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

Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv nhằm nâng cao độ
chính xác phân loại cho hệ thống quyết định phân loại ba phân lớp IHMv.
Trong đó, 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 bao gồm: 2 kênh đo C3 và C4 trên khu vực vỏ não vận
động. Bộ đặc trưng mới bao gồm các thuộc tính Feaij với i = {RMS, WL,
MMAV, SSI, ZC, SSC, WAMP, LogEn, ShanEn, HjAct, HjMobi} và j =
{cD3, cD4, cD5} Trong đó j là các hệ số chi tiết của biến đổi wavelet
tương ứng với ba băng tần alpha, beta, theta. Kết quả thử nghiệm trên bộ
dữ liệu mẫu của Physionet đã cho thấy được khả năng phân biệt giữa ba
phân lớp IHMv của các đặc trưng với độ tin cậy 95%. Bộ đặc trưng mới
bao gồm 62 thuộc tính được luận án lựa chọn và đề xuất sử dụng để xây
dựng vector đặc trưng tín hiệu IHMv dựa trên phương pháp kiểm định
phương sai ANOVA theo chỉ số F và p. Phương pháp lựa chọn giúp xác
định được các đặc trưng có khả năng phân biệt mang tính thống kê giữa ba
trạng thái IHMv với độ tin cậy cao. Kết quả đƣợc công bố trong bài báo
(4)
- Đề xuất phương pháp phân loại 3 phân lớp IHMv bao gồm: Tưởng tượng
chuyển động tưởng tượng tay trái (Lf_IHMv), tưởng tượng chuyển động
tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv). Trong phần này, luận
131
án sử dụng bộ đặc trưng đề xuất để xây dựng vector đặc trưng cho mô hình
phân loại. Để tăng số lượng đầu ra các trạng thái IHMv, luận án đề xuất mô
hình phân loại cải tiến dựa trên SVM được cấu trúc bởi hai tầng phân loại
nhị phân nối tiếp. Mô hình được thiết kế đơn giản, phù hợp với bài toán
phân loại ba phân lớp IHMv. Kết quả mô phỏng trên bộ dữ liệu mẫu cho
thấy mô hình phân loại đề xuất 3IHMv_SVM2 cho kết quả phân loại tốt


trong khi đó vẫn đảm bảo tính đơn giản và tăng số lượng phân lớp đầu ra.
Kết quả đƣợc công bố tại công trình (5).

- Xây dựng tập dữ liệu điện não EEG liên quan đến tưởng tượng vận động
chi trên và vận động thật trên đối tượng là người Việt Nam. Từ nghiên cứu
về tín hiệu IHMv và quy trình tạo tập dữ liệu điện não EEG quan đến vận
động chi trên, luận án đã thực hiện xây dựng được một cơ sở dữ liệu tín
hiệu điện não liên quan đến vận động được thực hiện trên đối tượng đo là
người Việt Nam có độ tuổi (20 - 32), tỷ lệ nam/nữ là 50/50 có tình trạng
sức khỏe tốt. và trong điều kiện đo và môi trường phòng thí nghiệm tại
Việt Nam. Mỗi đối tượng đo được đo điện não theo kịch bản thiết kế trước
với các trạng thái thư giãn, trạng thái có tưởng tượng vận động chi trên và
trạng thái vận động thật chi trên. Trong đó số lượng mẫu IHMv của tập dữ
liệu là 870 mẫu bao gồm: 240 mẫu tưởng tượng vận động tay trái, 210 mẫu
tưởng tượng vận động tay phải và 420 mẫu nghỉ. Bộ dữ liệu cùng biên bản
về điều kiện đo được cung cấp miễn phí tại địa chỉ
/>TWjA
để phục vụ nghiên cứu và đào tạo.
Kết quả thực nghiệm của mô hình phân loại đề xuất trên bộ cơ sở dữ liệu
tự thiết kế đã được thực hiện thành công và cho độ chính xác phân loại
khá. Điều này cho thấy tính khả thi của mô hình phân loại đề xuất trên bộ
dữ liệu tự thiết kế đồng thời cho thấy độ tin cậy của bộ dữ liệu. Bộ cơ sở
dữ liệu được tác giả xây dựng trên đối tượng người Việt nam sẽ đóng góp
132
chung vào bộ cơ sở dữ liệu chung của thế giới và là cơ sở để các nhà
nghiên cứu sử dụng và thực hiện các nghiên cứu liên quan về hệ thống điều
khiển vận động não bộ của người Việt.


- Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân
loại đề xuất. Mô hình phân loại được huấn luyện trên bộ cơ sở dữ liệu mẫu
và bộ dữ liệu tự thiết kế. Trong ứng dụng này, với tín hiệu đầu vào là các
đoạn IHMv khác nhau thì ở đầu ra hệ thống sẽ trả kết quả là phân lớp

tưởng tượng vận động chi trên tương ứng với đầu vào. Kết quả hệ thống đã
thực nghiệm thành công trên bộ dữ liệu mẫu và bộ dữ liệu thực tế được đo
tại phòng thí nghiệm. Hệ thống phân loại tự động tín hiệu tưởng tượng vận
động chi trên sẽ giúp tiếp cận gần hơn với mô hình hỗ trợ vận động các
thiết bị ngoại vi dựa trên quá trình điều khiển vận động bằng sóng não.
Luận án cũng đưa ra một số kiến nghị về vấn đề lựa chọn kênh đo, tiền xử lý
bằng bộ lọc pha bằng không, bộ lọc không gian Laplacian, phương pháp phân giải
tín hiệu điện não liên quan đến điều khiển vận động để nâng cao tỷ số SNR tín hiệu
phục vụ phân tích, nghiên cứu.
Luận án đã đạt được các mục tiêu đề ra của luận án: (1) xây dựng bộ đặc trưng
mới định lượng tín hiệu IHMv, (2) phương pháp phân loại ba phân lớp IHMv mới,
(3) Xây dựng bộ dữ liệu liên quan đến tưởng tượng vận động của người Việt Nam..
Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí
trong nước và quốc tế.
2. Hƣớng nghiên cứu tiếp
Trong hướng nghiên cứu tiếp theo, luận án sẽ tiếp tục nghiên cứu các thuộc
tính khác để cải thiện độ phân biệt giữa các trạng thái điều khiển vận động khác
nhau và tính khái quát của đặc trưng với nhiều đối tượng khác nhau. Tối ưu phương
pháp lựa chọn đặc trưng để có thể giảm được các thuộc tính không cần thiết.
133
- Nghiên cứu mô hình phân loại cải thiện tốc độ phân loại phục vụ các ứng
dụng online
- Nghiên cứu phương pháp phân tách các đoạn tín hiệu điện não liên quan đến


vận động trên các ứng dụng thời gian thực
- Thu thập nhiều tập mẫu thí nghiệm liên quan đến vận động của người Việt
để phục vụ cộng đồng trong công tác nghiên cứu.
134
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ

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.
2. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Mạnh Hùng, Nguyễn Duy Tùng, Nguyễn
Đức Thuận (2014). ―Thiết kế hệ thống hỗ trợ tập luyện 1 bậc tự do và đo đạc
thông số chuyển động ứng dụng cho phục hồi chức năng khớp khuỷu tay‖. Hội
thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (REVECIT2014),18-19/9/2014, pp153-157.
3. Lại Hữu Phương Trung, Vũ Duy Hải, Phạm Mạnh Hùng, Phạm Phúc Ngọc,
Nguyễn Đức Thuận, Phạm Văn Bình. (2015). ―Một phương pháp đồng bộ dữ liệu
điện não đồ với sự kiện vận động để trích xuất thông tin hữu ích‖. Tạp chí Y học
thực hành. Bộ Y tế. ISSN 1859 – 1663. Số 960, pp41-47.
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‖. Tạp chí Khoa
Học & Công Nghệ các Trường Đại học Kỹ thuật. ISSN 2354-1083. 109. pp43-48
5. Phạm Phúc Ngọc, Phạm Văn Bình (2015). ―Classification of three class hand
imagery movement with the application of 2-stage SVM model‖. Tạp chí Khoa
Học & Công nghệ các trường Đại Học Kỹ thuật. ISSN 2354-1083 [Vol 112 –
được chấp nhận đăng].
135


TÀI LIỆU THAM KHẢO
[1] Wikimedia Foundation, Inc. (2015, May 22). Wikipedia. ( Wikimedia
Foundation, Inc.) Retrieved May 14, 2015, from
[2] A. Phinyomark, A. N. (2012). Feature extraction and reduction of wavelet
transform coefficients for EMG pattern classification. Electr. Electr. Eng.,
122(6), 27–32. doi:
[3] A. Phinyomark, C. L. (2009). A novel feature extraction for robust EMG

pattern recognition. Journal of Computing, 1(1), 71–80.
[4] A. Phinyomark, C. L. (2011). Application of wavelet analysis in EMG
feature extraction for pattern classification. Meas. Sci. Rev., 11(2), 45–
52. doi:
[5] A.B.M. Aowlad Hossain, M. W. (2015). Left and Right Hand Movements
EEG Signals Classification Using Wavelet Transform and Probabilistic
Neural Network. International Journal of Electrical and Computer
Engineering (IJECE), 5(1), 92-101.
[6] A.S. Gevins, A. R. (1987). Handbook of electroencephalography and
clinical neurophysiology, Methods of analysis of brain electrical and
magnetic signals. Amsterdam: Elsevier.
[7] Abdollahi F, M.-N. A. (2006). Combination of frequency bands in eeg for
feature reduction in mental task classification. Conf Proc IEEE Eng Med
Biol Soc, 1146-1149. doi:doi: 10.1109/iembs.2006.260229
[8] AL Goldberger, L. A.-K. (2000). PhysioBank, PhysioToolkit, and
PhysioNet: Components of a New Research Resource for Complex
Physiologic Signals. Circulation, 101(23), 215-220.
[9] Alpaydin, E. (2009). Introduction to Machine Learning. Massachusetts:
MIT Press.
[10] Ana Loboda, A. M. (2014). Discrimination of EEG-Based Motor Imagery


Tasks by Means of a Simple Phase Information Method. (IJARAI)
International Journal of Advanced Research in Artificial Intelligence,
3(10), 11-15.
[11] Andrea Kubler, B. K. (2001). Brain - Computer Communication:
Unlocking the Locked in. Psychological Bullentin, 127(3), 358-375.
136
[12] Anne Kleppa, V. N.-R. (2015). Language–motor interference reflected in
MEG beta oscillations. NeuroImage, 109, 438–448.

[13] B, V. A. (2004). Motor imagery task classification for brain computer
interface applications using spatiotemporal principle component analysis.
Neurol. Res, 26, 282–7.
[14] B. Blankertz, R. T. (2008). Optimizing spatial filters for robust EEG
SingleTrial Analysis. IEEE Signal Proc. Mag, 25(1), 41–56.
[15] Babiloni, F. e. (1995). Performances of surface Laplacian estimators: a
study of simulated and real scalp potential distributions. Brain Topogr,
8(1), 35-45.
[16] Bao-Gou Xu, A.-g. S. (2008). Pattern recognition of motor imagery EEG
using wavelet transform. J. Biomedical Science and Engineering , 1, 6467.
[17] Boldrey, P. (1937). Somatic motor and sensory representation in the
cerebral cortex of man as studied by electrical stimulation. Brain, 103,
389-443.
[18] Brouziyne, M. M. (2005). Mental imagery combined with physical
practice of approach shots for golf beginners. Percept. Mot. Skills, 101,
203–211.
[19] Buch, E. W. (2008). Think to move: a neuromagnetic brain-computer
interface (BCI) system for chronic stroke. Stroke, 39(3), 910-917.


[20] Butler, A. J. (2006). Mental practice with motor imagery: evidence for
motor recovery and cortical reorganization after stroke. Arch. Phys.Med.
Rehabil., 87, S2–S11.
[21] C. Guger, G. E. (2003). How Many People are Able to Operate an EEGBased Brain-Computer Interface (BCI)? IEEE TRANSACTIONS ON
NEURAL SYSTEMS AND REHABILITATION ENGINEERING,
11(2), 145-7.
[22] C. Neuper, G. P. (2001). Evidence for distinct beta resonance frequencies
in human EEG related to specific sensorimotor cortical areas. Clinical
Neurophysiol, 112(11), 2084–2097.
[23] C.Vigneshwari, V. S. (2013). Analysis of Finger Movements Using EEG

Signal. International Journal of Emerging Technology and Advanced
Engineering, 3(1), 583-588.
137
[24] Caldara R, D. M. (2004). Actual and mental motor preparation and
execution: a spatiotemporal ERP study. Exp Brain Res, 159, 389–99.
[25] Cassar, T., & Camilleri, K. P. (2010). Three-mode Classification and
Study of AR Pole Variations of Imaginary Left and Right Hand
Movements. Proceedings of the Biomed. Austria.
[26] Chambers, S. S. (2007). EEG Signal Processing. Cardiff University, UK:
Centre of Digital Signal Processing.
[27] Chatrian GE, P. M. (1960). The blocking of the rolandic wicket rhythm
and some central changes related to movement. Electroencephalogr Clin
Neurophysiol , 11, 497-510.
[28] Cheng Cao, S. S. (2011). Application of a novel measure of EEG
nonstationarity as‗Shannon entropy of the peak frequency shifting‘ for
detecting residual abnormalities in concussed individuals. Clin


Neurophysiol, 122(7), 1314-1321. doi:doi:10.1016/j.clinph.2010.12.042
[29] Cheolsoo Park, D. L. (2013). Classification of motor imagery BCI Using
Multivariate Empirical Mode Decomposition. IEEE Transactions on
Neural Systems and Rehabilitation Engineering, 21(1), 10-22.
[30] Clarke, B. R. (2008). Linear Models: The Theory and Application of
Analysis of Variance. Wiley Library.
[31] D. J. McFarland, A. T. (1997). Design and operation of an EEG-based
brain-computer interface with digital signal processing technology.
Behav. Res. Meth. Instr. Comp., 29, 337–345.
[32] Davare, M. D. (2007). Role of the ipsilateral primary motor cortex in
controlling the timing of hand muscle recruitment. Cerebral Cortex, 17,
353–362.

[33] De Vries, S. T. (2011). Recovery of motor imagery ability in stroke
patients. Rehabil. Res. Pract. doi:
[34] Dechent, P. M. (2004). Is the human primary motor cortex involved in
motor imagery? Brain Res. Cogn. Brain Res., 19, 138–144.
[35] Dennis J. McFarland*, L. M. (1997). Spatial filter selection for EEGbased communication. Electroencephalography and clinical
Neurophysiology , 103, 386-394.
[36] Elisabeth C.W. Van Straaten, C. J. (2013). Structure out of chaos:
Functional brain network analysis with EEG, MEG, and functional MRI.
138
European Neuropsychopharmacology, 23(1), 7–18.
[37] F Pichiorri, F. D. (2011). Sensorimotor rhythm-based brain–computer
interface training: the impact on motor cortical responsiveness. Journal of
neural engineering, 8, 1-9.
[38] G. Pfurtscheller, C. N. (2001). Motor imagery and direct brain– computer


communication. Neural Engineering: Merging Engineering and
Neuroscience, Proc. IEEE (Special Issue), 89(7), 1123-1134.
[39] G., P. (2003). Induced oscillations in the alpha band: functional meaning.
Epilepsia, 44, 2–8.
[40] Gaggioli, A. M.-t. (2005). The virtual reality mirror: mental practice with
augmented reality for post-stroke rehabilitation. . Annu. Rev. Cyber Ther.
Telemed., 3, 199–205.
[41] Gao, Q. D. (54). Evaluation of effective connectivity of motor areas
during motor imagery and execution using conditional Granger causality.
Neuroimage, 1280–1288.
doi:
[42] George Townsend, B. G. (2004). Continuous EEG Classification During
Motor Imagery—Simulation of an Asynchronous BCI. IEEE
Transactions on neural systems and rehabilitation engineering, 12(2),

258-265.
[43] Gernot R. Muller-Putz, V. K.-E. (2010). Fast set-up asynchronous brainswitch based on detection of foot motor imagery in 1-channel EEG. Med
Biol Eng Comput, 48, 229–233.
[44] Gomez-Rodriguez, M. P.-W. (2011). Closing the sensorimotor loop:
haptic feedback facilitates decoding of motor imagery. J. Neural Eng., 8.
doi:
[45] Guide, S. (n.d.). />[46] Guillot, A. C. (2008). Functional neuroanatomical networks associated
with expertise in motor imagery. Neuro image, 41, 1471–1483.
[47] H.L. Atwood, W. M. (1989). Essentials of neurophysiology. Hamilton,
Canada: B.C. Decker.


[48] Hayashi, M. J. (2008). Hemispheric asymmetry of frequency-dependent
suppression in the ipsilateral primary motor cortex during finger
movement: A functional magnetic resonance imaging study. Cerebral
139
Cortex, 18, 2932–2940.
[49] Hogan, N. K. (2011). Physically interactive robotic technology for
neuromotor rehabilitation. Prog. Brain Res, 192, 59-68.
doi:
[50]
(2015). Bài giảng cấu tạo não bộ.
[51]
ban-cau-dai-nao.htm. (n.d.).
[52] Huang D, L. P.-Y. (2009). Decoding human motor activity from EEG
single trials for a discrete two-dimensional cursor control. Journal of
Neural Engineering, 6.
[53] Huang, D. K.-Y. (2011). Event-related desynchronization/
synchronization-based brain-computer interface towards volitional cursor
control in a 2D center-out paradigm. Computational Intelligence,

Cognitive Algorithms, Mind, and Brain (CCMB), 2011 IEEE Symposium
on, (pp. 1 - 8). Paris.
[54] Ietswaart, M. J. (2011). Mental practice with motor imagery in stroke
recovery: randomized controlled trial of efficacy. controlled trial of
efficacy., 134, 1373–1386. doi:
[55] Igor Brauns, S. T.-C.-P.-C. (2014). Changes in the theta band coherence
during motor task after hand immobilization. Int Arch Med.
[56] Ince, N. G. (2009). Adapting subject specific motor imagery EEG
patterns in space–time–frequency for a brain computer interface. Biomed.


Signal Process. Control, 4, 236–246.
[57] J, W., N, B., D, M., Pfurtscheller, G., & T, V. (2002). Brain–computer
interfaces for communication and control. Clin. Neurophysiol, 113, 767–
91.
[58] J. R. Wolpaw, D. J. (1991). An EEG based brain-computer interface for
cursor control. Electroencephalogr Clin. Neurophysiol., 78, 252–259.
[59] J.J. Baker, E. S. (2010). Continuous detection and decoding of dexterous
finger flexions with implantable myoelectric sensors. IEEE Trans.
Rehabil. Eng. Neural Syst., 18(4), 424–432.
doi:
[60] Jeannerod, M. (1994). The representing brain: neural correlates of motor
140
intention and imagery. Brain Behav. Sci., 17, 187-245.
[61] Jeannerod, M. (1995). Mental imagery in the motor context.
Neuropsychologia, 33, 1419-1433.
[62] Jeffrey C. Lagarias, J. (1998). Convergence properties of the Nelder
Mead Simplex method in low dimensions. Siam J. optim, 9(1), 112-147.
[63] Jun Lv, Y. L. (2010). Decoding hand movement velocity from
electroencephalogram signals during a drawing task. BioMedical

Engineering OnLine .
[64] K. Jerbia, J. V.-P. (2011). Inferring hand movement kinematics from
MEG, EEG and intracranial EEG: From brain-machine interfaces to
motor rehabilitation. IRBM, 32(1), 8–18.
[65] Kaiser, V. K.-P. (2011). First steps toward a motor imagery based stroke
BCI: new strategy to set up a classifier. Front. Neurosci.
doi:
[66] Kharat, P. A. (2012). Daubechies Wavelet Neural Network Classifier for


the Diagnosis of Epilepsy. Wseas Transactions on Biology and
Biomedicine, 9(4), 103-113.
[67] Kiloh LG, M. A. (1981). Clinical Electroencephalography (Vol. 4).
London: Butterworth.
[68] Kimberley, T. K. (2006). Neural substrates for motor imagery in severe
hemiparesis. Neurorehabil Neural Repair, 20, 268–277.
[69] Kirsch, W. (2010). ERP correlates of linear hand movements: Distance
dependent changes. Clinical Neurophysiology , 121, 1285-1292.
[70] Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy
estimation and model selection. Proceedings of the Fourteenth
International Joint Conference on Artificial Intelligence. 2, pp. 1137–
1143. San Francisco, CA: Morgan Kaufmann Publishers Inc.
[71] Konstantin M. Sonkin, L. A. (2015). Development of
electroencephalographic pattern classifiers for real and imaginary thumb
and index finger movements of one hand. Artificial Intelligence in
Medicine, 63(2), 107–117.
[72] Koprinska, I. (2009). Feature selection for brain–computer interfaces.
Lecture Notes in Computer Science International Workshop on New
Frontiers in Applied Data Mining (PAKDD), 5669, 106–117.
141

[73] L Deecke, H. W. (1982). Magnetic fields of the human brain
accompanying voluntary movements: Bereitschaftsmagnetfeld. Exp Brain
Res, 48, 144–148.
[74] L.J. Herrera, C. F. (2013). Combination of heterogeneous eeg feature
extraction methods and stacked sequential learning for sleep stage
classification. International Journal of Neural system, 23(3).
[75] Lee PL, W. Y. (2003). ICA-based spatiotemporal. Neuroimage, 20, 2010-


2030.
[76] Lei Qin, B. H. (2005). A wavelet-based time–frequency analysis
approach for classification of motor imagery for brain–computer interface
applications. J. Neural Eng, 2, 65–72. doi:doi:10.1088/1741-2560/2/4/001
[77] Lichen Xun, G. Z. (2013). ECG Signal Feature Selection for Emotion
Recognition. TELKOMNIKA, 11(3), 1363 ~ 1370.
[78] Liou, C.-Y., & Kuo, Y.-T. (2002). Data Flow Design for the
Backpropagation Algorithm. National Taiwan University, Computer
Science and Information Engineering. Taipei: National Taiwan
University Press.
[79] Lotze, M. H. (2006). Motor imagery. J. Physiol., 99, 386–395.
[80] Ludwig KA, M. R. (2009). Using a common average reference to
improve cortical neuron recordings from microelectrode arrays.
Neurophysiol, 101, 1679–89.
[81] M. Sabeti, R. B. (2007). Selection of relevant features for EEG signal
classification of schizophrenic patients. Biomed. Signal Process. Control,
2(2), 122-134.
[82] Malouin, F. R. (2004). Training mobility tasks after stroke with combined
mental and physical practice: a feasibility study. Neurorehabil. Neural
Repair, 18, 66–75.
[83] Mani Adib, E. C. (2013). Wavelet-Based Artifact Identification and

Separation Technique for EEG Signals during Galvanic Vestibular
Stimulation. Computational and Mathematical Methods in Medicine, 113. doi:
[84] Martin Lotze, U. H. (2006). Motor imagery. Journal of Physiology, 386395.
[85] MedCalc Software. (2015, June 2). MedCalc, 15.6. (MedCalc Software)


Retrieved May 6, 2015, from />curves.php
[86] Mia Liljeströma, C. S. (2015). Task- and stimulus-related cortical
networks in language production: Exploring similarity of MEG- and
fMRI-derived functional connectivity. NeuroImage, 120, 75–87.
[87] Mohamed, A.-K. (2011). Towards improved EEG interpretation in a
sensorimotor BCI for the control of a prosthetic or orthotic hand.
Johannesburg: : Faculty of Engineering, Master of Science in
Engineering, Universityof Witwatersrand.
[88] Mohammad H. Alomari, A. S. (2013). Automated Classification of L/R
Hand Movement EEG Signals using Advanced Feature Extraction and
Machine Learning. International Journal of Advanced Computer Science
and Applications,, 4(6), 207-212.
[89] Mohammad H. Alomari, E. A. (2014). wavelet-based feature extraction
for the analysis of EEG signals associated with imagined fists and feet
movements. Computer and Information Science, 7(2), 17-27.
doi:10.5539/cis.v7n2p17
[90] Morash V, B. O. (2008). Classifying EEG signals preceding right hand,
left hand, tongue, and right foot movements and motor imageries.
Clinical Neurophysiology, 2570–2578, 2570–2578.
[91] Müller-Putz GR, K. V.-E. (2010). Fast set-up asynchronous brain-switch
based on detection of foot motor imagery in 1-channel EEG. Med Biol
Eng Comput, 48, 229–33.
[92] N. Birbaumer, N. G. (1999). A spelling device for the paralyzed. Nature,
398, 297–298.

[93] Nam CS, J. Y.-J. (2011). Movement imagery-related lateralization of


event-related (de)synchronization (ERD/ERS): motor-imagery duration
effects. Clin Neurophysiol , 122, 567–577.
[94] Nawel Jmail, M. G.-M.-G. (2011). A comparison of methods for
separation of transient and oscillatory signals in EEG. Journal of
Neuroscience Methods, 199, 273–289.
[95] Neuper C, W. M. (2006). ERD/ERS patterns reflecting sensorimotor
activation and deactivation. Prog Brain Res., 159, 211-222.
[96] Neuper, C. ,. (1999). Motor imagery and ERD. In Handbook of
Electroencephalography and Clinical Neurophysiology (Vol. 6, pp. 303–
325). Elsevier, Amsterdam.
143
[97] Neuper, C. S. (2008). Event-related EEG characteristics during motor
imagery. Int. J. Psychophysiol., 69, 181–182.
[98] Nuri F. Ince, F. G. (2009). Adapting subject specific motor imagery EEG
patterns in space–time–frequency for a brain computer interface.
Biomedical Signal Processing and Control, 4, 236–246.
[99] Oppenheim, A. V. (1999). Discrete-Time Signal Processing. 2nd Ed.
Upper Saddle River, NJ: Prentice Hall.
[100] Page, S. J. (2007). Mental practice in chronic stroke: results of a
randomized, placebo-controlled trial. Stroke, 38, 1293–1297.
[101] Penfield W, R. T. (1950). The Cerebral Cortex of Man: A Clinical Study
of Localization of Function. New York: Macmillan.
[102] Pfurtscheller, G., & Graimann, B. &. (2006). EEG-Based BrainComputer Interface System. Wiley: Wiley Encyclopedia of Biomedical
Engineering.
[103] Pineda JA, A. B. (2000). The effects of self-movement, observation, and
imagination on mu rhythms and readiness potentials (RP's): toward a

brain-computer interface (BCI). IEEE Trans Rehabil Eng., 8, 219-222.
[104] PL, N. (1981). Electric Fields of the Brain: The Neurophysics of EEG. ,
New York: Oxford University Press.
[105] PL, W. (1989). Gray's Anatomy. Churchill Livingstone, Edinburgh:
Warwick R. 37th ed., 1598 pp. .
[106] Ramos-Murguialday, A. B.-C. (2013). Brain–machine-interface in
chronic stroke rehabilitation: a controlled study. Ann. Neurol.
doi:
[107] Rojas, R. (1996). The Backpropagation Algorithm. In Neural Networks
(pp. 151-184). Berlin: Springer-Verlag.
[108] S.S. Keerthi, C. L. (2003). Asymptotic behavior of support vector
machines with Gaussian Kernel. Neural Comput, 15(7), 1667-1689.
[109] Sabordo, M., Shong, C. Y., Berryman, M. J., & Abbott, D. (2004). Who
Wrote the Letter to the Hebrews? – Data Mining for Detection of Text
Authorship. Proceedings of SPIE - The International Society for Optical
Engineering, (pp. 513-524). Tarndarnya.
[110] Saeid Sanei, J. A. (2007). EEG Signal Processing. John Wiley & Sons
Ltd.
144
[111] Schalk, G. M. (2004). BCI2000: A General-Purpose Brain-Computer
Interface (BCI) System. IEEE Transactions on Biomedical Engineering ,
51(6), 1034-1043.
[112] Scholkopf, B. a. (2002). Learning with Kernels. Cambridge MA: MIT
Press.
[113] Sharma, N. P.-C. (2006). Motor imagery: a back door to the motor system
after stroke? Stroke, 37, 1941–1952.
[114] Shindo K, K. K. (2011). Effects of neurofeedback training with an

electroencephalogram-based brain–computer interface for hand paralysis
in patients with chronic stroke: a preliminary case series study. Rehabil
Med, 43, 951-957.
[115] Slobounov S, R. M. (2000). EEG correlates of finger movements as a
function of range of motion and pre-loading conditions. Clin
Neurophysiol , 111, 1997-2007.
[116] Stack Exchange Inc. (2013, December 4). Stackoverflow. (Stack
Exchange Inc) Retrieved April 12, 2015, from
in-training-data
[117] Stippich C, O. H. (2002). Somatotopic mapping of the human primary
sensorimotor cortex during motor imagery and motor execution by
functional magnetic resonance imaging. Neurosci Lett, 331, 50-54.
[118] Suicheng Gu, Y. T. (2010). Discriminant analysis via support vectors.
Neurocomputing, 73, 1669-1675.
[119] Szameitat, A. S. (2007). Motor imagery of complex everyday
movements. An fMRI study. . Neuroimage, 34, 702–713.
[120] Tae-Eui Kam, H.-I. S.-W. (2013). Non-homogeneous spatial filter
optimization for ElectroEncephaloGram (EEG)-based motor imagery
classification. Neurocomputing, 108, 58-68.
[121] Tao Wanga, J. D. (2004). Classifying EEG-based motor imagery tasks by
means of time–frequency synthesized spatial patterns. Clinical
Neurophysiology, 115, 2744–2753.
[122] Teo, W.-P. C. (2014). s motor-imagery brain–computer interface feasible
in stroke rehabilitation. PM R , 1-6.
[123] Tolić, M. &. (2013). Classification of Wavelet Transformed EEG Signals
with Neural Network for Imagined Mental and Motor Tasks. International
145


Journal of Fundamental and Applied Kinesiology, 45(1), 130-138.

[124] Vallabhaneni, A., T., W., & He, B. (2007). Brain-Computer Inteface. In
B. He, Neural Engineering (Vol. 3, pp. 93-106). New York: Kluwer
Academic/Plenum Publishers.
[125] Vera Kaiser, A. K.-P. (2011). First steps toward a motor imagery based
stroke BCI: new strategy to set up a classifier. Frontiers in neuroscience,
5(86), 1-10.
[126] W.-K. Tam, K.-Y. T. (2011). A minimal set of electrodes for motor
imagery BCI to control an assistive device in chronic stroke subjects: a
multi-session study. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 19(6), 617–627.
[127] Ward, N. (2011). Assessment of cortical reorganisation for hand function
after stroke. J. Physiol., 589(23), 5625–5632.
[128] Wei-Tang Changa, I. P.-Y. (2015). Combined MEG and EEG show
reliable patterns of electromagnetic brain activity during natural viewing.
NeuroImage, 114, 49–56.
[129] Wikimedia Foundation, Inc. (2015, June 4). Wikipedia. ( Wikimedia
Foundation, Inc.) Retrieved May 5, 2015, from
[130] Xiaoou Li, X. C. (2014). Classification of EEG Signals Using a Multiple
Kernel Learning Support Vector Machine. Sensors, 14, 12784-12802.
doi:doi:10.3390/s140712784
[131] Xinyang Yu, P. C.-B. (2014). Analysis the effect of PCA for feature
reduction in non-stationary EEG based motor imagery of BCI system.
Optik, 125, 1498–1502.
[132] Yasunari Hashimoto, J. U. (2013). EEG-based classification of imaginary
left and right foot movements using beta. Clinical Neurophysiology.
doi:


[133] Zhongxing Zhou, B. W. (2012). Wavelet packet-based independent
component analysis for feature extraction from motor imagery EEG of

complex movements. Clinical Neurophysiology, 123, 1779–1788.
146
PHỤ LỤC 1
KẾT QUẢ KIỂM ĐỊNH ĐÁNH GIÁ CÁC ĐẶC TRƢNG TRÊN BỘ DỮ LIỆU
MẪU PHYSIONET
Phụ lục 1 mô tả bộ dữ liệu được định lượng lần lượt bằng 1 trong 62 thuộc tính
trong bộ đặc trưng đề xuất và kiểm định ANOVA để đánh giá khả năng phân biệt
các trạng thái của các đặc trưng.
Với mỗi từng thuộc tính phụ lục sẽ trình bày bao gồm:
- Số lượng mẫu thu được từ bộ dữ liệu Physionet bao gồm 782 mẫu tín hiệu
EEG nghỉ Re_IHMv, 401 mẫu tín hiệu EEG chuyển động tưởng tượng tay
trái và 396 mẫu tín hiệu chuyển động tưởng tượng tay phải.
- Các tín hiệu EEG liên quan đến tưởng tượng vận động sẽ được sắp xếp vào
từng cột tương ứng với các nhóm:
Column 1 = Nhóm mẫu nghỉ
Column 2 = Nhóm mẫu tưởng tượng chuyển động tay phải
Column 3 = Nhóm mẫu tưởng tượng chuyển động tay trái
- Bảng 1 mô tả số lượng mẫu, tổng các mẫu, trung bình các mẫu và phương
sai các mẫu của từng nhóm điện não EEG
- Bảng 2 mô tả kết quả kiểm định sự khác nhau giữa các phân nhóm dựa trên
việc áp dụng phương pháp kiểm định ANOVA lên 3 nhóm mẫu. Khả năng
phân biệt các trạng thái của đặc trưng được thể hiện qua chỉ số F > Fcrit và
độ tin cậy đạt 95% qua chỉ số p của phương pháp
Với số lượng mẫu của bộ dữ liệu Fcrit = 3.001434
- Đồ thị Boxplot mô tả phân bố và so sánh giữa các nhóm trạng thái.


- Bảng 3 mô tả chi tiết thông số của các biểu đồ hình hộp. Trong đó q1 = bách
phân vị 25%, q2 = bách phân vị 50%, q3 = bách phân vị 75%
147

Các thuộc tính định lƣợng đƣợc kiểm định bằng phƣơng pháp ANOVA
3
C

3
C

3
C

4C

4C

4C

RMS f1 f2 f3 f43 f44 f45
WL f4 f5 f6 f46 f47 F48
MMAV f7 f8 f9 F49 f50 f51
SSI f10 f11 f12 f52 f53 f54
ZC f13 f14 f15 f55 f56 f57
SSC f16 f17 f18 f58 f59 f60
ShanEn f19 f20 f21 f61 f62 F63
LogEn f22 f23 f24 F64 f65 f66


WAMP f25 f26 f27 f67 f68 f69
HjAct f28 f29 f30 f38 f39 f40
HjMobi f31 f32 f33 f70 f71 f72
Hj_Complex f34 f35 f36 f73 f74 f75

Skewness f37 f38 f39 f76 f77 f78
Kutorsis f40 f41 f42 f79 f80 f81
Bảng kết quả đầy đủ đƣợc lƣu trữ và truy cập tại địa chỉ:
/>148
KẾT QUẢ KIỂM ĐỊNH ANOVA
+ Thuộc tính 1: RMS Theta C3
Groups Count Sum Average Variance
Column 1 782 381.1719 0.487432 0.06543
Column 2 401 136.7595 0.341046 0.058386
Column 3 396 137.7304 0.347804 0.054265
ANOVA
Source of Variation SS df MS F P-value F crit
Between Groups 8.083801 2 4.041901 66.43064 0 3.001434
Within Groups 95.89001 1576 0.060844
Total 103.9738 1578
Rest Right left
min 0 0 0
q1 0.299979 0.166956 0.169352
q2 0.461172 0.302578 0.318549
q3 0.658484 0.474856 0.484327
max 1 1 1
boxlow 0.299979 0.166956 0.169352


boxmid 0.161194 0.135622 0.149196
box hi 0.197312 0.172278 0.165778
err down 0.461172 0.302578 0.318549
err up 0.538828 0.697422 0.681451
0
0.2

0.4
0.6
0.8
1
1.2
Rest IM_Right hand IM_Left hand
RMS_C3_Theta
149
+ Thuộc tính 2: RMS Alpha C3
Groups Count Sum Average Variance
Column 1 782 377.7707 0.483083 0.067188
Column 2 401 129.4307 0.32277 0.050556
Column 3 396 140.929 0.355881 0.049697
ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 8.387457 2 4.193729 71.58607 0 3.001434
Within Groups 92.32685 1576 0.058583
Total 100.7143 1578
Rest Right left
min 0 0 0


q1 0.279119 0.140683 0.195366
q2 0.449365 0.305138 0.334525
q3 0.667238 0.486017 0.495423
max 1 1 1
boxlow 0.279119 0.140683 0.195366
boxmid 0.170245 0.164455 0.139159
box hi 0.217873 0.180879 0.160897

err
down 0.449365 0.305138 0.334525
err up 0.550635 0.694862 0.665475
0
0.2
0.4
0.6
0.8
1
1.2
Rest IM_Right hand IM_Left hand
RMS_C3_Alpha
150
+ Thuộc tính 3: RMS C3 beta
Rest Right left
min 0 0 0
q1 0.282251 0.14041 0.187453
q2 0.45679 0.285888 0.325968
q3 0.657027 0.41033 0.497496
max 1 1 1


boxlow 0.282251 0.14041 0.187453
boxmid 0.174539 0.145478 0.138515
box hi 0.200236 0.124442 0.171528
err
down 0.45679 0.285888 0.325968
err up 0.54321 0.714112 0.674032
+ Thuộc tính 4: WL C3 Theta
Groups Count Sum Average Variance

Column 1 782 371.8818 0.475552 0.067601
Column 2 401 132.9852 0.331634 0.055363
Column 3 396 138.6088 0.350022 0.054462
ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 7.237806 2 3.618903 59.13053 0 3.001434
Within Groups 96.45426 1576 0.061202
Total 103.6921 1578
0
0.2
0.4
0.6
0.8
1
1.2
Rest IM_Right
hand
IM_Left hand


RMS_C3_Beta
Groups Count Sum Average Variance
Column 1 782 379.6539 0.485491 0.068981
Column 2 401 119.8919 0.298982 0.043089
Column 3 396 139.6762 0.352718 0.05319
ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 10.65595 2 5.327974 91.15135

3.47E38 3.001434
Within Groups 92.12027 1576 0.058452
Total 102.7762 1578
151
Rest Right left
min 0 0 0
q1 0.283022 0.152435 0.169408
q2 0.44948 0.289484 0.322061
q3 0.640039 0.484759 0.486025
max 1 1 1
boxlow 0.283022 0.152435 0.169408
boxmid 0.166459 0.137049 0.152653
box hi 0.190559 0.195274 0.163965
err
down 0.44948 0.289484 0.322061
err up 0.55052 0.710516 0.677939
+ Thuộc tính 5: WL C3 Alpha