luận văn thạc sĩ hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh

ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỊ ANH ĐÀO

HỆ THỐNG XỬ LÝ TÍN HIỆU ĐIỆN NÃO
TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINH

LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG

Hà Nội - 2019


ĐẠI HỌC QUỐC GIA HÀ NỘI
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

HỆ THỐNG XỬ LÝ TÍN HIỆU ĐIỆN NÃO
TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG KINH

Chuyên ngành: Kỹ thuật Viễn thông
Mã số: 9510302.02
LUẬN ÁN TIẾN SĨ CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ, TRUYỀN THÔNG

NGƯỜI HƯỚNG DẪN KHOA HỌC:
PGS. TS. NGUYỄN LINH TRUNG

Hà Nội - 2019
i


LỜI CAM ĐOAN

Tôi xin cam đoan luận án do tôi thực hiện. Những kết quả từ các công
trình của các tác giả khác mà tôi sử dụng trong luận án đều được trích dẫn
rõ ràng, cụ thể. Các kết quả tính toán, mô phỏng là trung thực.
Nếu có gì sai trái, tôi xin hoàn toàn chịu trách nhiệm.
Hà Nội, ngày 5 tháng 11 năm 2019
Nghiên cứu sinh

Nguyễn Thị Anh Đào

ii


LỜI CẢM ƠN

Trước tiên, tôi xin bày tỏ sự trân trọng, lòng biết ơn sâu sắc đến thầy
giáo, PGS. TS. Nguyễn Linh Trung, người đã tận tình hướng dẫn và định
hướng cho tôi thực hiện công trình nghiên cứu này. Trong quá trình thực
hiện đề tài, thầy là người luôn động viên, hỗ trợ và tận tình giúp đỡ những
lúc tôi cảm thấy khó khăn và giúp tôi vượt qua trở ngại.
Tôi xin gửi lời cảm ơn chân thành tới GS. TS. Karim Abed-Meraim, GS.
TS Boualem Boashash và PGS. TS. Trần Đức Tân, Ths. Lê Trung Thành, TS.
Nguyễn Việt Dũng, Ths. Nguyễn Văn Lý, TS. Lê Vũ Hà, Ths. Đinh Văn Việt,
Ths. Nguyễn Thế Hoàng Anh, Ths. Trương Minh Chính, TS. Trần Thị Thúy
Quỳnh những người đã góp phần hỗ trợ tôi về chuyên môn trong quá trình làm
luận án. Tôi xin bày tỏ lòng biết ơn sâu sắc đến Bác sĩ, TS. Hoàng Cẩm Tú,
người đã tận tâm hỗ trợ tôi hoàn thành bộ dữ liệu sử dụng trong luận án.

Tôi xin trân trọng cảm ơn Ban Giám hiệu Nhà trường, Khoa Điện tửViễn thông, phòng Đào tạo Trường Đại học Công nghệ, Đại học Quốc Gia
Hà Nội, đã giảng dạy, hướng dẫn và tạo điều kiện giúp đỡ tôi; đặc biệt là sự

quan tâm, động viên của TS. Nguyễn Hồng Thịnh, người đã thực sự quan
tâm và đối xử với tôi như một thành viên của Trường Đại học Công nghệ.
Tôi xin bày tỏ sự trân trọng, lòng biết ơn sâu sắc tới Đảng ủy, Ban Giám hiệu
Nhà trường, Khoa Điện tử viễn thông, Phòng tổ chức cán bộ Trường Đại học Kỹ
thuật Hậu cần Công an Nhân dân; đặc biệt là sự quan tâm, tạo điều kiện của
PGS. TS. Nguyễn Đăng Tiến, TS. Nguyễn Văn Căn, TS. Đặng Việt Xô, TS. Đặng
Văn Tuyên, TS. Phạm Thị Thúy Hằng và Ths. Phạm Xuân Cảnh đã hết sức hỗ trợ,
tạo mọi điều kiện thuận lợi cho tôi trong quá trình thực hiện đề tài.

Tôi xin cảm ơn những người thân trong gia đình, đặc biệt là chồng tôi
đã hỗ trợ tôi rất nhiều cả về vật chất và tinh thần để tôi có thể học tập đạt
kết quả tốt và thực hiện thành công luận án này.

iii


Luận án này được hỗ trợ bởi:
- Đề tài nghiên cứu khoa học mã số 102.02-2015.32 và đề tài mã số
102.04-2019.14, Quỹ Phát triển khoa học và công nghệ Quốc gia (National
Foundation for Science and Technology Development - NAFOSTED)
- Dữ liệu điện não đồ sử dụng trong luận án được sử dụng từ kết quả
của đề tài nghiên cứu khoa học mã số QG.10.40, Đại học Quốc Gia Hà Nội
Tôi xin chân thành cảm ơn!
Hà Nội, ngày 5 tháng 11 năm 2019

Nguyễn Thị Anh Đào

iv

MỤC LỤC

Trang phụ bìa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Lời cam đoan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

i
ii

Lời cảm ơn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Mục lục . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1

Danh mục ký hiệu và chữ viết tắt . . . . . . . . . . . . . . . . . . . . . . . . . .

4

Danh mục các bảng . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

Danh mục hình vẽ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
MỞĐẦU....................................... 15

CHƯƠNG1.CƠSỞVÀTỔNGQUAN..................... 26
1.1.

Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.2.

Điện não đồ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1.3.

Động kinh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

1.4.

Chuẩn đo quốc tế 10-20 . . . . . . . . . . . . . . . . . . . . . . . . . . 29

1.5.

Cơ sở dữ liệu EEG sử dụng trong luận án . . . . . . . . . . . . . . . . . 30
1.5.1.

Đo đạc và thu thập dữ liệu . . . . . . . . . . . . . . . . . . . . . 30

1.5.2.

Tiền xử lý dữ liệu EEG . . . . . . . . . . . . . . . . . . . . . . . 32

1.5.3.

Cơ sở dữ liệu EEG . . . . . . . . . . . . . . . . . . . . . . . . . 33

1.6.

Ma trận đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

1.7.

Đường cong ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1.8.

Các khái niệm cơ bản về ten-xơ . . . . . . . . . . . . . . . . . . . . . . 38

1.9.

Phân tích ten-xơ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
1.9.1.

Phân tích CP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

1.9.2.

Phân tích Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . 43

1.10.Xấp xỉ hạng thấp đa tuyến tính cho các ten-xơ . . . . . . . . . . . . . . 44
1.10.1. Phân tích CP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.10.2. Phân tích Tucker . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.10.3. Phân tích ten-xơ với ràng buộc không âm . . . . . . . . . . . . 46
1.10.4. Phân tích CP với ràng buộc không âm . . . . . . . . . . . . . . 48
1.10.5. Phân tích Tucker với ràng buộc không âm . . . . . . . . . . . . 48
1


1.11.Kết luận chương 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49

CHƯƠNG 2. HỆ THỐNG ĐA BƯỚC TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG

KINHĐƠNKÊNH................................. 51
2.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
51
2.2. Hệ thống đa bước tự động phát hiện gai động kinh đơn kênh . . . . . . 52
2.2.1.

Tiền xử lý . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

2.2.2.

Trích xuất đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . 57

2.2.3.

Phân loại . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

2.2.4.

Hệ chuyên gia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

2.3. Đường cong ROC tổng hợp cho hệ thống đa bước . . . . . . . . . . . . 62
2.3.1. Sự phụ thuộc của SEN và p1 SPEq vào ngưỡng quyết định . . 62
2.3.2. Ước lượng đường cong ROC tổng hợp cho hệ thống đa bước . . 66
2.4. Mô phỏng và thảo luận . . . . . . . . . . . . . . . . . . . . . . . . . . .

70

2.4.1.

Dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

2.4.2.

Ma trận đánh giá . . . . . . . . . . . . . . . . . . . . . . . . . . 70

2.4.3.

Kết quả mô phỏng và thảo luận . . . . . . . . . . . . . . . . . . 73

2.5. Kết luận chương 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

77

CHƯƠNG 3. HỆ THỐNG ĐA BƯỚC TỰ ĐỘNG PHÁT HIỆN GAI ĐỘNG
KINH ĐA KÊNH DỰA TRÊN PHÂN TÍCH TEN-XƠ . . . . . . . . . . . . 80
3.1. Giới thiệu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
3.2. Phương pháp xấp xỉ hạng thấp đa tuyến tính đồng thời mở rộng cho
các ten-xơ (SMLRAT) . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1.

81

Mối liên hệ giữa SLRAM và phân tích ten-xơ . . . . . . . . . . 81

3.2.2. Xấp xỉ hạng thấp đa tuyến tính đồng thời mở rộng cho các ten-xơ 82
3.3. Hệ thống đa bước phát hiện gai động kinh đa kênh dựa trên phân tích
ten-xơ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

85

3.3.1.

Biểu diễn dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . 86

3.3.2.

Trích xuất đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . 87

3.3.3.

Lựa chọn đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.3.4.

Phân loại . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

3.4. Kết quả mô phỏng và thảo luận . . . . . . . . . . . . . . . . . . . . . .
3.4.1.

92

Biểu diễn dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . 93
2


3.4.2.
3.4.3.

Trích xuất đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . 93
Lựa chọn đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . . 96

3.4.4.

Phân loại . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

3.5. Phương pháp lựa chọn đặc trưng mới cho hệ thống đa bước phát hiện
gai động kinh đa kênh dựa trên phân tích ten-xơ . . . . . . . . . . . . . 119

3.6.

3.5.1.

Phương pháp . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

3.5.2.

Mô phỏng và đánh giá . . . . . . . . . . . . . . . . . . . . . . . 122

Kết nối với các nghiên cứu liên quan . . . . . . . . . . . . . . . . . . . 123
3.6.1. Kết nối với phân tích thành phần đồng thời . . . . . . . . . . . . 125
3.6.2. Kết nối với phân tích không gian con đồng thời . . . . . . . . . 125
3.6.3. Kết nối với phân tích thành phần chính đa tuyến tính . . . . . . 126

3.7.

Kết luận chương 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
KẾTLUẬNVÀKIẾNNGHỊ............................ 129

DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN
LUẬNÁN ...................................... 132
TÀILIỆUTHAMKHẢO.............................. 134
PHỤLỤCA.CHỨNGMINHĐỊNHLÝ3.1 . . . . . . . . . . . . . . . . . . . 146
PHỤLỤCB.CHỨNGMINHHỆQUẢ3 . . . . . . . . . . . . . . . . . . . . . 147
PHỤLỤCC.CHỨNGMINHHỆQUẢ5 . . . . . . . . . . . . . . . . . . . . . 148

3


DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT

Danh mục ký hiệu
STT

Ký hiệu

1

R

2

R

3

chữ thường, chữ in nghiêng

Giải thích
Tập số thực

N

Không gian véc-tơ thực N chiều
Đại lượng vô hướng

hoặc chữ hoa in hoa, ví dụ a, N
4

chữ thường in đậm, ví dụ a

Đại lượng véc-tơ, các thành phần của véc-tơ a
được ký hiệu là ai

5

chữ in hoa in đậm, ví dụ U

Ma trận, các thành phần của ma trận U được ký
hiệu là uij

6

chữ in hoa nghiêng in đậm, ví Ten-xơ, các thành phần của ten-xơ X được ký
dụ X

7
8

9

hiệu là x

i1i2:::in

Tích ngoại

b
d

Tích Kronecker
Tích Khatri-Rao

10

Tích Hadamard

11

xX; Yy

Tích nội của ten-xơ X và ten-xơ Y

12

pq#

Giả nghịch đảo của ma trận

13

tr

14

pq
}A}

Trace của ma trận

pq

pq

Chuẩn của ten-xơ A

15

}X

Chuẩn Frobenius của ten-xơ X

16

xA; By

Tích nội của ten-xơ A và ten-xơ B có cùng kích

17

A`B

Xếp chồng của ten-xơ A với ten-xơ B

18

pk q

Mode (chế độ) của ma trận hoặc ten-xơ

}F

thước

4


¤n

19 Apkq của ten-xơ A bậc n

Mode-k (chế độ k) của ten-xơ A, k

20

Phép nhân k-mode của ten-xơ A với ma trận U

AkU

21 x

i1i2:::iN

22

Phần tử của ten-xơ X

P RI I :::I
12

N

Ten-xơ đường chéo

p q

23 rank Uk

Hạng của ma trận Uk

24 G

Ten-xơ lõi

25 t iu r
i1
26

Các phần tử đường chéo của ten-xơ lõi G

p q

Ma trận đường chéo

27 vec U

Véc tơ hóa ma trận U

28

Độ lệch chuẩn

29

Ma trận hiệp phương sai

30
31

pf iq

Điểm Fisher của đặc trưng fi
Ngưỡng quyết định

5


DANH MỤC CHỮ VIẾT TẮT
STT

Chữ
Giải thích tiếng Anh
viết tắt
Two-dimensional Linear
Discriminant Analysis

Giải thích tiếng Việt

1

2dLDA

2

CP/
Canonical Polydadic/
PARAFAC Parallel Factor Analysis

3

CSA

Concurrent Subspaces Analysis Phân tích không gian con đồng
thời

4

CWT

Continuous Wavelet Transform Biến đổi sóng con liên tục

5

EEG

Electroencephalogram

Điện não đồ

6

FHWA

First Half Wave Amplitude

Biên độ cạnh trước

7

FHWD

First Half Wave Duration

Thời gian tồn tại cạnh trước

8

FHWS

First Half Wave Slope

Độ dốc cạnh trước

9

GLRAM

Generalized Low Rank
Approximations Matrix

Xấp xỉ hạng thấp mở rộng của các
ma trận

10

GSLRAT

Generalized Simultaneous
Multilinear LRA of Tensors

Xấp xỉ hạng thấp đa tuyến tính mở
rộng cho các ten-xơ đồng thời

11

HODA

Higher Order Discriminant
Analysis

Phân tích phân biệt bậc cao

12

HOOI

Higher-order Orthogonal
Iteration

Lặp trực giao bậc cao

13

HOSVD

Higher-Order Singular Value
Decomposition

Phân tích giá trị riêng bậc cao

14

ILFS

Infinite Latent Feature Selection Lựa chọn đặc trưng ẩn không giới
hạn

15

KMC

K-means Clustering

Phân cụm K-Means

16

LLCFS

Feature Selection For Local
Learning-based Clustering

Lựa chọn đặc trưng để phân cụm
dựa trên học địa phương

17

LMRTA

Low Multilinear Rank Tensor
Approximation

Xấp xỉ hạng thấp đa tuyến tính cho
ten-xơ

18

LRA

Low Rank Approximation

Xấp xỉ hạng thấp

19

LRAT

Low-rank Approximation Of
Tensor

Xấp xỉ hạng thấp cho các ten-xơ

6

Phân tích tuyến tính riêng biệt hai
chiều
Phân tích phần tử song song


20 LRMA

Low-rank Matrix
Approximation

Xấp xỉ hạng thấp cho các ma trận

21 M-PCA

Multilinear Principal
Component Analysis

Phân tích các thành phần chính đa
tuyến tính

22 MR-NTD

Manifold Regularization
Nonnegative Tucker
Decomposition

Phân tích Tucker chính tắc với
ràng buộc không âm

23 NCP

Nonnegative CP Decomposition Phân tích CP với ràng buộc không
âm

24 NMF

Nonnegative Matrix
Factorization

Hệ số hóa ma trận với ràng buộc
không âm

25 NTD

Nonnegative Tucker
Decomposition

Phân tích Tucker với ràng buộc
không âm

26 NTF

Nonnegative Tensor
Decomposition

Phân tích tensor với ràng buộc
không âm

27 PCA

Principal Component Analysis Phân tích các thành phần chính

28 PNES

Psychogenic Non-Epileptic
Seizure

Xung không động kinh tâm lý

29 ROC

Receiver Operating
Characteristic

Đường cong đặc trưng hoạt động
của bộ thu nhận

30

SCA

Simultaneous Component
Analysis

Phân tích thành phần đồng thời

31

SHWA

Second Half Wave Amplitude

Biên độ cạnh sau

32

SHWD

Second Half Wave Duration

Thời gian tồn tại cạnh sau

33

SHWS

Second Half Wave Slope

Độ dốc cạnh sau

34

SLMRA

Simultaneous Low Multilinear
Rank Approximation

Xấp xỉ hạng thấp đa tuyến tính
đồng thời

35

SLRAM

Simultaneous Low Rank
Approximation Of Multiple
Matrices

Xấp xỉ hạng thấp cho các ma trận
đồng thời

36

SLRAT

Simultaneous Low Rank

Approximation Of Multiple
Tensors

Xấp xỉ hạng thấp cho các ten-xơ
đồng thời

37

SM-PCA

Sparse Multilinear Principal
Component Analysis

Phân tích thành phần chính đa
tuyến tính thưa

7


38

SVD

Singular Value Decomposition Phân tích giá trị riêng

39

SVM

Support Vector Machine

Máy vectơ hỗ trợ

40 UDFS

Unsupervised Discriminative
Feature Selection

Lựa chọn đặc trưng phân biệt
không giám sát

41 UM-PCA

Unconstrained Multilinear
Phân tích các thành phần chính đa
Principal Component Analysis tuyến tính không ràng buộc

8


DANH MỤC CÁC BẢNG

Bảng 1.1:
Tập dữ liệu EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Bảng 1.2: Kết quả xét nghiệm và tình trạng của bệnh. . . . . . . . . . . . . 34
Bảng 2.1:

Tập dữ liệu huấn luyện . . . . . . . . . . . . . . . . . . . . . . . 70

Bảng 2.2:

Tập dữ liệu kiểm tra . . . . . . . . . . . . . . . . . . . . . . . . . 71

Bảng 2.3: Kết quả phát hiện gai động kinh của hệ thống theo từng bước . .

73

Bảng 2.4: Tỉ lệ dương tính thật (SEN) và tỉ lệ âm tính thật (SPE) . . . . . . 73
Bảng 2.5: Tỉ lệ dương tính thật trung bình (SENtb) theo các phương pháp . 74
Bảng 2.6: Kết quả của hệ thống sau bộ phân loại ANN khi chưa sử dụng
hệ chuyên gia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Bảng 2.7: Kết quả ước lượng ROC tổng hợp của hệ thống đa bước . . . . .
Bảng 3.1:

77

Tập dữ liệu EEG . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

Bảng 3.2: Hiệu suất phát hiện gai động kinh của mô hình CP-KNN sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . 102
Bảng 3.3: Hiệu suất phát hiện gai động kinh của mô hình NCP-KNN sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . 103
Bảng 3.4: Hiệu suất phát hiện gai động kinh của mô hình TD-KNN sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . 103
Bảng 3.5: Hiệu suất phát hiện gai động kinh của mô hình NTD-KNN sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . 104
Bảng 3.6: Hiệu suất phát hiện gai động kinh của mô hình CP-NB sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Bảng 3.7: Hiệu suất phát hiện gai động kinh của mô hình NCP-NB sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Bảng 3.8: Hiệu suất phát hiện gai động kinh của mô hình TD-NB sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Bảng 3.9: Hiệu suất phát hiện gai động kinh của mô hình NTD-NB sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . 106
9


Bảng 3.10:Hiệu suất phát hiện gai động kinh của mô hình CP-DT sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Bảng 3.11:Hiệu suất phát hiện gai động kinh của mô hình NCP-DT sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Bảng 3.12:Hiệu suất phát hiện gai động kinh của mô hình TD-DT sử dụng
xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Bảng 3.13:Hiệu suất phát hiện gai động kinh của mô hình NTD-DT sử
dụng xác thực chéo LOOC . . . . . . . . . . . . . . . . . . . . . . . . . 109
Bảng 3.14:Hiệu suất phát hiện gai động kinh của mô hình NTD-SVM dựa
trên phương pháp đề xuất bởi Phan-Cichocki . . . . . . . . . . . . . . . 110
Bảng 3.15:Hiệu suất phát hiện gai động kinh của mô hình NTD-KNN dựa
trên phương pháp được đề xuất bởi Phan-Cichocki . . . . . . . . . . . 111
Bảng 3.16:Hiệu suất phát hiện gai động kinh của mô hình NTD-NB dựa
trên phương pháp được đề xuất bởi Phan-Cichocki . . . . . . . . . . . 111
Bảng 3.17:Hiệu suất phát hiện gai động kinh của mô hình NTD-DT dựa
trên phương pháp được đề xuất bởi Phan-Cichocki . . . . . . . . . . . 112
Bảng 3.18:Hiệu suất phát hiện gai động kinh của mô hình NTD-SVM sử
dụng xác thực chéo LOOCV . . . . . . . . . . . . . . . . . . . . . . . 115
Bảng 3.19:Hiệu suất phát hiện gai động kinh sử dụng các mô hình học máy
khác nhau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
Bảng 3.20:Xếp chồng các ten-xơ, sử dụng các bộ phân loại SVM, KNN,
NB và DT với 500 đặc trưng có ý nghĩa nhất. . . . . . . . . . . . . . . . 117

10


DANH MỤC HÌNH VẼ

Hình 1.1 Dữ liệu điện não đồ một bệnh nhân trong tập dữ liệu luận án sử
dụng. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Hình 1.2

Điện não đồ có chứa gai động kinh [114]. . . . . . . . . . . . . . 28

Hình 1.3

Hình thái của một số gai động kinh [114]. . . . . . . . . . . . . . 28

Hình 1.4

Vị trí các điện cực đo điện não theo chuẩn quốc tế 10 20 [73]. . 29
Hình 1.5 Mặt bên của hộp sọ biểu diễn các điểm đo từ điểm hốc mũi
(nasion) đến mấu ngoài xương chẩm (inion) [73]. . . . . . . . . . . . . 29
Hình 1.6
Hình 1.7

Mặt phía trước của hộp sọ theo chuẩn đo quốc tế 10 20 [73]. . . 30
Các điện cực [117]. . . . . . . . . . . . . . . . . . . . . . . . . . 31

Hình 1.8

Vị trí các điện cực (22, 23) để đo nhiễu mắt [117]. . . . . . . . . 31

Hình 1.9

Vị trí các điện cực (30, 31) để đo nhiễu cơ [117]. . . . . . . . . . 31

Hình 1.10

Đường cong ROC. . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Hình 1.11 Cột, dòng và ống của các chế độ của ten-xơ bậc ba . . . . . . . . 38
Hình 1.12 Các lát nằm ngang, ở bên và mặt trước của ten-xơ bậc ba . . . . . 39
Hình 1.13

Ma trận hóa một ten-xơ bậc 3 . . . . . . . . . . . . . . . . . . . . 42

Hình 1.14 Phân tích CP của ten-xơ X bậc ba X P R thành R thành
phần. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Hình 1.15
44
IJK
Phân tích Tucker của ten-xơ bậc ba X P R
.........
Hình 2.1 Sơ đồ khối của hệ thống đa bước tự động phát hiện gai động kinh
IJK

đơn kênh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Hình 2.2 Một số gai động kinh thực tế trong tập dữ liệu. Đường tròn màu
đỏ minh họa vị trí đỉnh gai động kinh và hình ngôi sao minh họa vị trí
đỉnh gai không động kinh. . . . . . . . . . . . . . . . . . . . . . . . . . 54
Hình 2.3

Sáu đặc trưng của một đỉnh gai động kinh [6]. . . . . . . . . . . . 55

Hình 2.4

Mạng nơ-ron gồm 3 perceptron. . . . . . . . . . . . . . . . . . . . 55

Hình 2.5 Bẩy đặc trưng của một gai động kinh trong một thang tỉ lệ biến
đổi sóng con [81]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
11


Hình 2.6 a) Gai động kinh (b) hệ số biến đổi sóng con của 56 mẫu của một
gai động kinh trong 10 thang tỉ lệ. . . . . . . . . . . . . . . . . . . . . 59
Hình 2.7 Cấu trúc của mạng ANN được sử dụng trong hệ thống đa bước. . 60
Hình 2.8 Ngưỡng quyết định cho phép tách không gian đo thành hai
không gian con biểu diễn hai lớp trong tập dữ liệu. . . . . . . . . . . . 63
Hình 2.9 Hàm phân bố mật độ xác suất của phân bố Gauss và phân bố
Logistic. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Hình 2.10 Hàm tích lũy đảo của phân bố Logistic (hàm probit) và phân bố
Gauss (hàm logit). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
Hình 2.11 Kết quả của hệ thống tự động phát hiện gai động kinh theo từng
bước. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Hình 2.12 Đường cong ROC của mạng ANN trên tập dữ liệu huấn luyện và
tập dữ liệu kiểm tra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
Hình 2.13 Đường cong ROC tổng hợp của hệ thống đa bước tự động phát
hiện gai động kinh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Hình 3.1 Hệ thống phát hiện gai động kinh đa kênh dựa trên phân tích ten-xơ. 86
Hình 3.2 Phổ giá trị riêng trong 3 chế độ của ten-xơ động kinh. Với mỗi
chế độ, hình bên trên (màu xanh) ứng với tập các giá trị riêng, hình

bên dưới (màu đỏ) ứng với phổ phương sai của chúng.
.......
95

..

Hình 3.3 Ma trận thời gian chung A P R5615 thu được từ phép phân tích
Tucker với ràng buộc không âm của ten-xơ động kinh và ten-xơ không

Hình 3.4 Ma trận thang tỉ lệ B P R
thu được từ phép phân tích NTD.
Trục x biểu diễn số thành phần (các véc tơ cột), trục y biểu diễn 20
thang tỉ lệ trong dải thang tỉ lệ từ thang tỉ lệ 4 đến thang tỉ lệ 8. . . . . . 98
2010

Hình 3.5 Ma trận kênh chung C P R

1919

12

của ten-xơ gai động kinh thu


Hình 3.6 Các ma trận A,

B thu được sử dụng các phương pháp phân tích

ten-xơ (NTD, TD, NCP) của ten-xơ động kinh. Trục x biểu diễn số
thành phần (các véc tơ cột), trục y của ma trận thời gian chung A biểu

diễn 56 mẫu theo thời gian và trục y của ma trận thang tỉ lệ chung B
biểu diễn 20 thang tỉ lệ trong dải thang tỉ lệ từ thang tỉ lệ 4 đến thang tỉ

lệ 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Hình 3.7 Điểm Fisher (dấu màu xanh) và trị số p (dấu màu đỏ) của các
đặc trưng. Các đặc trưng được xắp xếp dựa vào điểm fisher của chúng.

Mức có ý nghĩa p 0:05 được sử dụng để đưa ra quyết định loại bỏ giả

thiết đảo H0, loại bỏ các đặc trưng có giá trị p ¡ 0:05.

.........

101
Hình 3.8 Véc tơ gồm 10 đặc trưng có ý nghĩa nhất được lựa chọn cho
lớp gai động kinh và lớp gai không động kinh. Các véc tơ đặc trưng
của hai gai động kinh là tương tự nhau, véc tơ của hai gai không
động kinh

là khác nhau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Hình 3.9 Hiệu suất phân loại theo số lượng đặc trưng được lựa chọn . . . . 102
Hình 3.10 Hiệu suất phát hiện gai động kinh của mô hình KNN khi áp dụng
phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương
pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . . . 104

Hình 3.11 Hiệu suất phát hiện gai động kinh của mô hình NB khi áp dụng
phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương

pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . .
107

Hình 3.12 Hiệu suất phát hiện gai động kinh của mô hình DT khi áp dụng
phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương

pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . .
109
Hình 3.13 Hiệu suất phát hiện gai động kinh của 4 bộ phân loại sử dụng các

đặc trưng được trích xuất bởi phương pháp của Phan-Cichocki.
. . . . 113
Hình 3.14 Hiệu suất phát hiện gai động kinh của SVM với các đặc trưng sử
dụng các phương pháp phân tích ten-xơ: CP, NCP, TD và NTD. . . . . 114


Hình 3.15 Hiệu suất phát hiện gai động kinh với các đặc trưng được trích
xuất sử dụng NTD với bộ phân loại SVM, KNN, NB và DT. . . . . . . 116
13


Hình 3.16 Đường cong ROC của hệ thống phát hiện gai động kinh đa kênh
sử dụng (a) Phương pháp phát hiện gai động kinh dựa trên phân tích
ten-xơ và (b) Phương pháp xếp chồng các ten-xơ . . . . . . . . . . . . 118
Hình 3.17 Hệ thống phát hiện gai động kinh đa kênh sử dụng phương pháp
lựa chọn đặc trưng kết hợp 2 phương pháp lựa chọn đặc trưng là điểm
Fisher và trị số p. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Hình 3.18 Trị số p là xác suất xảy ra một kết quả quan sát được với giả thiết
đảo H0 là đúng. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Hình 3.19 Điểm Fisher (dấu màu xanh) và trị số p (dấu màu đỏ) của các
đặc trưng. Các đặc trưng được xắp xếp dựa vào điểm fisher của chúng.
Mức có ý nghĩa p 0:05 được sử dụng để đưa ra quyết định loại bỏ giả

thiết đảo H0, loại bỏ các đặc trưng có giá trị p ¡ 0:05. . . . . . . . . . 123
Hình 3.20 Giá trị SEN, ACC và AUC của hệ thống theo số lượng các đặc
trưng được lựa chọn sử dụng các phương pháp lựa chọn đặc trưng sử
dụng bộ phân loại SVM. . . . . . . . . . . . . . . . . . . . . . . . . . . 124

14


MỞ ĐẦU

1. Bối cảnh nghiên cứu
Động kinh (epilepsy) là một rối loạn thần kinh và là một trong những rối loạn nghiêm
trọng phổ biến nhất của bộ não, được đặc trưng bởi sự xuất hiện xung động kinh lặp đi
lặp lại nhiều lần. Bệnh động kinh chiếm 1% trong số các bệnh tật trên toàn cầu. Theo
nghiên cứu [10] năm 2010, trên thế giới có khoảng 50 triệu người mắc bệnh động kinh,
gần 40 triệu người bị động kinh ở các nước phát triển, trong đó 80

90% người bị động

kinh không được điều trị [17, 107]. Khoảng 4 tỷ người ( 50% dân số toàn cầu) sống ở châu
Á, trong đó khoảng 23 triệu người mắc bệnh động kinh [116].

Chẩn đoán bệnh tức là dựa vào triệu chứng của bệnh nhân và một số xét
nghiệm lâm sàng, cận lâm sàng để các bác sĩ xác định bệnh nhân có bị bệnh hay
không. Trong chẩn đoán bệnh động kinh, bác sĩ dựa vào nhận biết các triệu chứng
đặc trưng của từng cơn, dấu hiệu thần kinh và tâm thần, tuổi khởi phát và căn nguyên
của các cơn co giật lâm sàng. Một xét nghiệm lâm sàng quan trọng hay được sử
dụng nhất để chẩn đoán và theo dõi tiến triển của bệnh động kinh là đo điện não đồ
của bệnh nhân. Điện não đồ (EEG – Electroencephalogram) là cách sử dụng mũ điện
cực ghi lại các hoạt động điện của não bộ. Dựa vào quan sát dữ liệu điện não đồ, bác

sĩ có thể chẩn đoán bệnh động kinh, thể loại động kinh và khu vực não bị tổn thương,
thông qua các dấu ấn sinh học của động kinh được thể hiện trên điện não đồ. Dấu ấn
sinh học của động kinh gồm xung động kinh (epileptic seizure) và một số dạng sóng
động kinh như gai động kinh (epileptic spike), sóng sắc (sharp wave), phức hợp gai
và sóng, đa gai. Với các xét nghiệm lâm sàng, bác sĩ chỉ quan sát được gai động kinh
trên điện não đồ của bệnh nhân. Xung động kinh của bệnh nhân được ghi lại khi bệnh
nhân được theo dõi điện não đồ 24{24 giờ trong bệnh viện. Gai động kinh xuất hiện
trên điện não đồ trước hoặc sau cơn động kinh [60].

Tại Việt Nam, việc chẩn đoán nhầm bệnh động kinh ở tuyến huyện và
tỉnh xảy ra khá phổ biến do hai nguyên nhân như sau:
Thứ nhất, các bác sĩ chuyên khoa phân tích và chẩn đoán bệnh động kinh từ dữ
15


liệu thô (chưa được xử lý bậc cao) được đo trực tiếp từ máy đo điện não. Tín
hiệu điện não thô thông thường chứa nhiều loại nhiễu như nhiễu điện lưới,
nhiễu mắt, nhiễu cơ dẫn đến việc quan sát các gai động kinh khó khăn.
Thứ hai, theo chuẩn đo điện não quốc tế, tín hiệu điện não đo trong khoảng
thời gian ít nhất là 20 phút. Đối với một số trường hợp cụ thể, tín hiệu điện não
phải được giám sát 24{24. Tuy nhiên, ở Việt Nam, do số lượng bệnh nhân lớn,
các bệnh viện bị quá tải nên thông thường, các bệnh nhân được đo tín hiệu điện
não để bác sĩ chẩn đoán bệnh chỉ trong khoảng thời gian là 10 phút. Điều này dễ
dẫn đến việc có thể không phát hiện ra bệnh động kinh đối với bệnh nhân bị bệnh
động kinh hoặc chẩn đoán nhầm thể loại bệnh động kinh.

Việc chẩn đoán nhầm bệnh động kinh có thể dẫn đến nhiều hệ lụy. Ví dụ,
có những bệnh nhân bị động kinh nhưng thời gian đo ngắn, tín hiệu có nhiều
nhiễu không được xử lý lọc nhiễu nên bác sĩ không phát hiện ra bệnh, dẫn đến
trường hợp người bệnh bị bệnh động kinh nhưng không được điều trị. Bệnh

động kinh có nhiều loại động kinh khác nhau, việc chẩn đoán không chính xác
dẫn đến việc cho thuốc động kinh không đúng loại có thể gây ra những tác
dụng phụ không mong muốn và có trường hợp làm bệnh trở thành nặng hơn.
Trong gần 40 năm qua, đã có nhiều công trình nghiên cứu về nhận biết các dấu
ấn sinh học (biomarker) của bệnh động kinh như nhận biết xung động kinh (seizure)
kết hợp với lâm sàng và một số xét nghiệm khác để chẩn đoán các thể động kinh. Một
số công trình nghiên cứu về phát hiện xung động kinh được đề xuất trong [4, 44, 45,
67, 119, 120] và phát hiện gai động kinh trong [43, 45]. Xung động kinh thường khó
xuất hiện trong thời gian đo khi làm xét nghiệm lâm sàng. Xung động kinh đo được khi
bệnh nhân được đo giám sát 24{24 trong bệnh viện. Ở Việt Nam rất ít khi đo giám sát

{

24 24, trừ khi bệnh nhân bị bệnh nặng và cần phẫu thuật bỏ phần não tổn thương gây

nên động kinh để điều trị. Vì vậy, rất khó khăn để có được dữ liệu điện não đồ có
chứa xung động kinh ở Việt Nam để nghiên cứu. Mặt khác, khi bệnh nhân xuất hiện
xung động kinh tức là trường hợp bệnh nhân đã bị bệnh nặng. Ngoài ra, các hoạt
động khác của não hoặc nhiễu (do điều kiện ghi điện não chưa theo chuẩn quốc tế)
có thể tạo ra các gai không động kinh (giả gai) trên tín hiệu EEG, dễ gây nhầm lẫn
cho bác sĩ dẫn đến hiện tượng chẩn đoán nhầm bệnh. Vì vậy, để hỗ trợ cho các bác
sĩ trong việc chẩn đoán, phát hiện bệnh động kinh ngay trong giai đoạn bệnh còn

16


nhẹ, tức là xuất hiện gai động kinh trong tín hiệu điện não đồ, luận án đặt
ra vấn đề nghiên cứu hệ thống xử lý tín hiệu điện não tự động nhận biết gai
động kinh, sử dụng các kỹ thuật xử lý tín hiệu tiên tiến nhằm tăng tính
khách quan và độ chính xác trong việc phát hiện gai động kinh.

2. Tổng quan về các vấn đề nghiên cứu
Do việc dò gai thủ công tốn rất nhiều thời gian của bác sĩ nên việc xây dựng các
hệ thống để phát hiện gai động kinh tự động là hướng nghiên cứu đang được quan
tâm ở Việt Nam cũng như trên thế giới. Việc tự động phát hiện gai động kinh có thể
cung cấp thông tin về mật độ gai và hội chứng của bệnh động kinh. Trong những năm
vừa qua, đã có nhiều công trình nghiên cứu về tự động phát hiện gai động kinh như
trong [5, 43, 52, 81, 94, 95, 97, 109, 127]. Tuy nhiên, việc nghiên cứu về tự động phát
hiện gai động kinh vẫn gặp khó khăn do một số nguyên nhân như sau
Khó khăn đầu tiên là định nghĩa về gai động kinh, không có định nghĩa chính xác
về gai động kinh [45]. Thực tế, số lượng gai động kinh trên điện não đồ là nhỏ hơn rất
nhiều so với số gai không phải là gai động kinh, vì vậy, có thể có những trường hợp
hai bác sĩ khác nhau có thể sẽ không đánh dấu cùng một sự kiện là gai động kinh.

Thứ hai, việc xây dựng và phát triển tập huấn luyện về gai rất tốn kém
và mất nhiều thời gian do có sự khác nhau về hình thái của gai động kinh
đối với các bệnh nhân khác nhau.
Ở Việt Nam, việc sử dụng các bản ghi EEG trong chẩn đoán và điều trị
bệnh động kinh vẫn còn ở giai đoạn sơ khai do một số lý do như sau: (i) sự
khan hiếm của các bác sĩ thần kinh có kinh nghiệm có thể đưa ra các phân tích
chất lượng cao dựa trên thông tin thần kinh điện, (ii) thời gian làm xét nghiệm
lâm sàng là ghi điện não đồ ngắn hơn (10 phút) so với thời gian ghi điện não đồ
theo chuẩn quốc tế thông thường (thời gian ghi điện não tối thiểu là 20 phút) và
(iii) có nhiều nhiễu do môi trường ghi điện não chưa chuẩn gây ra. Hai lý do là
(ii) và (iii) làm cho công việc của các bác sĩ thần kinh ở Việt Nam trở nên khó
khăn hơn các đồng nghiệp quốc tế. Chính vì hai lý do này đã dẫn đến tỷ lệ phát
hiện nhầm bệnh động kinh cao. Vì vậy, để hỗ trợ các bác sĩ cải thiện chất
lượng và chẩn đoán bệnh động kinh đang là một trong những vấn đề cấp thiết.
Trong nhiều thập kỷ qua, nhiều phương pháp khác nhau đã được đề xuất để giải

17


quyết vấn đề phát hiện gai động kinh. Một số phương pháp so sánh các tham số điện
của các dạng sóng EEG với các ngưỡng thực tế của gai động kinh [46, 77]. Trong
nghiên cứu [98] Pfurtscheller và đồng nghiệp đã đề xuất một số kỹ thuật lọc để phát
hiện gai động kinh. Trong [47], Gotman và đồng nghiệp đã phát triển một hệ thống
phát hiện gai động kinh, nhạy với các trạng thái khác nhau của tín hiệu EEG. Trong
một số nghiên cứu đánh giá gần đây, các phương pháp phát hiện tự động gai động
kinh được phân loại thành các nhóm khác nhau dựa trên các đặc điểm thần kinh học
[60] hoặc các kỹ thuật [120]. Để khái quát lại các nghiên cứu về các hệ thống tự động
phát hiện gai động kinh đã có, luận án chia các hệ thống phát hiện gai động kinh tự
động thành hai nhóm dựa vào cấu trúc của hệ thống là các hệ thống đơn giản và các
hệ thống đa bước. Các hệ thống phát hiện gai động kinh đơn giản thường có cấu trúc
đơn giản, sử dụng một hoặc hai phương pháp xử lý tín hiệu hoặc học máy để phát
hiện gai động kinh tự động. Các hệ thống phát hiện gai động kinh đa bước được xây
dựng dựa trên sự kết hợp nhiều phương pháp xử lý tín hiệu, kỹ thuật học máy, tận
dụng lợi thế của từng kỹ thuật để thu thập và trích chọn các đặc trưng phù hợp, xử lý
và phân loại thông tin. Một số hệ thống đơn giản được trình bày trong [43, 94, 95, 97,
109, 127] sử dụng một số kỹ thuật như phân tích thành phần độc lập (Principal
Component Analysis - PCA), phân cụm K-means (K-Means clustering), máy vectơ hỗ
trợ (Support Vector Machine - SVM), mạng nơ-ron nhân tạo (Artificial Neural Network
- ANN). Một số hệ thống đa bước có thể kể đến như [6, 52, 81] kết hợp sử dụng nhiều
phương pháp xử lý tín hiệu như lọc nhiễu, biến đổi sóng con, mạng nơ-ron nhận tạo
và hệ chuyên gia. Trong các hệ thống đã đề xuất để phát hiện gai động kinh thì thông
thường hệ thống đa bước có hiệu suất cao hơn các hệ thống đơn giản. Tuy nhiên, hai
hệ thống đa bước đã được đề xuất bởi [6, 81] vẫn còn một số hạn chế. Thứ nhất, hai
phương pháp đa bước hiện hành chưa xử lý hiệu quả, việc sử dụng số lượng thang tỉ
lệ của biến đổi sóng con chưa tối ưu, quá nhiều thang tỉ lệ nên có thể dẫn đến tốc độ
xử lý chậm [Hạn chế 1]. Thứ hai, còn khá nhiều giả gai trong khi chưa khai thác được

mối liên hệ theo thời gian giữa các gai gần nhau [Hạn chế 2].
Hầu hết các hệ thống phát hiện gai động kinh đã trình bày trên tập trung vào
phân tích dữ liệu EEG trên một kênh tại một thời điểm, không xử lý các tín hiệu điện
não đồng thời trên nhiều kênh. Indiradevi trong [60] đã đề xuất một hệ thống phát hiện
dựa trên phân tích đa mức, đa phân giải nhằm kết hợp đồng thời các thông tin

18


EEG trong miền thời gian, tần số và không gian để tự động xác định các gai
động kinh.
Trong thực tế, dữ liệu EEG là không dừng, thay đổi theo thời gian và theo từng
bệnh nhân. Khi quan sát tín hiệu điện não đồ (EEG) của các bệnh nhân bị động kinh,
khả năng xuất hiện gai động kinh trên các kênh gần nhau trong cùng một thời điểm là
cao, nên các phương pháp xử lý đa kênh đồng thời có thể sẽ cho phép khai thác mối
liên hệ theo không gian của gai động kinh, tăng khả năng phát hiện gai động kinh.
Indiradevi là người duy nhất đề cập đến định vị khu vực não tổn thương gây nên các
gai động kinh sử dụng đồng thời thông tin từ nhiều kênh [60].
Dữ liệu EEG có thể được biểu diễn bằng một ma trận hai chiều với một chiều là
thời gian và chiều còn lại là không gian (các kênh hay các điện cực). Nếu chuyển đổi
dữ liệu EEG đa kênh sang miền tần số sử dụng biến đổi sóng con thì dữ liệu EEG có
thể được biểu diễn bằng các mảng 3 chiều hay ten-xơ 3 chiều là thời gian, kênh (điện
cực) và thang tỉ lệ [25]. Phân tích ten-xơ trở thành một công cụ hữu ích để phân tích
dữ liệu nhiều chiều. Với sự phát triển của các ứng dụng dữ liệu lớn, phân tích ten-xơ
trở thành một phương pháp dành được sự quan tâm của nhiều nhóm nghiên cứu. Có
thể thấy phân tích ten-xơ được áp dụng trong các ứng dụng về xử lý tín hiệu [23]. Hai
phương pháp phân tích ten-xơ phổ biến là i) phân tích các hệ số song song
(PARAFAC) hay còn gọi với tên khác là phân tích CP và ii) phân tích Tucker. Có rất
nhiều nghiên cứu sử dụng phân tích ten-xơ phân tích tín hiệu điện não nói chung như
[25, 58] và phát hiện xung động kinh nói riêng như [1, 3, 8, 32, 33, 93, 100, 111].

Trong [100], Evangelia Pippa và đồng nghiệp sử dụng phân tích ten-xơ để nhận biết
các sự kiện không động kinh (bao gồm: xung không động kinh tâm lý (Psychogenic
nonepileptic seizures - PNES), ngất xỉu phế vị mạch (Vasovagal Syncope - VVS) và
sự kiện động kinh là sóng động kinh toàn thể hóa (Generalized Spike Wave - GSW).
Trong năm 2006 và 2007 [1–3], Acar và đồng nghiệp sử dụng phân tích ten-xơ để loại
nhiễu, xác định vị trí tổn thương của não và nhận biết xung động kinh. M. De Vos và
đồng nghiệp cũng sử dụng phân tích ten-xơ để định vị vùng khởi phát động kinh [32].
Tuy nhiên, các nhóm nghiên cứu này [1, 3, 8, 25, 32, 33, 58, 93, 111] chưa nghiên
cứu nhận biết gai động kinh đa kênh, chưa khai thác được mối liên hệ về không gian
giữa các gai động kinh trên các kênh gần nhau tại một thời điểm [hạn chế 3].
Trong các ứng dụng khai phá dữ liệu nói chung và xử lý tín hiệu y sinh nói riêng

19