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

Header Page 1 of 89.
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

Footer Page 1 of 89.


Header Page 2 of 89.
Công trình được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:
PGS.TS. PHẠM VĂN BÌNH
TS. PHẠM HẢI ĐĂNG

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp
Trường họp tại Trường Đại học Bách khoa Hà Nội
Vào hồi …….. giờ, ngày ….. tháng ….. năm ………

Có thể tìm hiểu luận án tại thư viện:
1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội
2. Thư viện Quốc gia Việt Nam

Footer Page 2 of 89.


Header Page 3 of 89.

MỞ ĐẦU
1.1. 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 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. 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], hoặc kết hợp giữa tưởng tượng vận động
với các thiết bị robot hỗ trợ phục hồi chức năng[49], [68], [82].
Như vậy, việc 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 IHMv. Để có thể ứng
dụng được trong thực tế, các hệ thống phân loại IHMv cần thiết
phải chú trọng đến việc nâng cao được độ chính xác, tin cậy và
tốc độ xử lý và khả năng phân giải nhiều phân lớp IHMv. Hiện
nay có bốn xu hướng nghiên cứu nhằm phân giải các phân lớp
IHMv và tạo ra tín hiệu điều khiển chuyển động từ sóng não đó
là: (1) Phân tích chỉ số khóa pha PLV của các cặp điện cực [10],
(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) [113], [93] 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) [25], [16] kết hợp với các mô hình phân
loại (4) Phân tích tín hiệu trên miền thời gian - tần số [23], [89]
dựa trên biến đổi Wavelet kết hợp với mô hình phân loại NN,
SVM, LDA

Footer Page 3 of 89.

1


Header Page 4 of 89.
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. Để nâng cao độ chính
xác phân loại, phần lớn mô hình sử dụng phương pháp tách đặc
trưng trên nhiều điện cực làm tăng thời gian tính toán và thời gian

thiết lập hệ thống khi áp dụng trên các mô hình BCI thực tế. 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 tưởng tượng vận động. 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. Bênh 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 sẽ giúp trích xuất được các
thông tin thông qua các kỹ thuật phân tích dữ liệu. Đồng thời có
thể đóng góp vào bộ cơ sở dữ liệu chung của thế giới để giúp
nghiên cứu những đặc tính mới của tín hiệu trên bộ cơ sở dữ liệu
lớn.
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 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 giúp
nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn
đề cần giải quyết của luận án.

Footer Page 4 of 89.

2


Header Page 5 of 89.
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.
- 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). 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 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 vận động chi trên của đối tượng người
Việt nam khỏe mạnh.

Phƣơng 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 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 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
-

Footer Page 5 of 89.

3


Header Page 6 of 89.
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. Kết quả được công bố trong bài báo (4)
- 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. Kết quả được công bố tại công trình (5).
- 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 bộ dữ
liệu thực tế được đo tại phòng thí nghiệm. 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 điện não liên
quan đến điều khiển vận động để nâng cao tỷ số SNR tín
hiệu phục vụ phân tích, nghiên cứu. Một số khuyến nghị
được đề cập trong công trình số (1), (2), (3)
1.2 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

Footer Page 6 of 89.

4


Header Page 7 of 89.

hiện trong chương 2, chương 3 và chương 4. Các nội dung cụ thể
như sau:
- Chương 1: 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, lọc không gian Laplacian.
- Chương 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.
- Chương 3: Chương 3 đề xuất phương pháp sử dụng bộ
thông số 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 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

Footer Page 7 of 89.

5


Header Page 8 of 89.

-

-

thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả
của mô hình.
Chương 4: Chương 4 trình bày quy trình xây dựng bộ dữ
liệu liên quan đến vận động chi trên của đối tượng đo
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

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
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 1-100ms.
Đối với người thì biên độ của AP xấp xỉ -60mV đến 10 mV.
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

Footer Page 8 of 89.

6


Header Page 9 of 89.
nhất. Tế bào thần kinh vận động gửi thông tin qua trục thần kinh
tới hệ cơ. Khi nơron trên vỏ não kích hoạt thì nó sẽ làm cơ co.
Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh.

Hình 1.13. 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 tƣởng tƣợng vận
động
Quá trình tưởng tượng vận động có phân bố năng lượng tín
hiệu ở các dải tần số alpha (8-13Hz) và beta (15-30Hz). Sóng
chậm theta (4-7Hz) cũng được sử dụng do nó có liên quan đến
quá trình nhận thức, cơ chế tập trung và cũng có sự liên quan đến
quá trình vận động [55], [63]. 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 (động học) cũng như lực (tĩnh học –
kinetics), chúng thường xuất hiện trước, đồng thời và sau khi có
đáp ứng. Nhiều nghiên cứu đã được triển khai theo để phân tích
các đặc điểm năng lượng phổ tại các dải tần số qua đó tạo được
các đặc trưng giúp tăng độ chính xác phân loại. Do đó các thuộc
tính lượng hóa được sự thay đổi này của tín hiệu IHMv có thể
giúp nâng cao khả năng nhận diện tín hiệu và độ chính xác phân
loại. Bên cạnh đó, tín hiệu IHMv là bản chất không dừng và có
tính thống kê nên việc lựa chọn được các thuộc tính có khả năng
đặc tả các khía cạnh của tín hiệu đồng thời có khả năng phân biệt
được các trạng thái là một hướng nghiên cứu được nhiều nhà khoa
học quan tâm.

Footer Page 9 of 89.

7


Header Page 10 of 89.
1.2 Mô hình xử lý tín hiệu điện não IHMv

Trong các hệ thống hỗ trợ vận động điều khiển bằng sóng
não, độ chính xác của hệ thống phân lớp các trạng thái điều khiển
vận động phụ thuộc vào bộ dữ liệu huấn luyện mô hình. Bộ dữ
liệu huấn luyện ít chịu ảnh hưởng của nhiễu và chứa đựng thông
tin cần thiết thì độ tin cậy của hệ thống phân lớp càng cao. 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 chú ý đến các
giải pháp kỹ thuật để nâng cao được tỷ số SNR của nhóm tín hiệu
cần phân tích.
Luận án sẽ tập trung giải quyết ba vấn đề sau:
- 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
tưởng tượng vận động (MI – Motor Imagery) 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.

Hình 1.15. Phân bố năng lượng trên một số đối tượng thực
hiện vận động tay và chân phải tưởng tượng
Các nghiên cứu cũng đã chỉ ra các hoạt động thần kinh có
liên quan đến vận động và tưởng tượng vận động chi trên có phân

Footer Page 10 of 89.

8

Header Page 11 of 89.
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.
1.2.2 Nâng cao tỷ số SNR của tín hiệu
1.2.2.1 Tăng cƣờng chất lƣợng 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 = 1Hz và tần số cắt trên fc2 = 40Hz. Tín hiệu
sau lọc có thể loại bỏ được nhiễu nguồn và nhiễu đường biên tần
số thấp xuất hiện trên bản ghi. Kết quả được đề cập trong công
trình số (1), (4).
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.

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. Tín hiệu sau lọc có sự đồng bộ về mặt
thời gian với tín hiệu trước lọc
1.2.2.2 Tăng cƣờng chất lƣợng 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.

Footer Page 11 of 89.

9


Header Page 12 of 89.
Nếu gọi

Ci

Lap

(t )

là tín hiệu kênh cần lọc trong đó i là kênh

C3 và C4. C i ( t ) là dữ liệu kênh đo. Bộ lọc Laplacian sẽ 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.
Các điện cực là các điện cực trên trục dọc hoặc ngang với
tâm là điện cực thu C i . Trong đó w i j là hằng số trọng số
Lap

Ci

(t )  C i (t ) 



w ij C j ( t )

j S i

Dữ liệu sử dụng trong luận án được tác giả sử dụng mô hình
lọc không gian Laplacian rộng sử dụng 4 điện cực kế tiếp lân cận
bao gồm: T7[trái],Cz[phải] ,P3[sau], F3[trước] sử dụng cho kênh
C3 và nhóm kênh Cz[trái], P4[sau], T8[phải], F4[trước] cho kênh
C4

Hình 1.20. Mô hình phân bố điện cực EEG 64 kênh. Các
điện cực được sử dụng trong mô hình lọc Laplacian được đánh
dấu màu xanh còn màu cam là điện cực thu được lọc.
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 được các nhóm
tín hiệu IHMv, việc lựa chọn các cửa sổ thời gian đồng bộ với các

Footer Page 12 of 89.

10


Header Page 13 of 89.
sự kiện tưởng tượng vận động phù hợp đóng vai trò quan trọng
trong việc trích xuất được thông tin cần thiết. Trong luận án, khi
thực nghiệm trên bộ dữ liệu mẫu, tác giả sử dụng cửa sổ có độ dài
512 mẫu (tương ứng với khoảng thời gian 3s tính từ thời điểm bắt
đầu có điều khiển chuyển động) để phân tách các đoạn tín hiệu
IHMv. Độ dài của sổ 512 mẫu khi thực nghiệm trên bộ dữ liệu

mẫu có chứa đựng thông tin về sự biến đổi năng lượng giữa các
trạng thái. 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 1.26 a) Định vị các đoạn tín hiệu tương ứng với
chuyển động tưởng tượng tay trái, chuyển động tưởng tượng 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 giúp
nâng cao tỷ số SNR bao gồm: lựa chọn kênh đo, bộ lọc số FIR
pha bằng không, bộ lọc không gian Laplacian rộng, phân tách tín
hiệu IHMv bằng 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

Footer Page 13 of 89.

11


Header Page 14 of 89.
biến động năng lượng phổ khác nhau đảm bảo chứa đựng các
thông tin cần thiết cho bước định lượng tín hiệu.

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
Tín hiệu điện não IHMv có dạng phức tạp và có bản chất
không dừng. Do đó ta cần phải thông qua 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. Các
phương pháp [10], [131], [42] phân tách đặc trưng gặp một số
nhược điểm đó là việc sử dụng khá nhiều các điện cực để xử lý và
việc dùng số lượng lớn các điện cực có thể tăng thêm nhiễu cho
dữ liệu, tăng độ phức tạp của mô hình và thời gian tính toán.
Phương pháp định lượng tín hiệu theo miền thời gian - tần số dựa
trên biến đổi Wavelet đề xuất bởi [23], [89] 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 đề xuất nhóm các đặc trưng mới được trích chọn
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
[30] giúp lựa chọn được các đặc trưng có tính phân biệt ba phân
lớp 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 Phƣơng pháp định lƣợng trên miền thời gian – tần số dựa
trên biến đổi wavelet
Phương pháp định lượng tín hiệu dựa trên phương pháp
định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi

wavelet được xử lý theo những bước sau:

Footer Page 14 of 89.

12


Header Page 15 of 89.

Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính
định lượng các phân lớp IMHv
Dựa trên đề xuất trong nghiên cứu [89], hàm symlet 2 được
tác giả sử dụng để phân tách các hệ số của biến đổi Wavelet. 6 hệ
số chi tiết được luận án lựa chọn sử dụng cho quá trình phân tách
đặc trưng (2 kênh C3 và C4 x 3 băng tần): I H M v  , I H M v  ,
C

IH M vC

3



,

IH M vC

4

Footer Page 15 of 89.



,

IH M vC

4



,

IH M vC

13

4



.

3

C

3

Header Page 16 of 89.
2.2 Xây dựng bộ các thuộc tính định lƣợng tín hiệu điều khiển
vận động IHMv
Phát triển từ bộ đặc trưng đề xuất trong [23] và [89], với
mục tiêu giảm số kênh đo và đảm bảo độ chính xác phân loại ba
trạng thái vận động tưởng tượng chi trên, luận án sử dụng các đặc
trưng định lượng tín hiệu trên 3 băng tần cơ bản trên hai kênh C3






và C4 đó là: C 3 , C 3 , C 3 , C 4 , C 4 , C 4 . 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
M M AV 

wn 

1
N

N



w n IH M v i ( n )

1

(2.9)


1, 0 .2 5 N  n  0 .7 5 N

 4n
, 0 .2 5 N  n

 N
 4(n  N )
, 0 .7 5 N  n

N


2) Hjorths parameters [9]
H jA c t ie  

H jM o b iie 

H jC o m p le x ie

Footer Page 16 of 89.

2
a

(2.16)

d

(2.17)

a

( dd )
d


( d )
a

(2.18)

14


Header Page 17 of 89.
Kết quả mô phỏng định lƣợng tín hiệu trên bộ dữ liệu
Physionet
Bảng 2.2 Tóm tắt giá trị trung bình (µ) và phương sai (ϭ) của các
thuộc tính theo các phân lớp IHMv khác nhau
C3

RMS_Theta

C4

Lf_IHMv Ri_IH Re_IH Lf_IH Ri_IH Re_IH
Mv
Mv
Mv
Mv
Mv
0.347 (µ) 0.341 0.487 0.335 0.348 0.484
0.054 (ϭ) 0.058 0.065 0.065 0.061 0.069

RMS_Alpha

0.355
0.049

0.322
0.050

0.483
0.067

0.334
0.058

0.379
0.063

0.472
0.071

RMS_Beta

0.352
0.053

0.298
0.043

0.485
0.068

0.293
0.049

0.356
0.056

0.452
0.069

WL_Theta

0.350
0.054

0.331
0.055

0.475
0.067

0.347
0.060

0.376
0.060

0.489
0.069

WL_Alpha

0.365
0.054

0.319
0.049

0.479
0.072

0.322
0.052

0.386
0.062

0.464
0.069

WL_Beta

0.372
0.049

0.320
0.046

0.509
0.064

0.309
0.047

0.387
0.056

0.484
0.068

Hình 2.4 Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng
đặc trưng
Từ đồ thị ta có thể nhận thấy có sự khác biệt giữa giá trị trung vị của
các phân nhóm IHMv. Mặt khác, dựa vào phân bố của biến nhận thấy

Footer Page 17 of 89.

15


Header Page 18 of 89.
giữa các phân nhóm vẫn có nhiều giá trị thuộc phân nhóm này nằm
trong vùng giá trị của phân nhóm kia. Do đó cần thiết phải lựa chọn
nhiều các thuộc tính để xây dựng vector đặc qua đó nâng cao độ chính
xác phân loại.
2.4. Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng
phƣơng pháp phân tích phƣơng sai một chiều ANOVA theo
chỉ số F và p
2.4.1 Phƣơng pháp phân tích phƣơng sai một chiều ANOVA
Kỹ thuật ANOVA là kỹ thuật phân tích cho phép kiểm
chứng và đánh giá độ khác nhau các đặc trưng giữa 3 nhóm. Việc
mô tả sự khác nhau giữa các phân lớp phụ thuộc vào việc kiểm
định giả thuyết đảo H0 là trung bình của 3 phân lớp là bằng nhau
(2.24)
H0: 
 
 
L f _ IH M v

R i _ IH M v

R e _ IH M v

Fđặc trưng được xác định theo biểu thức
(2.27)
Nếu chỉ số Fđặc trưng xác định được lớn hơn Fngưỡng thì đặc
trưng đó sẽ có khả năng phân biệt giữa các trạng thái hay chúng ta

có thể loại bỏ giả thuyết không là không thể phân biệt các trạng
thái với đặc trưng. Điều này có nghĩa là một phân lớp IHMv có sự
khác biệt với ít nhất 1 phân lớp còn lại. Như vậy đặc trưng đó có
thể sử dụng như một thuộc tính có khả năng phân biệt.
2.4.2. Đề xuất xây dựng bộ đặc trƣng lựa chọn bằng phƣơng
pháp kiểm định ANOVA theo chỉ số F và p
Do đó việc chỉ sử dụng một đặc trưng cho quá trình phân
loại khó có khả năng cho độ chính xác phân loại cao. Từ đó tác
giả đề xuất xây dựng mô hình phân loại dựa trên bộ đặc trưng
được đề cập phần trên. Tuy nhiên, việc có nhiều các đặc trưng
làm đầu vào có thể là quá dư thừa hoặc không liên quan đến
nhiệm vụ phân loại (Koprinska, 2009).
Trong luận án, tác giả đề xuất sử dụng phương pháp lựa
chọn bộ đặc trưng dựa trên chỉ số F và p của phân tích phương sai
ANOVA. Chỉ số F của phân tích phương sai sẽ giúp ta đánh giá

Footer Page 18 of 89.

16


Header Page 19 of 89.
được khả năng phân biệt các phân lớp IHMv của đặc trưng đồng
thời có thể đánh giá được độ tin cậy trên tập dữ liệu thông qua chỉ
số p.
Quy tắc lựa chọn bộ đặc trưng như sau
Bƣớc 1: Áp dụng phân tích phương sai ANOVA cho từng
thuộc tính để kiểm tra khả năng phân biệt các nhóm trạng thái.
Bƣớc 2: So sánh chỉ số F của đặc trưng với F ngưỡng. Nếu
đặc trưng nào cho chỉ số F > F ngưỡng thì sẽ được lựa chọn.

Bƣớc 3: Chỉ số p<0.05 cho phép khẳng định thuộc tính đó
có khả năng phân biệt với độ tin cậy 95%
Dữ liệu đầu vào
(tất cả các đặc trưng)
RMS
WL

Theta

ShanEn
LogEn

C3
C4

Alpha

RMS
WL

Kênh

Beta

ShanEn
LogEn

Băng tần

RMS

WL

Đánh giá khả năng
phân biệt của các
đặc trưng theo kiểm
định ANOVA

Lựa chọn đặc trưng
theo chỉ số F và p

ShanEn
LogEn

Hình 2.5. Các bước lựa chọn đặc trưng theo phân tích phương
sai ANOVA
Bảng 2.3 Bảng giá trị ANOVA F và p với các đặc trưng trong
dải θ, α và β của kênh C3 (Bảng rút gọn)
RMS RMS RMS WL C3θ
WL C3α
WL C3β
C3
F
P

F
P

C3θ

C3α

C3β

66
0
SSI

71
0
SSI

91
0
SSI

59.1
0
Shan_En

C3θ

C3α

C3β

C3θ

59.9
0
ZC

67.9
0
ZC

58.5
0
SSC C3_α

C3_α

C3_β

88.1
0
SSC
C3_θ

Footer Page 19 of 89.

62.5
97.8
0
0
Shan_En Shan_E
n C3β
C3α
66.2
85.1
0

0
SSC C3_β HjMobi
C3_ θ

17


Header Page 20 of 89.
F
P

11.0
0

9.2
0

15.6
0

16.1
0

26.8
0

19.85
0

2.5. Kết luận chƣơng

Như vậy bằng phương pháp lựa chọn đặc trưng dựa trên
kiểm định phương sai ANOVA, luận án đề xuất bộ đặc trưng mới
sử dụng cho quá trình phân loại tín hiệu IHMv với số lượng là 62
thuộc tính. Các thuộc tính đã cho thấy khả năng phân biệt các
phân lớp IHMv với độ tin cậy 95% dựa trên phương pháp kiểm
định phương sai ANOVA.

CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA
PHÂN LỚP IHMv
3.1 Xây dựng vector đặc trƣng mô tả tín hiệu điện não IHMv
từ bộ đặc trƣng đề xuất và cấu trúc các lớp
Vector đặc trưng 62 thuộc tính theo phương pháp lựa chọn
ANOVA làm đầu vào cho bộ phân loại. Kích thước vector đặc
trưng 62 x 1. Cấu trúc tập dữ liệu huấn luyện n mẫu được mô tả
như hình 3.2.

Hình 3.2. Mô tả ma trận dữ liệu huấn luyện
Từ bộ dữ liệu Physionet, số mẫu n = 1579 mẫu bao gồm
782 mẫu nghỉ, 401 mẫu chuyển động tưởng tượng tay trái, 396
mẫu chuyển động tưởng tượng tay phải.
3.2 Mô hình máy vector hỗ trợ nhị phân SVM
Mô hình SVM là mô hình phân loại nhị phân. Thuật toán
huấn luyện SVM đồng thời tối đa khả năng phân loại trong khi đó
tối thiểu hóa được khả năng quá vừa huấn luyện với bộ dữ liệu

Footer Page 20 of 89.

18

Header Page 21 of 89.
cho trước. Luận án xây dựng bộ phân loại bằng phần mềm
MATLAB và sử dụng hàm biến đổi RBF Kernel SVM [108].
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 điều khiển tƣởng tƣợng vận động tay trái,
tay phải và nghỉ.
Luận án đề xuất cải tiến mô hình SVM thành mô hình 2
tầng phân loại nối tiếp: SVM1 và SVM2. Ba phân lớp đầu ra bao
gồm: Lf_IHMv, Ri_IHMv, Re_IHMv.
Dữ liệu qua tầng phân loại thứ nhất được phân loại thành
hai nhóm nghỉ (Re_IHMv) và nhóm có vận động (non-Rest
IHMv). Tầng phân loại thứ hai phân chia dữ liệu thành hai nhóm:
nhóm tưởng tượng vận động tay trái và nhóm tưởng tượng vận
động tay phải. Đầu ra toàn bộ mô hình tuân theo quy tắc ở bảng
3.1: Để ước lượng các chỉ số của siêu phẳng SVM (trong đó C để
điều khiển chống quá vừa huấn luyện và γ để điều khiển độ rộng
của Gaussian kernel) trong luận án sử dụng phương pháp NelderMead Simplex
Mô hình phân loại 3IHMv_SVM2

IHMvs

Tầng phân loại 1
SVM1

Thƣ giãn

Tầng phân loại 2
SVM2

Tƣởng tƣợng vận động tay trái
Tƣởng tƣợng vận động tay phải

Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động
dựa trên mô hình 2 tầng SVM phi tuyến

Footer Page 21 of 89.

19


Header Page 22 of 89.
Bảng 3.1 Bảng quyết định trạng thái đầu ra
Tầng phân loại Tầng phân loại SVM Kết
SVM1
2
quả
(non-rest/
(Lf_IHMv/Ri_IHMv) phân
loại
Re_IHMv)
1
1
1
1
-1
-1
0
1/-1
0

Kết quả
phân loại
đầu ra
Lf_IHMv
Ri_IHMv
Re_IHMv

3.4 Mô phỏng và đánh giá khả năng của bộ phân loại
3IHMv_SVM2
Mười mô hình được xây dựng từ tập dữ liệu huấn luyện với
độ chính xác tối đa đạt 92%. Độ chính xác phân loại trung bình
của bộ phân loại đề xuất đạt 80,75%.
Bảng 3.6 So sánh kết quả phân loại các phân lớp IHMv của bộ
phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương
Phƣơng
Cheolsoo
Ana
Goeorge
pháp
đề Park[29]
Loboda
Townsend
xuất
(2013)
[10] (2014) [42](2004)
Độ
80,75%
MEMD:
71,55%

chính
75,6%
(13-30Hz);
xác
±5.2
và 65,55% (8phân
NA13Hz)
loại
MEMD:
trung
78.7±3.7
bình
Độ
L: 76,91%
L:68%,
Ri:69-84%,
nhạy
R:75,1%
L:67%86%
Ri: 78,72%
(beta
L, Ri
Re: 88,74%
band),
L:60,5%
R:70,6%
(mu band)

Footer Page 22 of 89.

20


Header Page 23 of 89.
AUC
L, Ri
Số
trạng
thái
đầu ra

L: 86,52%
Ri: 88,38%
Re: 91,98
3

Ri: 73 92%
L: 72 - 93%
2

2

2

3.3 Kết luận chƣơng
Luận án đã đề xuất phương pháp mới phân lớp ba nhóm tín
hiệu IHMv. Phương pháp 3IHMv_SVM2 sử dụng bộ đặc trưng 62
thuộc tính đề xuất để xây dựng vector đầu vào và mô hình phân
loại SVM cải tiến. Kết quả mô phỏng cho thấy khả năng phân loại
3 phân lớp IHMv của bộ phân loại với các thuộc tính đề xuất và

phương pháp phân loại có độ chính xác cao (>80%).
Bộ phân loại đề xuất được mô tả trong công bố (5) của tác
giả.

CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO
IHMv CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM
4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan
đến vận động của ngƣời Việt Nam
Do bản chất thống kê của tín hiệu EEG, tín hiệu IHMv thu
nhận có thể thay đổi dưới các điều kiện khác nhau như tuổi tác,
giới tính, tình trạng sức khỏe, nhiệt độ…Vì vậy, việc xây dựng
được các tập mẫu từ các đối tượng dưới các điều kiện xác định có
thể hỗ trợ trích xuất được các thông tin, kiến thức có ích và thông
qua các kỹ thuật phân tích dữ liệu. Từ đó có thể tạo ra các quyết
định có độ chính xác cao từ các dữ liệu thực tế. Bên cạnh đó, việc
xây dựng được tập dữ liệu sẽ đóng góp vào bộ cơ sở dữ liệu
IHMv chung của thế giới và giúp các nghiên cứu có thể thử
nghiệm, đánh giá được các thuật toán trích chọn đặc trưng hoặc
độ chính xác phân loại của mô hình. Mặt khác, vấn đề xây dựng
được các bộ cơ sở dữ liệu liên quan trực tiếp đến đặc điểm, cấu
trúc, sinh lý của người Việt nam có ý nghĩa rất lớn để đề ra những

Footer Page 23 of 89.

21


Header Page 24 of 89.
nghiên cứu, giải pháp phục vụ chính đối tượng người Việt nam.
Để xây dựng tập dữ liệu mẫu, tác giả sử dụng mô hình BCI2000

[111] trong đó quy định về việc xây dựng tập dữ liệu phục vụ
phân tích offline.
4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận
động/ tƣởng tƣợng vận động của đối tƣợng đo ngƣời Việt nam
Quy trình bao gồm: Thiết lập điều kiện đo, đối tượng đo,
môi trường đo, thiết kế thí nghiệm và định thời gian các tín hiệu
điện não liên quan đến vận động

Hình 4.8 Hướng dẫn
đối tượng thực hiện
tưởng tượng chuyển
động tay trái hoặc tay
phải

Hình 4.10. Thiết kế thí nghiệm đo điện
não của các đối tượng người Việt Nam

Hình 4.9. Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này
được sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình

Footer Page 24 of 89.

22


Header Page 25 of 89.
4.1.2 Kết quả và đánh giá bộ dữ liệu
Bộ dữ liệu thu nhận bằng hệ thống Exea Ultra tại phòng thí
nghiệm được thực hiện trên 12 đối tượng đo khác nhau. Mỗi đối
tượng sẽ thực hiện 7 chuyển động tưởng tượng và vận động tay

trái, 8 chuyển động tưởng tượng và vận động tay phải và xen giữa
là các khoảng thời gian nghỉ.
Số lượng mẫu thu được từ 12 đối tượng đo bao gồm: 240
mẫu trái, 210 mẫu phải và 420 mẫu nghỉ
Bộ dữ liệu đo tại phòng thí nghiệm được tiến hành theo sự
hướng dẫn của các chuyên gia về Điện não tại Việt nam. Các
thông số về môi trường đo, thông tin cá nhân của đối tượng đo
được ghi chép phục vụ nghiên cứu và phân tích.
Áp dụng phương pháp xây dựng vector đặc trưng tín hiệu
và bộ phân loại đề xuất trên 870 mẫu tín hiệu từ 12 đối tượng đo
người Việt Nam đã cho kết quả phân loại tốt. Độ chính xác phân
loại trung bình đạt 74%. Kết quả cho thấy khả năng ứng dụng của
hệ thống lên các đối tượng đo thực tế tại Việt Nam
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 động

Hình 4.15. Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra
tín hiệu điện não điều khiển tưởng tượng vận động chi trên dựa
trên bộ phân loại đề xuất
4.4 Kết luận chƣơng
Với mục tiêu xây dựng bộ dữ liệu điện não IHMv liên quan
đến đối tượng người Việt Nam, luận án đã xây dựng đươc bộ cơ
sở dữ liệu bao gồm 870 mẫu tín hiệu IHMv tại phòng thí nghiệm
EEGLab & ARM Rehabilitation và sử dụng hệ thống máy đo của

Footer Page 25 of 89.

23