Máy vector hỗ trợ
Thay đổi chiều dốc
Biến đổi wavelet ổn định
Tỷ lệ âm tính thật
Tỷ lệ dương tính thật

Thuộc tính WAMP
Phân tích thành phần độc lập
dựa trên biến đổi wavelet
Tỷ lệ cắt không


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.

Hình 1.4

Vị trí của Đại não chiếm phần lớn não người

10

Hình 1.3

11

Vị trí của tiểu não

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

viii

29


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
ANOVA

ix

74


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

Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2

97
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
phải. Các mũi tên lần lượt được xuất hiện trong các thời
điểm định sẵn

x

113

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