Tài liệu 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 Giải thích tiếng Việt viết tắt 1 2dLDA Two-dimensional Linear Discriminant Analysis 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