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
- Xem thêm -