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

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Phạm Phúc Ngọc

XỬ LÝ TÍN HIỆU ĐIỆN NÃO
TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN

LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

Hà Nội – 2016


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Phạm Phúc Ngọc

XỬ LÝ TÍN HIỆU ĐIỆN NÃO
TRONG TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN

Chuyên ngành: Kỹ thuật điện tử
Mã số: 62520203

LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. PGS.TS. PHẠM VĂN BÌNH
2. TS. PHẠM HẢI ĐĂNG

Hà Nội – 2016

LỜI CAM ĐOAN
Tơi xin cam đoan đây là cơng trình nghiên cứu của riêng tôi. Các số liệu trong
luận án này là trung thực và chưa từng được công bố trong bất kỳ cơng trình nào khác.
Tập thể giáo viên hướng dẫn

Tác giả

Phạm Văn Bình

Phạm Phúc Ngọc

Phạm Hải Đăng


LỜI CẢM ƠN
Đầu tiên tơi xin bày tỏ lịng biết ơn chân thành và sâu sắc của mình tới thầy
hướng dẫn khoa học PGS.TS. Phạm Văn Bình và thầy đồng hướng dẫn TS. Phạm Hải
Đăng. Các thầy là người định hướng cho tôi triển khai các ý tưởng khoa học và ln
tận tình hướng dẫn tơi trong suốt thời gian thực hiện luận án.
Tôi cũng xin chân thành cảm ơn các anh, chị, em và các bạn đồng nghiệp tại
Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Viện Điện tử - Viễn thông, Trường
Đại học Bách khoa Hà Nội đã tạo điều kiện, định hướng và giúp đỡ để tơi hồn thành
cơng trình nghiên cứu này.
Tơi xin cảm ơn bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, bộ mơn
Mạch & Xử lý tín hiệu Viện Điện tử - Viễn thông Trường Đại học Bách khoa Hà Nội,
Khoa Thần kinh Bệnh viện Bạch Mai đã hỗ trợ tôi về cơ sở vật chất, trang thiết bị
nghiên cứu, các góp ý định hướng nghiên cứu và các kỹ thuật trong y học để tơi hồn
thành tốt cơng trình nghiên cứu của mình.

Tơi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học,
Viện Điện tử - Viễn thông Trường Đại học Bách khoa Hà Nội đã tạo điều kiện cho
tôi trong q trình học tập và nghiên cứu.
Tơi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EEG&Arm
Rehabilitation đã hỗ trợ và cùng tham gia với tôi trong việc triển khai các thí nghiệm
đo lường, phân tích tín hiệu điện não tại phịng thí nghiệm.
Cuối cùng tơi xin chân thành cảm ơn bố, mẹ, vợ, con trai và những người thân
trong gia đình ln động viên về tinh thần, thời gian và vật chất để tơi có động lực
thực hiện con đường nghiên cứu khoa học.
Hà nội ngày ……. tháng …..….năm……
Tác giả

Phạm Phúc Ngọc


MỤC LỤC
Trang
MỞ ĐẦU………………………………………………………………………....…...1
CHƯƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MƠ HÌNH
XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA
NGƯỜI………………………………………………………………................. ...…9
1.1 Hệ thần kinh điều khiển vận động……………………………………….....
……...9
1.1.1 Các hoạt động điện của não………………………………………….
..….12
1.1.2 Điện thế hoạt động………………………………………………......
……13
1.1.3 Tạo tín hiệu EEG…………………………………………………….
……14
1.1.4 Hệ thống điều khiển vận động của não………………………………

……18
1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động………….
……25
1.2 Mơ hình xử lý tín hiệu điện não IHMv…………………………………….
……27
1.2.1 Xác định vị trí khơng gian điện cực thu nhận tín hiệu IHMv………..
……28
1.2.2 Nâng cao tỷ số SNR của tín hiệu…………………………………….
……31
1.2.2.1 Tăng cường chất lượng tín hiệu IHMv dựa trên việc sử dụng
các bộ lọc số có pha bằng khơng…………………………......…...31
1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu IHMv bằng kỹ thuật
lọc khơng gian……………………………………………......
……36
1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ
bản ghi điện não đồ……………………………………..........
……38
1.3 Kết luận chương……………………………………………………………
……47

i


CHƯƠNG 2. PHÁT TRIỂN BỘ ĐẶC TRƯNG MỚI NÂNG CAO
ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN
NHĨM IHMv ĐẦU RA…...…..……………………………………………….
……49
2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi
wavelet………………………………………………………………….....
….…54

2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu IHMv……………………
……60
2.3 Mơ tả bộ cơ sở dữ liệu tưởng tượng vận động/vận động chi trên Physionet...
……66
2.4 Đề xuất lựa chọn các thuộc tính mơ tả tín hiệu IHMv bằng phương pháp
……71
phân tích phương sai một chiều ANOVA theo chỉ số F và p………………
2.4.1 Phương pháp phân tích phương sai một chiều ANOVA………….....
……73
2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm
định ANOVA theo chỉ số F và p………………………………….....
……74
2.5 Kết luận chương……………………………………………………………
……78
CHƯƠNG 3. PHƯƠNG PHÁP PHÂN LOẠI BA PHÂN NHĨM IHMv…..
……81
3.1 Xây dựng vectơ đặc trưng mơ tả tín hiệu điện não IHMv từ bộ thuộc tính
đề xuất và cấu trúc các lớp…………………………………………………
……87
3.2 Mơ hình máy vectơ hỗ trợ nhị phân SVM…………………………………
……89
3.3 Đề xuất xây dựng mơ hình phân loại 3IHMv_SVM2 dựa trên mơ hình
vectơ học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng
tượng vận động tay trái, tay phải và nghỉ………………………………..... .…96
3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại 3IHMv_SMV2…100
3.5 Kết luận chương……………………………………………………………
…..105
CHƯƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA
ĐỐI TƯỢNG NGƯỜI VIỆT NAM………………………………………........
…..106

4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của
người Việt Nam……………………………………………………………….106

ii


4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/tưởng
tượng vận động của đối tượng đo người Việt Nam………………….
…..107
4.1.2 Kết quả và đánh giá bộ dữ liệu………………………………………
…..116
4.2 Xây dựng bộ cơng cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba
phân nhóm IHMv……………………………………………..……………….124
4.3 Kết luận chương……………………………………………………………
…..126
KẾT LUẬN CHUNG……………………………………………………………….128
1.

Các đóng góp mới………………………………………………………....….128

2.

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

DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ…………..
…..130
TÀI LIỆU THAM KHẢO…………………………………………………......
…..131
PHỤ LỤC 1……………………………………………………………………..….142
PHỤ LỤC 2……………………………………………………………………..….151

PHỤ LỤC 3……………………………………………………………………..….155
PHỤ LỤC 4…………………………………………………………………......
…..168
PHỤ LỤC 5…………………………………………………………………......
…..171

iii


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

ERSP
FFT
FIR
FMRI
FNR
FPR
HJ_ACT
HJ_MOBI
ICA
ICMS
IHMv
IPL

Analysis of Variance
Action Potential
Autoregressive
Autoregressive Moving
Average
Area Under ROC Curve
Average Accuracy
Brodmann Area 4
Brodmann Area 6
Brain Computer Interface
Common Average Reference
Central Nervous System
Class Separability Linear
Discriminant Analysis
Common Spatial Patterns
Class Separability Support
Vector Machine

Discrete Wavelet Transform
Electroencephalogram
Electromyography
Event-Related
Desynchronization
Event – Related Potential
Event-related Synchronization
Event-related spectral
perturbation
Fast Fourier Transform
Finite Impulse Response
Functional Magnetic Resonance
Imaging
False Negative Rate
False Positive Rate
Hjorths Activity
Hjorths Mobility
Independent Component
Analysis
Intracortical Microstimulation
Imagery Hand Movement
Inferior Parietal Lobule

iv

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

Độ chính xác trung bình
Khu vực Brodmann 4
Khu vực Brodmann 6
Giao tiếp người – máy
Tham chiếu trung bình
Hệ thần kinh trung ương
Phân chia lớp kết hợp với phân
tích phân chia tuyến tính
Các thành phần khơng gian
chung
Phân tích lớp kết hợp vector
máy hỗ trợ
Biến đổi wavelet rời rạc
Điện não đồ
Điện cơ
Khử đồng bộ liên quan đến sự
kiện
Điện thế liên quan đến sự kiện
Đồng bộ liên quan đến sự kiện
Phổ năng lượng hỗn loạn liên
quan đến sự kiện
Biến đổi Fourier nhanh
Đáp ứng xung hữu hạn
Cộng hưởng từ chức năng
Tỷ lệ âm tính giả
Tỷ lệ dương tính giả
Thơng số Hjorths hoạt động
Thơng số Hjorths linh động
Phân tích thành phần độc lập
Vi kích thích trong hộp sọ

Tưởng tượng vận động chi trên
Tiểu thùy đỉnh dưới


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

STFT
SVM
SSC
SWT
TNR
TPR
WAMP
WPICA

ZC

Left
Imagery Left Hand Movement
Logarithm Entropy
Primary Motor Cortex
Multivariate Empirical Mode
Decomposition
Mutual Information
Modified Mean Absolute Value
Movement-Related Cortical
Potentials
Max Relevance and Min
Redundancy
Mean Square Error
Noise Assisted MEMD
Neural Network
Phase Lock Value
Radial Basis Function
Rest
Rest state

Right
Imgary Right Hand Movement
Root Mean Square
Receiver Operating
Characteristic
Primary Somatosensory Cortex
Shannon Entropy
Supplement Motor Area
Signal to Noise Ratio
Superior Parietal Lobule
Simple Square Integral
Short Time Fourier Transform
Support Vector Machine
Slope Sign Change
Stationary Wavelet Transform
True Negative Rate
True Positive Rate
Willison Amplitude
Wavelet Packet-based
Independent Component
Analysis
Zero Crossings

v

Trái
Tưởng tượng vận động tay trái
Logarit Entropy
Vỏ não vận động chính
Phương pháp MEMD

Thơng tin chung
Giá trị sửa đổi trung bình tuyệt
đối
Điện thế não liên quan đến vận
động
Tối đa sự liên quan và giảm độ
dư thừa
Sai số trung bình bình phương
Kỹ thuật MEMD cộng nhiễu
Mạng nơ ron
Giá trị khóa pha
Hàm RBF
Nghỉ
Trạng thái nghỉ
Phải
Tưởng tượng vận động tay phải
Căn bậc hai trung bình bình
phương
Đường cong ROC
Vùng não cảm giác chính
Shannon Entropy
Vùng não vận động bổ sung
Tỷ lệ tín hiệu trên nhiễu
Tiểu thùy đỉnh trên
Chỉ số năng lượng tín hiệu
Biến đổi Fourier thời gian ngắn
Máy vector hỗ trợ
Thay đổi chiều dốc
Biến đổi wavelet ổn định
Tỷ lệ âm tính thật

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


DANH MỤC BẢNG
Trang
Bảng 1.1

Mơ tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thơng dải

33

Bảng 2.1

Mơ tả các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8

60

mức SWT
Bảng 2.2

Tóm tắt giá trị trung bình và phương sai của các thuộc tính

69

theo các phân nhóm IHMv khác nhau
Bảng 2.3

Giá trị ANOVA F và p với các thuộc tính trong dải θ, α và β

76

của kênh C3 và C4
Bảng 2.4

Nhóm 62 thuộc tính đề xuất theo phương pháp lựa chọn đặc

80

trưng dựa trên ANOVA sử dụng để xây dựng vectơ đặc trưng
tín hiệu IHMv
Bảng 3.1

Mơ tả quyết định trạng thái phân lớp đầu ra

100

Bảng 3.2

Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3

101

Bảng 3.3

Độ chính xác phân loại của mơ hình 3IHMv_SVM2

101

Bảng 3.4

Độ chính xác phân loại của mơ hình phân loại SVM 2 tầng

102

với vectơ đặc trưng 6 thuộc tính (2 kênh x 3 băng tần)
Bảng 3.5

Độ chính xác phân loại giữa non-rest IHMv và Re_IHMv

103

Bảng 3.6

So sánh kết quả phân loại các phân nhóm IHMv của bộ phân

104

loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương
Bảng 4.1

Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế

110

Bảng 4.2

Độ chính xác phân loại của mơ hình đề xuất trên bộ dữ liệu

124

tự thiết kế

vi


DANH MỤC HÌNH
Trang
Hình 1.1

Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não

10

(Cerebellum) và cuống não (brain stem).
Hình 1.2

Vị trí của Đại não.

10

Hình 1.3

Vị trí của tiểu não.

11

Hình 1.4

Điện thế màng tế bào thần kinh thay đổi và dòng điện trong

13

q trình synap kích thích.
Hình 1.5

Thay đổi điện thế màng thơng qua việc đóng các kênh Na và

14

mở các kênh K.
Hình 1.6

Cấu trúc của một nơ ron.

15

Hình 1.7

Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của

16

các lớp.
Hình 1.8

Tín hiệu điện não ghi được từ các điện cực.

16

Hình 1.9

Tín hiệu điện não thu được tại các vị trí khác nhau của điện

17

cực theo hai phương pháp lưỡng cực (a) và đơn cực (b).
Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận động

19

của vỏ não.
Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của

20

Brodmann ở Người.
Hình 1.12 Khu vực chính của vỏ não điều khiển vận động.

20

Hình 1.13 Khu vực vận động có thể được kích thích trực tiếp ở người

22

tỉnh táo.
Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động chính

24

được mở rộng hơn.
Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện tưởng

29

tượng vận động tay và chân phải.
Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20.

vii

29


Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thơng dải

33

1 Hz – 40 Hz.
Hình 1.18 a) Tín hiệu gốc trên kênh C3. b) Tín hiệu đã bị trễ với bộ lọc

35

thơng thường. c) Tín hiệu trên kênh C3 được lọc với bộ lọc
pha bằng khơng.
Hình 1.19 Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu lọc

35

pha khơng đã được đồng bộ về mặt thời gian.
Hình 1.20 Mơ hình phân bố điện cực EEG 64 kênh. Các điện cực được

37

sử dụng trong mơ hình lọc Laplacian được đánh dấu màu xanh
cịn màu cam là điện cực thu được lọc.
Hình 1.21 Định vị các đoạn tín hiệu tương ứng với tưởng tượng vận động

40

chi trên.
Hình 1.22 Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản ghi

42

điện não trên một kênh tín hiệu EEG.
Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương

45

ứng với 3 trạng thái tưởng tượng vận động chi trên trên kênh C3.
Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương

46

ứng với 3 trạng thái tưởng tượng vận động chi trên trên kênh C4.
Hình 2.1

Mơ hình phân tách đặc trưng tạo nhóm thuộc tính định lượng

56

tín hiệu IMHv.
Hình 2.2

Biến đổi SWT 2 mức.

59

Hình 2.3

Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực

68

tn theo chuẩn 10/20.
Hình 2.4

Biểu đồ hộp mơ tả phân bố dữ liệu các phân nhóm theo từng

70

thuộc tính.
Hình 2.5

Các bước lựa chọn thuộc tính theo phương pháp phân tích

75

phương sai ANOVA.
Hình 3.1

Mơ hình phân loại ba phân nhóm IHMv.

82

Hình 3.2

Mô tả ma trận dữ liệu huấn luyện.

88

viii


Hình 3.3

Mơ tả ma trận nhãn.

88

Hình 3.4

Mặt siêu phẳng và các lề khi huấn luyện bằng mơ hình SVM

89

cho các mẫu thuộc hai phân lớp.

Hình 3.5

Hàm Kernel ánh xạ các điểm từ mơ hình 2D sang khơng gian

91

3D.
Hình 3.6

Giải thuật xây dựng mơ hình phân loại cho bộ phân loại 2 tầng

95

3IHMv_SVM2 có sử dụng thuật tốn tối ưu C và gamma.
Hình 3.7

Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân

96

loại SVM.
Hình 3.8

Mơ hình phân lớp ba trạng thái tưởng tượng vận động dựa trên

98

mơ hình 2 tầng SVM phi tuyến.
Hình 3.9

Mơ hình huấn luyện của tầng phân loại SVM1.

98

Hình 3.10 Mơ hình huấn luyện tầng phân loại SVM2.

99

Hình 4.1

Hình ảnh hệ thống Exea Ultra.

108

Hình 4.2

Mũ điện cực theo chuẩn quốc tế 10 – 20.

108

Hình 4.3

Ký hiệu của chuẩn quốc tế 10 – 20.

108

Hình 4.4

Kiểm tra trở kháng tiếp xúc.

109

Hình 4.5

Mơ tả q trình bơm gel dẫn điện lên các điện cực trước khi

109

tiến hành phép đo.
Hình 4.6

Các thông số của đối tượng đo được kiểm tra và ghi chép khi

111

chuẩn bị phép đo.
Hình 4.7

Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối

112

tượng người Việt Nam bằng thiết bị Exea Ultra.
Hình 4.8

Hướng dẫn đối tượng thực hiện tưởng tượng vận động tay trái

114

hoặc tay phải. Các mũi tên lần lượt được xuất hiện trong các

thời điểm định sẵn.
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.

ix

115


Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại

118

phịng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ điện
cực 19 kênh theo tiêu chuẩn 10/20.
Hình 4.11 Tín hiệu điện não khi tình nguyện viên P011 được đo trên kênh

119

C3 trước khi loại bỏ nhiễu đường biên và sau khi loại bỏ nhiễu
đường biên.
Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng

119

bộ lọc FIR (1 – 40 Hz) (Bản ghi P011E08).
Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của

122

thí nghiệm P011E08 (tưởng tượng vận động tay).
Hình 4.14 Mơ hình hệ thống hỗ trợ vận động điều khiển bằng sóng não.

124

Hình 4.15 Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu điện

125

não tưởng tượng vận động chi trên dựa trên bộ phân loại đề xuất.
Hình 4.16 Khung cơ khí hồn thiện.

126

Hình 4.17 Giao diện thu nhận thông tin vận động.

126

x


MỞ ĐẦU
Hệ thống vận động của người bao gồm các thành phần: Hệ xương, hệ cơ và hệ
thần kinh. Các tổ chức cơ quan sinh lý này có nhiệm vụ tương tác với nhau để tạo ra
và hỗ trợ vận động của cơ thể và các bộ phận khác. Trong đó, hệ thần kinh đóng vai
trị phát ra các thơng tin để điều khiển và tạo ra các vận động ở người thơng qua các
sóng điện từ phát ra từ não bộ (gọi tắt là sóng não). Các sóng này điều khiển hệ cơ
giúp con người có thể thực hiện các vận động chủ động theo ý muốn. Xét về mặt

sinh lý học, não bộ của người là một tổ chức có cấu trúc phức tạp gồm hàng triệu các
nơ ron thần kinh. Các nơ ron thần kinh này phát đi các xung điện và được lan truyền
theo tủy sống tới điều khiển các khu vực khác nhau trong cơ thể qua hệ thống sợi trục
thần kinh và các gai thần kinh. Quá trình thu nhận và xử lý các thông tin điều khiển
vận động của não bộ bằng kỹ thuật đo không xâm lấn điện não đồ đa kênh EEG và
tạo ra tín hiệu điều khiển vận động có nhiều ý nghĩa trong thực tiễn. Do đó, luận án
tập trung nghiên cứu các tín hiệu não bộ liên quan đến điều khiển vận động.
Vận động chi trên của người là một vận động quan trọng giúp con người có thể
thực hiện các hoạt động cần thiết hàng ngày của con người như cầm nắm vật, vệ sinh
hay mặc quần áo... Trong đó, sóng não 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 vận động chi trên mà không tạo ra chuyển động thật. Việc nghiên
cứu các tín hiệu này có thể giúp chúng ta giải mã được các hoạt động của não bộ liên
quan đến hệ vận động người. Mặt khác, các sóng não chứa thơng tin điều khiển vận
động cũng sẽ giúp tạo sợi dây liên lạc mới từ não bộ người tới thế giới xung quanh.
Điều này rất có ý nghĩa thực tiễn khi con người có thể sử dụng các thông tin điều
khiển từ não bộ để đưa ra các mệnh lệnh chuyển động cho các thiết bị ngoại vi hoặc
giao tiếp với máy tính. Hơn nữa, việc phân giải được các thơng tin điều khiển vận
động từ sóng não cịn có ý nghĩa to lớn trong y học, đặc biệt là đối với các bệnh nhân
trải qua các cơn đột quỵ, hoặc các bệnh nhân mắc hội chứng khóa trong (locked -in)
(các bệnh nhân bị Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh

1


trên và hệ thần kinh dưới nhưng khả năng tưởng tượng vận động hoặc vận động thật
của các đối tượng này vẫn được duy trì [57], [13], [33]. Nghiên cứu về các hoạt động
tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi
chức năng đối với những người bị liệt chi sau đột quỵ [54], [100], [20], [40], [19],
hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức
năng [49], [68], [82], [44], [53], [106]. Như vậy có thể thấy, việc khai thác, phân giải

được các thơng tin tưởng tượng điều khiển vận động từ sóng não và tạo ra được các
quyết định phân loại tín hiệu tưởng tượng vận động từ sóng não sẽ có vai trò rất lớn
trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân
tay giả được điều khiển bởi hệ thống thần kinh. Trong nghiên cứu của luận án, tác giả
tập trung nghiên cứu về các tín hiệu tưởng tượng vận động của chi trên của người.
Hiện nay, các hệ thống phân loại sóng điện não liên quan đến tưởng tượng vận
động chi trên vẫn còn tồn tại một số thách thức như vấn đề độ tin cậy, chính xác của
hệ thống, thời gian thiết lập và tốc độ xử lý còn chậm, chưa đáp ứng được các ứng
dụng thời gian thực. Lý do cho các vấn đề này đó là sóng điện não IHMv là tín hiệu
phức tạp và có bản chất khơng dừng. Do vậy, khi xây dựng các hệ thống phân loại
sóng điện não IHMv ta cần thiết phải quan tâm nghiên cứu tìm ra các thuộc tính đặc
tả loại tín hiệu này. Đã có một số phương pháp xây dựng bộ đặc trưng cho tín hiệu
IHMv được phát triển như phương pháp xác định chỉ số khóa pha PLV của các cặp
điện cực trên hai nửa bán cầu não [10], sử dụng sự biến thiên năng lượng và công
suất của tín hiệu dựa trên q trình suy giảm đồng bộ và tăng đồng bộ trong và trước
khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) [113], [93], [76], [132],
[88], [21], hoặc sử dụng mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy
(ARMA) [25], [16], sử dụng các thuộc tính thống kê tín hiệu trên miền thời gian - tần
số dựa trên biến đổi wavelet [23], [89]. Trong các phương pháp tiếp cận trên, phương
pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet là một
phương pháp tiếp cận hiệu quả do tính đơn giản, ít phép biến đổi tín hiệu và có thể áp
dụng trên số kênh đo ít hơn. Do đó, luận án tập trung xây dựng nhóm thuộc tính đặc

2


trưng cho tín hiệu IHMv theo phương pháp phân tích tín hiệu trên miền thời gian tần số dựa trên biến đổi wavelet nhằm tăng độ chính xác và độ tin cậy của hệ thống.
Để đạt được độ chính xác và tốc độ xử lý nhanh phân lớp IHMv, các hệ thống
ra quyết định phân loại phải kết hợp sử dụng mơ hình định lượng tín hiệu vận động
từ nhiều điện cực CSP [42], lọc không gian [131], ICA [75], WPICA [133] hoặc định

lượng tín hiệu vận động dựa trên một số điện cực trên khu vực vỏ não vận động và
kết hợp với các mơ hình vectơ học máy CS_SVM, CS_LDA [98], [125] hoặc mạng
nơ ron để ra quyết định phân nhóm tín hiệu. Hiện nay, đối với bài tốn phân loại các
nhóm IHMv, các phương pháp được đề cập ở trên đã sử dụng các mơ hình phân loại
với vectơ đặc trưng được xây dựng dữ liệu nhiều điện cực và áp dụng chủ yếu cho
bài toán phân lớp hai trạng thái đầu ra (giữa tưởng tượng vận động tay trái và tưởng
tượng vận động tay phải hoặc trường hợp có vận động tay và trạng thái nghỉ). Như
vậy, để có thể tăng cường khả năng ứng dụng của hệ thống tạo tín hiệu điều khiển
vận động từ sóng não lên các hệ thống hỗ trợ vận động, luận án tập trung nghiên cứu
phương pháp phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu
IHMv có độ chính xác phân loại, tốc độ xử lý cao và tăng số phân lớp đầu ra.
Tình hình nghiên cứu trong nước
Hiện nay tại các cơ sở y tế trong nước, do nhu cầu về việc khám chữa bệnh lớn
nên việc sử dụng hệ thống điện não EEG chủ yếu được áp dụng trong các nghiên cứu
về hệ thần kinh và chẩn đoán bệnh lý của não bộ như theo dõi các giai đoạn của giấc
ngủ, tổn thương não bộ, bệnh động kinh. Các bác sỹ đầu ngành và các chuyên gia
nghiên cứu về thần kinh cũng đã thấy được tiềm năng trong việc sử dụng các tín hiệu
điện não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi cho
các bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt. Để thực hiện điều
này, sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các
nhà khoa học kỹ thuật là rất cần thiết để có thể triển khai mơ hình hỗ trợ điều khiển vận
động người bằng sóng não, giúp các đối tượng sử dụng hệ thống có thể thực hiện được
nhiều chuyển động phức tạp bằng sóng não. Nhờ đó, các bệnh nhân có bộ não tốt vẫn

3


hồn tồn có thể thực hiện được các vận động tự chăm sóc phục vụ cá nhân và giảm
gánh nặng cho gia đình và xã hội. Tại một số ít cơ sở nghiên cứu trong nước hiện nay,
một số thiết bị đeo trên đầu đã được nghiên cứu và sử dụng để hỗ trợ người tàn tật thực

hiện điều khiển xe lăn. Tuy nhiên các hệ thống này sử dụng tín hiệu điện trên da đầu
sinh ra nhờ hoạt động nháy mắt hoặc liếc mắt để điều khiển chứ chưa khai thác được
các thơng tin sóng não liên quan đến tưởng tượng điều khiển vận động của não bộ. Do
vậy, để đẩy mạnh các hướng nghiên cứu về tín hiệu điện não liên quan đến tưởng tượng
điều khiển vận động trên đối tượng là người Việt Nam, luận án sẽ nghiên cứu các
phương pháp thu nhận và phân giải các tín hiệu điện não liên quan đến tưởng tượng
vận động và vận động thật để xây dựng một bộ cơ sở dữ liệu được thu nhận trên đối
tượng là người Việt Nam, phục vụ nghiên cứu và phân tích chẩn đốn.
Mục đích của luận án
Phát triển một phương pháp phân loại các tín hiệu tưởng tượng vận động chi
trên có độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ sử dụng cho các hệ
thống hỗ trợ vận động của người điều khiển bằng sóng não.
Mục tiêu nghiên cứu của luận án
- Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại
ba phân nhóm 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 mơ hình hệ thống quyết định các
phân nhóm IHMv dựa trên bộ đặc trưng và phương pháp phân loại đề xuất.
- Xây dựng bộ dữ liệu điện não liên quan đến tưởng tượng vận động của đối
tượng là người Việt Nam phục vụ nghiên cứu và phân tích.

4


Các vấn đề cần giải quyết của luận án
- Lựa chọn phương pháp tiền xử lý tín hiệu IHMv nâng cao chất lượng tín hiệu
IHMv thu nhận là một vấn đề cần giải quyết của luận án.
- Do tín hiệu IHMv có bản chất khơng dừng và có dạng phức tạp nên việc xây
dựng các thuộc tính mơ tả tốt tín hiệu sẽ giúp nâng cao khả năng phân giải tín hiệu.
Bên cạnh đó, tín hiệu điện não được thu nhận từ hệ thống nhiều điện cực dẫn đến các

hệ thống phải xử lý lượng thông tin rất lớn. Luận án cần nghiên cứu mơ hình, phương
pháp định lượng tín hiệu IHMv và đề xuất bộ đặc trưng trên số lượng kênh đo ít hơn
và có khả năng phân biệt các nhóm tín hiệu IHMv để có thể nâng cao độ chính xác
phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não.
- Nghiên cứu và đề xuất phương pháp phân loại ba phân nhóm IHMv bao gồm:
tưởng tượng vận động tay trái (Lf_IHMv), tưởng tượng vận động tay phải (Ri_IHMv)
và trạng thái nghỉ (Re_IHMv) dựa trên tín hiệu sóng não. Để thực hiện được điều này
thì kết hợp giữa nhóm các thuộc tính đề xuất với mơ hình phân loại để phân giải ba
phân nhóm IHMv là một vấn đề cần giải quyết.
- Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến tưởng tượng
vận động chi trên của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích.
Từ các kết quả nghiên cứu phân giải các tín hiệu IHMv, luận án sẽ thực hiện xây
dựng ứng dụng tự động phân loại các nhóm IHMv để ra quyết định phân lớp trạng thái
đầu ra, phục vụ cho các hệ thống hỗ trợ vận động điều khiển bằng sóng não.
Phạm vi nghiên cứu
-

Nghiên cứu chức năng điều khiển vận động của não bộ và các giải pháp kỹ thuật
nâng cao chất lượng tín hiệu IHMv.

-

Nghiên cứu các thuật tốn định lượng tín hiệu IHMv và phương pháp lựa chọn
bộ đặc trưng.

-

Nghiên cứu phương pháp phân loại các tín hiệu IHMv.

5

-

Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến tưởng
tượng vận động chi trên của đối tượng là người Việt Nam khỏe mạnh.

Phương pháp nghiên cứu
-

Nghiên cứu cơ sở lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận
động chi trên.

-

Mơ hình hóa phương pháp định lượng và phân loại ba phân nhóm IHMv.

-

Kiểm chứng đánh giá phương pháp phân loại IHMv bằng thực nghiệm trên bộ
dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế.

Các đóng góp mới của luận án
-

Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv. Bộ đặc trưng mới được
phát triển từ phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa
trên biến đổi wavelet với số lượng kênh xử lý rút gọn. Dựa trên phương pháp
kiểm định ANOVA, bộ đặc trưng đề xuất đã cho thấy khả năng phân biệt ba
phân nhóm IHMv trên bộ dữ liệu mẫu.

-

Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân
loại ba 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 mơ hình vectơ 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 nhóm
IHMv.

-

Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động
thật chi trên của đối tượng người Việt Nam khỏe mạnh. Bộ dữ liệu đóng góp
vào bộ dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật
chi trên của thế giới và có khả năng sử dụng cho q trình huấn luyện hệ thống
phân loại.

-

Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mơ hình phân loại đề
xuất. Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và bộ dữ

6


liệu thực tế được đo tại phịng thí nghiệm. Điều này cho thấy tính khả thi của
phương pháp phân loại trên các bộ dữ liệu thực tế.
Cấu trúc nội dung luận án
Nội dung luận án bao gồm 4 chương. Trong đó các đóng góp khoa học của luận án

thể hiện ở các nội dung đề xuất và thực hiện trong chương 2, chương 3 và chương 4. Các
nội dung cụ thể như sau:
-

Chương 1: Trình bày cơ sở hệ thần kinh điều khiển vận động, các mơ 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 mơ hình xử lý để tăng tỷ số SNR của
tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng khơng, lọc
khơng gian Laplacian.

-

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 thuộc tính 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 thuộc tính để xây dựng vectơ đặc trưng
mơ tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái tưởng
tượng vận động chi trên theo chỉ số F và p của mơ hình phân tích phương sai
ANOVA.

-

Chương 3: Đề xuất phương pháp sử dụng bộ đặc trưng định lượng để thực

hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận động điều

7


khiển bằng sóng não EEG. Trong chương này, luận án nghiên cứu và đề xuất
sử dụng bộ phân loại ba phân nhóm IHMv theo mơ hình phân loại SVM 2 tầng
dựa trên bộ đặc trưng đề xuất. Phần tiếp theo sẽ mô tả khả năng thực hiện của
hệ thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mơ hình.
-

Chương 4: Trình bày quy trình xây dựng bộ dữ liệu liên quan đến tưởng tượng
vận động và vận động chi trên của đối tượng đo là người Việt Nam để phục
vụ phân tích và nghiên cứu. Phần đầu chương mô tả phương pháp thiết lập hệ
thống và đối tượng đo để thu nhận tín hiệu điện não IHMv. Phần tiếp theo mơ
tả đóng góp xây dựng bộ dữ liệu điện não IHMv của đối tượng người Việt.
Phần cuối chương trình bày kết quả mơ phỏng của bộ phân loại đề xuất trên
bộ dữ liệu được tạo ra và đánh giá kết quả.

-

KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án.

8


CHƯƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG
VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN
VẬN ĐỘNG CỦA NGƯỜI
Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mơ 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 mơ hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử
dụng bộ lọc số FIR có pha bằng khơng, lọc khơng gian Laplacian.
1.1 Hệ thần kinh điều khiển vận động
Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển
hoạt động của hầu hết các cơ quan trong cơ thể. Não người là phần trên và trước nhất
của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại
vi. Não người có trọng lượng khoảng 1,5 kg [105]. Trong đó, theo một số nghiên cứu,
não người Việt Nam có cân nặng khoảng 1400 gam và bộ não của nam giới thường
có trọng lượng lớn hơn của nữ giới [50]. Diện tích bề mặt của não khoảng 1600 cm²,
và dày khoảng 3 mm. Xét về mặt giải phẫu học thì bộ não người gồm có 3 phần chính:
đại não, tiểu não, thân não; và các phần nhỏ khác gọi chung là não trung gian (Hình
1.1). Khu vực nhìn tập trung vào thùy chẩm trong khi đó khu vực cảm giác và vận
động có mặt ở cả hai phía của não bộ. Có một số vị trí xác định tại vỏ não cảm giác
và vận động mà chỉ có khu vực đó sẽ điều khiển một bộ phận nào đó của cơ thể. Kích
thước của mỗi khu vực này tỷ lệ với độ chính xác cần có của cảm giác hoặc của hệ
điều khiển vận động. Khu vực cảm giác từ lưỡi và tay có phân bố khá rộng trong khi
khu vực cảm giác của phần giữa cơ thể và mắt phân bố hẹp hơn. Khu vực vận động
của chi trên và các cơ quan phụ trách nói có phân bố rộng [101], [67].

9


Hình 1.1. Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và
thân não (brain stem).
-

Đại não
Trong não người, đại não là phần não phát triển mạnh nhất. Nó hầu như chiếm

tồn bộ khối lượng và thể tích não bộ. Đại não bao gồm hai nửa trái, phải đối xứng
qua rãnh liên bán cầu với ba mặt: mặt trên, mặt dưới, mặt trong. Trên bề mặt đại não
thường có các khe, các rãnh ăn sâu vào trong và chia bề mặt đại não thành các thuỳ
khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở
và các hồi não. Bán cầu trái sẽ kiểm soát phần lớn chức năng của nửa phải cơ thể
thân não.
trong khi bán cầu phải điều khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi
thần kinh này xảy ra ở thân não.

Hình 1.2. Vị trí của đại não [50].
Do đó, tổn thương ở bán cầu trái sẽ gây ra sự giảm cảm giác và vận động ở nửa
phải và ngược lại. Mặt trên của đại não có 3 khe là khe Sylvius (khe bên); khe Rolando
(khe trung tâm); khe thẳng góc ngồi (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy:

10


thùy trán, thùy đỉnh, thùy chẩm, thùy thái dương. Mặt trong có 3 khe: khe dưới trán,
khe thẳng góc trong, khe cựa. Ba khe này lại chia bán cầu đại não thành 5 thùy: thùy
vuông, thùy viền, thùy chêm, thùy thái dương. Mặt dưới có 2 khe là khe Bisa, khe
Sylvius, chia mặt dưới thành 2 thùy: thùy ổ mắt (ở phía trước) và thùy thái dương chẩm (ở phía sau).
+ Thùy trán: Phụ trách mức độ tập trung, cảm xúc, phối hợp các chuyển động, tạo ra
các chuyển động, chuyển động mắt, chuyển động cơ, các chuyển động thành kỹ năng
+ Thùy chẩm: Đọc và nhìn.
+ Thùy đỉnh: Một số chức năng ngơn ngữ, đọc, nhìn, cảm nhận xúc giác.
+ Thùy thái dương: Nghe, ghi nhớ hình ảnh, âm nhạc.
-

Tiểu não
Tiểu não là một cấu trúc lớn nằm sau cầu não và hành tuỷ. Nó bị thùy chẩm của

bán cầu đại não che khuất. Tiểu não phát triển mạnh ở động vật có vú và chim. Về mặt
giải phẫu, tiểu não có ba thùy: một thùy giun ở giữa và hai bán cầu tiểu não ở hai bên.
Bán cầu tiểu não được phát triển cùng với sự phát triển của bán cầu đại não và chỉ có
ở động vật có vú. Tiểu não cũng do hai phần: chất xám và chất trắng tạo nên.
Tiểu não là khu vực chịu trách nhiệm điều hịa trương lực cơ, duy trì thăng bằng
và định hướng cử động và phối hợp động tác.

Hình 1.3. Vị trí của tiểu não.
11