Tài liệu Tách lọc tín hiệu điện não (eeg) trên điện thoại di động

A.Lời nói đầầu Điện não đồầ là dụng cụ thử nghiệm y học ghi lại những xung điện từ các neuron trong não có thể nhận được từ da đầầu.Nhờ vào sự phát triển của khoa học - kyỹ thuật và đặc biệt là những tếến bộ nhanh chóng của kyỹ thuật điện tử y-sinh trong th ời gian gầần đầy, nhiếầu nhà khoa học trến thếế giới đã xầy dựng và phát triển nhiếầu kyỹ thu ật xử lý tn hiệu hi ện đại ứng dụng trong phần tch và chẩn đoán chính xác tn hiệu điện não đồầ (EEG) để nghiến cứu kh ả năng điếầu khiển điện thoại thồng qua việc giải mã tn hiệu EEG từ EEG headset. Bộ não liến tục sản sinh ra các tn hiệu điện rầết nhỏ đếến từ các tếế bào não và tếế bào thầần kinh dầỹn truyếần thồng tn cho nhau. Trong suồết quá trình kiểm tra EEG,các điện cực (các đĩa kim loại phẳng ) được găến trến đầầu của người dùng. Các điện cực này thu nhận các tn hiệu điện từ não và gửi chúng tới một máy EEG. Máy EEG seỹ ghi lại các tn hiệu điện từ não đưa t ới một máy tnh. Tín hiệu này giồếng như những đường lượn sóng, và seỹ đại di ện cho các mầỹu sóng não của bạn. Đo điện não đồầ khồng gầy đau và vồ hại. (Các máy đo điện não đồầ ghi lại các tn hiệu điện từ não của bạn - nó khồng mang dòng điện nào vào não hoặc cơ thể của bạn).Dựa vào tn hiệu sóng não ta có thể tách lọc các tn hiệu nhiếỹu, giải mã được đầu là tn hiệu phát ra từ tếế bào thầần kinh để có thể ứng dụng điếầu khiển Với mong muồến nghiến cứu ,học hỏi và áp dụng cồng nghệ mới để xử lý tn hiệu EEG trến điện thoại di động,dưới sự hướng dầỹn tận tnh của thầầy Phạm Văn Tiếến –gi ảng viến Viện Điện Tử-Viếỹn Thồng,nhóm chúng em đã chọn đếầ tài “Tách lọc tn hi ệu đi ện não (EEG) trến điện thoại di động” làm đếầ tài Project 3. Do cùng làm việc trong th ời gian có h ạn cùng v ới những hiểu biếết còn hạn chếế,bài tập lớn khó tránh khỏi những sai sót ,nhóm em mong nh ận được ý kiếến đóng góp của thầầy và các bạn!. Nhóm sinh viến lớp KSTN-ĐTVT-K54 1 B.Nội dung 1.Cơ sở vật lý-y sinh của tn hiệu điện não đồầ 1.1.Đặc điểm của tn hiệu điện não đồầ (EEG). Điện não đồầ (EEG – Electroencephalogram ) đo và biểu diếỹn sự thay đổi đi ện thếế theo th ời gian của các điện cực được đặt ở các vị trí khác nhau trến da đầầu tương ứng với các vùng của vỏ não trến đồầ thị máy tnh. Thồng qua các đặc trưng biến độ, tầần sồế, phần bồế khồng gian, hình thái, sự phần cực của điện thếế, EEG cho ta các thồng tn vếầ các hoạt đ ộng của não. Trong quá trình hoạt động, não seỹ phát ra các xung điện lan truyếần theo các dầy thầần kinh. Các xung điện này phản ánh trạng thái hoạt động và kích thích của bộ não. Các xung điện não seỹ lan truyếần đếến lớp vỏ não có độ dày khoảng 23mm. Bếầ mặt của vỏ não có dạng các l ớp, khe nhỏ với nhiếầu kích thước khác nhau lăầm làm tăng diện dích hệ thầần kinh, với t ổng di ện tch hơn 2,5m2 bao gồầm hơn 10 tỉ nơron thầần kinh. Các tn hiệu được ghi trến da đầầu có biến độ biếến thiến từ vài ‹V đếến xầếp xỉ 200‹V và tầần sồế năầm trong phạm vi từ 0.5 đếến 70Hz. N ếếu trạng thái của đồếi tượng đo ổn đ ịnh trong một khoảng thời gian, các nhịp này có dạng tuầần hoàn.Các nhịp cơ bản được chia thành 5 d ải : + Nhịp delta: tầần sồế 0.5 - 4Hz. + Nhịp theta: tầần sồế 4 -7.5 Hz. + Nhịp alpha :tầần sồế 8 – 13.5 Hz. + Nhịp beta : tầần sồế từ 14 -30 Hz. + Nhịp gamma : có tầần sồế lớn hơn 30 Hz. 1.2.Nguồần gồếc và các đặc trưng tầần sồế, biến độ của các loại nhiếỹu chính trong đi ện não đồầ Trong các tn hiệu điện não đồầ chúng ta đo được thường xuyến xuầết hiện các loại tn hiệu lạ khồng phải là tn hiệu điện não xuầết phát từ da đầầu, chúng được gọi là nhiếỹu (artfact). Các nhiếỹu này được chia thành hai nhóm chính. N hóm thứ nhầết là nhiếỹu do thiếết b ị và mang tnh hệ thồếng (do tếếp xúc điện cực và sai sồế thiếết bị đo), loại nhiếỹu này th ường khá dếỹ dàng nhận biếết và loại bỏ vì nó có tnh tương quan cao. Nhóm thứ hai là các nhiếỹu có nguồần gồếc từ sinh lý của con người như nhiếỹu cho chuyển động của măết, do nháy măết, do hoạt động của các cơ băếp, hoạt động của cơ tm. Dưới đầy chúng tồi seỹ trình bày các đặc điểm nh ận dạng của các loại tn hiệu nhiếỹu này. 1.2.1. Đặc điểm nhận dạng nhiếỹu măết (Electrooculogram – EOG) Tín hiệu EOG là sự chếnh lệch điện áp giữa giác mạc và võng mạc của măết. Chếnh lệch điện áp này thay đổi trong suồết quá trình chuyển động của măết, và điện áp đo được gầần như tỉ lệ với góc nhìn . Chúng ta có thể ghi nhận chếnh lệch điện áp này tương ứng với mức độ 2 chuyển động và hướng chuyển động của măết để làm kếnh tham chiếếu. Khi giác mạc hay võng mạc của măết chuyển động seỹ khồng những làm thay đổi độ chếnh lệch điện thếế tạo ra tn hiệu EOG mà còn ảnh hưởng làm thay đổi điện thếế ở các vị trí khác trến da đầầu và do đó làm thay đổi tn hiệu EEG. Tín hiệu EOG có nhiếầu tnh chầết đặc trưng riếng, khác biệt với các tn hiệu điện não đồầ thồng thường. Việc nghiến cứu và phần tch các tnh chầết của các tn hiệu EOG là nếần tảng quan trọng để áp dụng và kiểm tra các thuật toán loại bỏ nhiếỹu măết EOG kh ỏi tn hiệu điện não. 1.2.2. Đặc điểm nhiếỹu cơ (Electromyogram – EMG) Tín hiệu EMG là tn hiệu tạo ra bởi điểu khiển hoạt động của cơ băếp và ch ứa thồng tn vếầ cầếu trúc cơ của từng bộ phận cơ thể khác nhau. Khi ta đo điện não, bệnh nhần thường khồng tránh khỏi một sồế hoạt động bình thường như co ngón tay, co tay, nói chuyện, cử động chần, quay đầầu, quay người, … tầết cả các hoạt động đó điếầu tạo ra nhiếỹu cơ lến tn hi ệu đi ện não. 5.Thuật toán phần tch thành phầần độc lập ICA trong phần tch tn hiệu điện não đồầ (EEG). 5.1.Giới thiệu thuật toán Phần tch thành phầần độc lập ICA (Independent Component Analysis) là một kyỹ thu ật tnh toán và thồếng kế để phát hiện những thừa sồế tm ẩn tồần tại dưới nh ững tập h ợp biếến, phép đo hay tn hiệu ngầỹu nhiến. ICA chỉ rõ tnh chầết một mồ hình tổng quát cho d ữ li ệu đa biếến quan sát được, mà dạng đưa ra điển hình là một bộ cơ sở dữ liệu mầỹu rộng lớn. Trong một mồ hình, những biếến dữ liệu được cho răầng là những hồỹn hợp tuyếến tnh hay phi tuyếến tnh của một vài biếến tm ẩn chưa biếết, và phương thức trộn cũng chưa biếết. Những biếến tm ẩn được cho răầng phi gauss và độc lập với nhau, và chúng được gọi là những thành phầần độc l ập của dữ liệu quan sát được. Những thành phầần độc lập này cũng được gọi là những nguồần hay những thừa sồế có thể được tm thầếy băầng ICA. ICA có thể được xem là sự mở rộng của phần tch thành phầần chính và phần tch thừa sồế. ICA là một kyỹ thuật mạnh hơn rầết nhiếầu vếầ khả năng tm kiếếm những th ừa sồế hay nguồần tm ẩn mà những phương pháp cổ điển thầết bại hoàn toàn. Một trong những ứng dụng thực tếế và cụ thể của ICA là ứng dụng ICA trong phần tch tn hiệu não bộ. Tín hiệu não bộ được đo băầng một điện não đồầ EEG (Electroencephalogram) với các tầần sồế khác nhau. Điện cực được đặt ở vị trí thích hợp trến da đầầu để ghi các xung động xuầết phát từ não. Tín hiệu thu được từ các điện cực là tổng hợp từ nhiếầu tn hiệu não riếng biệt và bao gồầm cả nhiếỹu. Có hai loại nhiếỹu chính: nhiếỹu do bệnh nhần gầy ra v ới các quá trình sinh lý của cơ thể, nhiếỹu do yếếu tồế bến ngoài như dụng cụ, dòng điện, … Một sồế loại nhiếỹu thường gặp như: nháy măết liến tục, măết vận động sang bến, vận động của lưỡi, nhiếỹu do co cơ, nhiếỹu do mạch, khịch mũi, nhiếỹu mồầ hồi, do điện cực tếếp xúc kém, nhiếỹu kim lo ại, nhiếỹu do chạm điện cực kim loại, nhiếỹu do dòng tnh điện. Bài toán đặt ra là ph ải tm ra các tn 3 hiệu não bộ riếng biệt ban đầầu từ các tn hiệu thu được ở các điện cực. Phần tch thành phầần độc lập đã giải được bài toán trến băầng cách loại trừ các tn hiệu nhiếỹu và tách ra các tn hi ệu não cầần tm. Một trong những cồng cụ mạnh meỹ được sử dụng để thực hiện cho nhiệm vụ trến đó là phầần mếầm EEGlab, EEGlab là một hộp cồng cụ và có giao diện hình ảnh, ch ạy trến mồi tr ường MATLAB cho những thu thập xử lý thử nghiệm riếng và/hay dữ liệu EEG chuẩn của bầết kỳ sồế kếnh truyếần. Những chức năng có thể dùng được bao gồầm dữ liệu EEG, nhập kếnh truyếần và thồng tn sự kiện, sự hình dung dữ liệu, xử lý (bao gồầm loại trừ nhiếỹu, lọc, chọn miếần, và chuẩn hóa), phần tch thành phầần độc lập (ICA) và những phần tch th ời gian/tầần sồế bao gồầm kếnh truyếần và thành phầần tạp giao với nhau hồỹ trợ bởi những phương pháp thồếng kế bậc cao từ việc lầếy mầỹu dữ liệu. 5.1. Động lực sự thúc đẩy phát triển của ICA Hình 5.1 :Bài toán cocktail –party Hãy tưởng tượng răầng bạn ở trong một căn phòng có ba người đang nói cùng một lúc. Căn phòng này có ba microphone được đặt ở ba vị trí khác nhau. Các microphone cho ra ba tn hiệu theo thời gian được thu lại x1(t), x2(t) và x3(t). Mồỹi tn hiệu thu được này là tổng của các tn hiệu tếếng nói từ ba người đang nói, kí hiệu s1(t), s2(t) và s3(t), và được biểu diếỹn dưới dạng: x1 (t)=a11s1 (t) + a12s 2 (t) + a13s3 (t) (5.1) x 2 (t)=a 21s1 (t) + a 22s 2 (t) + a 23s3 (t) (5.2) x 3 (t)=a 31s1 (t) + a 32s 2 (t) + a 33s 3 (t) (5.3) 4 Trong đó, aij = 1,2,3 là các thồng sồế phụ thuộc vào các khoảng cách từ microphone đếến người nói. Bài toán được đặt ra là chúng ta phải xầếp xỉ các tn hiệu tếếng nói ban đầầu s i(t) mà chỉ sử dụng các tn hiệu được thu lại xi(t). Đầy chính là bài toán bữa tệc (cocktail party problem). Để đơn giản mồ hình bài toán, ta seỹ bỏ qua các độ trếỹ vếầ th ời gian cũng nh ư các yếếu tồế khác (nhiếỹu, … ). Thật ra, nếếu biếết được các thồng sồế trộn lầỹn aij, ta có thể giải các phương trình tuyếến tnh (5.1), (5.2) và (5.3) ở trến. Tuy nhiến, cầần phải nhầến mạnh răầng chúng ta hoàn toàn khồng biếết aij cũng như là si(t), do đó bài toán seỹ phức tạp hơn. Một cách tếếp cận để giải bài toán này là sử dụng các tnh chầết thồếng kế của các tn hiệu si(t) để xầếp xỉ cả aij lầỹn si(t). Thật ra, ta hoàn toàn có thể giả sử răầng s1(t), s2(t) và s3(t) là độc lập thồếng kế ở mồỹi thời điểm t. ICA ban đầầu được phát triển để giải quyếết các bài toán tương tự như bài toán bữa tệc, tách riếng các tn hiệu từ đoàn hành quần (xe, người, chuyển động … ) trong quần sự. Do sự quan tầm đếến lý thuyếết ICA ngày càng tăng, ICA ngày càng có nh ững ứng d ụng trong nhiếầu lĩnh vực khác nhau. Ví dụ, các tn hiệu điện não được cho bởi một điện tầm đồầ EEG (Electroencephalogram – EEG). Dữ liệu EEG bao gồầm bản ghi các tn hiệu điện thếế ở nhiếầu vùng khác nhau trến da đầầu. Cá tn hiệu điện này là trộn lầỹn của các tn hiệu thành phầần của não bộ và hoạt động của các cơ. Trường hợp này cũng tương tự như bài toán bữa tệc: chúng ta muồến tm các thành phầần ban đầầu của các hoạt động của não bộ nhưng chúng ta chỉ quan sát được các trộn lầỹn của các thành phầần đó. ICA có thể tm ra thồng tn hữu ích vếầ hoạt động não bộ băầng cách truy xuầết vào các thành phầần độc lập của nó. 5.2.Định nghĩa ICA 5.2.1.ICA dưới dạng xầếp xỉ của mồ hình sản sinh Để định nghĩa ICA, chúng ta có thể sử dụng mồ hình các biếến ẩn (latent variables) thồếng kế. Chúng ta quan sát được n biếến ngầỹu nhiến x1, … , x2, là tổ hợp tuyếến tnh của n biếến ngầỹu nhiến s1, … , s2 dưới dạng: xi  ai1s1  ai 2 s2  ...  ain sn với i = 1,…,n (5.4) Trong đó aij (i, j = 1, … , n) là các hệ sồế thực. Theo định nghĩa, các si là độc lập thồếng kế với nhau. Đầy chính là mồ hình ICA cơ bản. Mồ hình này mang tnh sinh sản (generatve model), nghĩa là nó mồ tả cách thức mà dữ liệu quan sát được tạo ra bởi một quá trình trộn lầỹn các thành phầần si. Các thành phầần độc lập si là các biếến ẩn, nghĩa là chúng khồng được quan sát một cách trực tếếp. Các hệ sồế trộn lầỹn cũng được giả sử là chưa biếết. Tầết cả những gì ta có 5 được là xi, và chúng ta phải xầếp xỉ cả các hệ sồế trộn lầỹn aij lầỹn các thành phầần độc lập băầng cách sử dụng xi. Để thuận tện, ta ký hiệu ma trận A là ma trận có các thành phầần aij, ma trận s có các thành phầần si, và ma trận x có các thành phầần xi. Do đó, mồ hình tr ộn lầỹn có th ể đ ược bi ểu diếỹn dưới dạng ma trận: x=A.s (5.5) hay n x   ai .si i 1 (5.6) Vậy định nghĩa ICA như sau: Cho s là các nguồần vào ban đầầu, x là các hồỹn hợp, A là ma trận trộn lầỹn với các hệ sồế a ij (i n x   ai .si i 1 = 1, … , n; j = 1, … , m). Mồ hình trộn lầỹn của ICA có dạng x = As hoặc Các thành phầần s có thể được tái tạo lại hoàn toàn khi chúng là độc lập thồếng kế và có phần bồế phi gauss. 5.2.2.Tiếần xử lý cho ICA Tìm giá trị trung tâm Cơ bản và cầần thiếết nhầết cho quá trình tếần xử lý là tm trung tầm x, tr ừ đi vect ơ tr ị trung bình của nó m = E{x} sao cho x là một biếến có trị trung bình zero. Hàm ý này cho s có tr ị trung bình zero. Làm đơn giản lý thuyếết và các thuật giải. Ta sử dụng phép quy tầm đồếi với các biếến trộn lầỹn xi, băầng cách trừ đi trị trung bình. xi’ = xi – E{x} (5.7) Sau khi thực hiện ICA, các thành phầần độc lập cũng có trị trung bình băầng 0 vì E{s} = A-1E{x} (5.8) Trị trung bình bị trừ đi có thể được tái tạo băầng cách cộng A-1E{x} vào các thành phầần độc lập có trị trung bình băầng 0. Trắắng hóa Với các biếến ngầỹu nhiến cho trước, ta có thể thực hiện biếến đổi tuyếến tnh chúng thành các biếến phi tương quan. Điếầu này gọi là trăếng hóa (whitening).Phi tương quan là 1 tnh yếếu hơn tnh độc lập. 2 biếến ngầỹu nhiến được gọi là phi tương quan khi hiệp phương sai của chúng băầng 0: 6 Cov(y1,y2) = E{y1y2} – E{y1}E{y2} = 0 Nếếu các biếến ngầỹu nhiến độc lập thì chúng phi tương quan, nh ưng ng ược lại ch ưa đúng. Một tnh mạnh hơn phi tương quan là tnh trăếng hóa (whitness).Tính trăếng hóa của vector ngầỹu nhiến y có trị trung bình =0 là các thành phầần của nó là phi tương quan và ph ương sai của chúng băầng đơn vị: E{yyT} = I. Làm trăếng hóa có nghĩa là chúng ta biếến đổi tuyếến tnh vector d ữ li ệu được quan sát x băầng cách nhần tuyếến tnh nó với một mà trận V nào đó: z = Vx sao cho vector z trăếng hóa. Sử dụng trăếng hóa seỹ biếến đổi ma trận trộn lầỹn thành một ma trận mới A ’: z = V.A.s = A’s Lợi ích của trăếng hóa là ma trận A’ là trực chuẩn: E{zzT} = A’E{ssT} A’T = A’A’T = I Điếầu này có nghĩa là ta có thể hạn chếế cồng việc tm kiếếm ma trận trộn lầỹn trong khồng gian các ma trận trực chuẩn. Thay vì phải giải quyếết n2 thồng sồế, ta chỉ phải xầếp xỉ ma trận A’ có n(n-1)/2 thồng sồế. Do đó trăếng hóa giúp ta giải quyếết phần n ửa bài toán ICA.Do làm trăếng hóa đơn giản hơn nhiếầu nến ta cầần phải giảm sự phức tạp của bài toán theo cách này. Ước lượng ICA Có nhiếầu cách để giải quyếết bài toán ICA: + Cực đại hóa tnh phi Gauss (nongaussianity) + Ước lượng khả năng cực đại (maximum likelihood) + Cực tểu hóa thồng tn hồỹ tương (mutual informaton) Trong các phương pháp trến, trước tến định ra một hàm đồếi tượng (objectve functon), còn gọi là hàm trị giá (cost functon), rồầi dùng một thuật toán để cực đại hóa tr ị tuyệt đồếi hàm đồếi tượng này để ước lượng các thành phầần độc lập. Theo định lý giới hạn trung tầm (central limit theorem), t ổng của nhiếầu biếến ngầỹu nhiến có phần bồế gầần Gauss hơn bầết cứ biếến ngầỹu nhiến gồếc nào. Ở mồ hình ICA vector ngầỹu nhiến x là trộn tuyếến tnh của các thành phầần s độc lập với nhau, vì vậy các thành phầần tr ộn x seỹ có phần bồế gầần Gauss hơn. Do đó ước lượng ICA nhăếm đếến cực đại hóa tnh phi Gauss b ởi vì điếầu này seỹ cho ta các thành phầần độc lập. Ta có thể đo tnh phi Gauss băầng Negentropy. Negentropy dựa vào lý thuyếết thồng tn lượng entropy 5.3.Thuật toán Fast ICA Chúng ta xét 1 vector dữ liệu x được phần bồế theo mồ hình dữ liệu ICA, nó là sự pha trộn của các thành phầần độc lập. Giả sử ta ước lượng được 1 thành phầần độc lập có dang: y = wTx = ⅀wixi 7 trong đó w là 1 hàng của ma trận nghịch đảo của A, với A là ma trận trộn (x = As). Như vậy, để xầếp xỉ được các thành phầần độc lập, ta phải xác định w để cực đại tnh phi Gauss của wTx. Xác định w FastICA sử dụng thuật toán sau để xác định cực đại tnh phi Gauss của w Tx. Tính phi Gauss ở đầy được đo đạc theo xầếp xỉ negentropy J(wTx). B1: Chọn vector ngầỹu nhiến w. B2: Tính toán tnh xầếp xỉ negentropy với J(wTx) w = E{zg(wTz)} - E{g’(wTz)}w B3: Chuẩn hóa, chia vector w cho chuẩn hóa độ dài của nó để tạo ra vector đ ơn vị w <- w/||w|| Nếếu khồng hội tụ thì lặp lại bước B2. Hội tụ có nghĩa là giá trị mới và cũ của w phải có cùng hướng, tch vồ hướng của chúng là 1. Tuy nhiến ta chọn ngưỡng hội tụ Sig sao cho Sig >= ||wnew - wold|| 5.5.Mồ phỏng và thực hiện thuật toán Fast ICA. 5.5.1.Mồ phỏng với EEGlab toolbox. EEGLAB là một cồng cụ của Matlab để xử lý tn hiệu EEG ,MEG và các tn hiệu điện sinh khác băầng ICA,tme/frequency analysis hoặc artcfact rejecton.Download t ại http://sccn.ucsd.edu/eeglab/. Hình 5.2 : GUI EEGLAB Toolbox. 8 Ta seỹ chạy thử với tn hiệu eeg_data gồầm 32 kếnh tn hiệu,30504 mầỹu và v ới tầần sồế 128Hz. Hình 5.3 : Dữ liệu EEG data mầỹu. Biểu diếỹn tn hiệu EEG 32 kếnh : Plot -> Channel data (Scroll) Hình 5.4 : Giản đồầ 32 kếnh tn hiệu mồ phỏng trến EEGLAB 9 Đầy là tn hiệu tổng thu được từ các tn hiệu thành phầần,nhiệm vụ bầy giờ là sử dụng thuật toán ICA để tm ra các tn hiệu thành phầần.Ở đầy ta seỹ thiếết lập sồế thành phầần độc l ập cũng là 32, và sử dụng cồng cụ Tool -> Runica của Matlab. Khi đó,Matlab seỹ ước lượng vecto wchange < một giá trị ngưỡng xác định thì dừng lại Hình 5.5 :Matlab xử lý dữ liệu băầng thuật toán Fast ICA. Sau cùng,Matlab có thể xuầết ra cho ta 32 dữ liệu thành phầần Plot -> component actvaton (scroll) Hình 5.6 :Giản đồầ 32 tn hiệu thành phầần 10 5.5.2.Thực hiện thuật toán Fast ICA trến C. Sau khi chuyển tn hiệu từ định dạng *.edf sang định dạng *.txt ,ta thu được fle Eyeblink2.edf_All_Sample.txt chứa dữ liệu của 19 kếnh EEG. Trong ubuntu,gõ dòng lệnh ./buildmain để khởi động chương trình: Sồế mầỹu tn hiệu tương ứng với sồế hàng;sồế kếnh tương ứng với sồế cột cầần nhập,và sồế thành phầần độc lập cầần phần tch là sồế comp. Ở đầy ,ta chọn sồế mầỹu là 1024,có 19 kếnh và cầần phần tch thành 19 thành phầần đ ộc l ập Chương trình trến C seỹ gồầm 2 chức năng chính : +Biếến đổi ICA thuận :từ mầỹu tn hiệu trộn phần tch thành các tn hiệu thành phầần. + Biếến đổi ICA ngược : từ mầỹu tn hiệu trộn phần tch thành cách tn hiệu thành phầần,sau đó loại bỏ 1 thành phầần độc lập ( ở đầy minh họa cho nhiếỹu măết ) và khồi phục lại tn hiệu ban đầầu sau khi loại bỏ tn hiệu nhiếỹu đó. 11 ICA Tranform Với việc chọn biếến đổi ICA thuận,ta seỹ điếần đường dầỹn của mầỹu tn hiệu trộn vào Sau đó tn hiệu trộn đưa vào seỹ được phần tch thành cách thành phầần độc l ập d ựa trến sồế lượng thành phầần mà mình yếu cầầu ( ở đầy là 19 thành phầần ) và xuầết d ữ li ệu các thành phầần này dạng ma trận ra fle *.txt. Ta có thể chọn 1 thành phầần bầết kì để xuầết riếng dữ liệu ra fle *.txt và kiểm tra d ạng tn hiệu của nó băầng đồầ thị.Ở đầy chọn thành phầần mang thứ tự sồế 7. 12 Đưa vào Excel để kiểm tra dạng tn hiệu ICA Transform Inverse Với việc chọn biếến đổi ICA ngược,cũng seỹ điếần đường dầỹn fle dữ liệu EEG cầần loại bỏ nhiếỹu và khồi phục lại 13 Chương trình seỹ tự động biếến đổi ICA tn hiệu trộn như trong ICA Transform Tiếếp theo chọn thành phầần tn hiệu độc lập cầần loại bỏ ( Remove Component) .Ở đầy minh họa thành phầần thứ 18. Và cuồếi cùng ta seỹ chọn kếnh tn hiệu cầần khồi phục lại sau khi đã loại bỏ 1 tn hiệu thành phầần ( coi là tn hiệu nhiếỹu ).Ví dụ là channel 1. 14