Đăng ký Đăng nhập
Trang chủ Giáo dục - Đào tạo Cao đẳng - Đại học Công nghệ thông tin Hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh...

Tài liệu Hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh

.PDF
155
214
94

Mô tả:

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 NGUYỄN THỊ ANH ĐÀO 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 tử-Viễn 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 102.042019.14, 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 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i Lời cam đoan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 MỞ ĐẦU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 CHƯƠNG 1. CƠ SỞ VÀ TỔNG QUAN . . . . . . . . . . . . . . . . . . . . . 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 KINH ĐƠN KÊNH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 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 ♣1 ✁ SPE q 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) . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 3.2.1. 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 . . . . . . . . . . . . . . . . . . . . . . 92 3.4.1. Biểu diễn dữ liệu . . . . . . . . . . . . . . . . . . . . . . . . . . 93 2 3.4.2. Trích xuất đặc trưng . . . . . . . . . . . . . . . . . . . . . . . . 93 3.4.3. 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 3.5.1. Phương pháp . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 3.5.2. Mô phỏng và đánh giá . . . . . . . . . . . . . . . . . . . . . . . 122 3.6. 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 KẾT LUẬN VÀ KIẾN NGHỊ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129 DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 TÀI LIỆU THAM KHẢO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 PHỤ LỤC A. CHỨNG MINH ĐỊNH LÝ 3.1 . . . . . . . . . . . . . . . . . . . 146 PHỤ LỤC B. CHỨNG MINH HỆ QUẢ 3 . . . . . . . . . . . . . . . . . . . . . 147 PHỤ LỤC C. CHỨNG MINH HỆ QUẢ 5 . . . . . . . . . . . . . . . . . . . . . 148 3 DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT Danh mục ký hiệu STT Ký hiệu Giải thích 1 R Tập số thực 2 RN Không gian véc-tơ thực N chiều 3 chữ thường, chữ in nghiêng hoặc chữ hoa in hoa, ví dụ a, N Đại lượng vô hướng 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 dụ X Ten-xơ, các thành phần của ten-xơ X được ký hiệu là xi1 i2 ...in 7 ✆ Tích ngoại 8 ❜ Tích Kronecker 9 ❞ Tích Khatri-Rao 10 ✝ Tích Hadamard 11 ① 12 ♣☎q 13 tr♣☎q Trace của ma trận ♣☎q 14 ⑥ A⑥ Chuẩn của ten-xơ A 15 ⑥ X⑥F Chuẩn Frobenius của ten-xơ X 16 ① A, B② Tích nội của ten-xơ A và ten-xơ B có cùng kích thước 17 A❵B 18 ♣ q X, Y② k # Tích nội của ten-xơ X và ten-xơ Y Giả nghịch đảo của ma trận ♣☎q Xếp chồng của ten-xơ A với ten-xơ B Mode (chế độ) của ma trận hoặc ten-xơ 4 ↕n 19 A♣kq của ten-xơ A bậc n Mode-k (chế độ k) của ten-xơ A, k 20 A ✂k U Phép nhân k-mode của ten-xơ A với ma trận U 21 xi1 i2 ...iN Phần tử của ten-xơ X P RI1 ✂I2 ...✂IN 22 λ Ten-xơ đường chéo 23 rank ♣Uk q Hạng của ma trận Uk 24 G Ten-xơ lõi 25 tλi✉ri✏1 Các phần tử đường chéo của ten-xơ lõi G 26 Λ Ma trận đường chéo 27 vec♣Uq Véc tơ hóa ma trận U 28 σ Độ lệch chuẩn 29 Σ Ma trận hiệp phương sai 30 γ ♣f i q Điểm Fisher của đặc trưng fi 31 θ Ngưỡng quyết định 5 DANH MỤC CHỮ VIẾT TẮT STT Chữ viết tắt Giải thích tiếng Anh Two-dimensional Linear Discriminant Analysis Giải thích tiếng Việt 1 2dLDA 2 CP/ Canonical Polydadic/ PARAFAC Parallel Factor Analysis Phân tích phần tử song song 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 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 Principal Component Analysis Phân tích các thành phần chính đa 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 . . . . . 77 Bảng 3.1: 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 Mặt phía trước của hộp sọ theo chuẩn đo quốc tế 10 ✁ 20 [73]. . . 30 Hình 1.7 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 phần. P RI ✂J ✂K thành R thành . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Hình 1.15 Phân tích Tucker của ten-xơ bậc ba X P RI ✂J ✂K . . . . . . . . . 44 Hình 2.1 Sơ đồ khối của hệ thống đa bước tự động phát hiện gai động kinh 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]. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 57 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 θ 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 R56✂15 thu được từ phép phân tích Tucker với ràng buộc không âm của ten-xơ động kinh và ten-xơ không động kinh. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 Hình 3.4 Ma trận thang tỉ lệ B P R20✂10 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 Hình 3.5 Ma trận kênh chung C P R19✂19 của ten-xơ gai động kinh thu được từ phép phân tích NTD. . . . . . . . . . . . . . . . . . . . . . . . 12 99 Hình 3.6 Các ma trận A, B thu được sử dụng các phương pháp phân tích ten-xơ (NTD, TD, NCP) của ten-xơ động kinh. Trục x biểu diễn số thành phần (các véc tơ cột), trục y của ma trận thời gian chung A biểu diễn 56 mẫu theo thời gian và trục y của ma trận thang tỉ lệ chung B biểu diễn 20 thang tỉ lệ trong dải thang tỉ lệ từ thang tỉ lệ 4 đến thang tỉ lệ 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 Hình 3.7 Điểm Fisher (dấu màu xanh) và trị số p (dấu màu đỏ) của các đặc trưng. Các đặc trưng được xắp xếp dựa vào điểm fisher của chúng. Mức có ý nghĩa p ✏ 0.05 được sử dụng để đưa ra quyết định loại bỏ giả thiết đảo H0 , loại bỏ các đặc trưng có giá trị p → 0.05. . . . . . . . . . 101 Hình 3.8 Véc tơ gồm 10 đặc trưng có ý nghĩa nhất được lựa chọn cho lớp gai động kinh và lớp gai không động kinh. Các véc tơ đặc trưng của hai gai động kinh là tương tự nhau, véc tơ của hai gai không động kinh là khác nhau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101 Hình 3.9 Hiệu suất phân loại theo số lượng đặc trưng được lựa chọn . . . . 102 Hình 3.10 Hiệu suất phát hiện gai động kinh của mô hình KNN khi áp dụng phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . . . 104 Hình 3.11 Hiệu suất phát hiện gai động kinh của mô hình NB khi áp dụng phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . . 107 Hình 3.12 Hiệu suất phát hiện gai động kinh của mô hình DT khi áp dụng phương pháp trích xuất đặc trưng do luận án đề xuất so với các phương pháp dựa trên phân tích ten-xơ khác (CP, NCP, TD và NTD). . . . . . 109 Hình 3.13 Hiệu suất phát hiện gai động kinh của 4 bộ phân loại sử dụng các đặc trưng được trích xuất bởi phương pháp của Phan-Cichocki. . . . . 113 Hình 3.14 Hiệu suất phát hiện gai động kinh của SVM với các đặc trưng sử dụng các phương pháp phân tích ten-xơ: CP, NCP, TD và NTD. . . . . 114 Hình 3.15 Hiệu suất phát hiện gai động kinh với các đặc trưng được trích xuất sử dụng NTD với bộ phân loại SVM, KNN, NB và DT. . . . . . . 116 13 Hình 3.16 Đường cong ROC của hệ thống phát hiện gai động kinh đa kênh sử dụng (a) Phương pháp phát hiện gai động kinh dựa trên phân tích ten-xơ và (b) Phương pháp xếp chồng các ten-xơ . . . . . . . . . . . . 118 Hình 3.17 Hệ thống phát hiện gai động kinh đa kênh sử dụng phương pháp lựa chọn đặc trưng kết hợp 2 phương pháp lựa chọn đặc trưng là điểm Fisher và trị số p. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120 Hình 3.18 Trị số p là xác suất xảy ra một kết quả quan sát được với giả thiết đảo H0 là đúng. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121 Hình 3.19 Điểm Fisher (dấu màu xanh) và trị số p (dấu màu đỏ) của các đặc trưng. Các đặc trưng được xắp xếp dựa vào điểm fisher của chúng. Mức có ý nghĩa p ✏ 0.05 được sử dụng để đưa ra quyết định loại bỏ giả thiết đảo H0 , loại bỏ các đặc trưng có giá trị p → 0.05. . . . . . . . . . 123 Hình 3.20 Giá trị SEN, ACC và AUC của hệ thống theo số lượng các đặc trưng được lựa chọn sử dụng các phương pháp lựa chọn đặc trưng sử dụng bộ phân loại SVM. . . . . . . . . . . . . . . . . . . . . . . . . . . 124 14 MỞ ĐẦU 1. Bối cảnh nghiên cứu Động kinh (epilepsy) là một rối loạn thần kinh và là một trong những rối loạn nghiêm trọng phổ biến nhất của bộ não, được đặc trưng bởi sự xuất hiện xung động kinh lặp đi lặp lại nhiều lần. Bệnh động kinh chiếm 1% trong số các bệnh tật trên toàn cầu. Theo nghiên cứu [10] năm 2010, trên thế giới có khoảng 50 triệu người mắc bệnh động kinh, gần 40 triệu người bị động kinh ở các nước phát triển, trong đó 80 ✁ 90% người bị động kinh không được điều trị [17, 107]. Khoảng 4 tỷ người (50% dân số toàn cầu) sống ở châu Á, trong đó khoảng 23 triệu người mắc bệnh động kinh [116]. Chẩn đoán bệnh tức là dựa vào triệu chứng của bệnh nhân và một số xét nghiệm lâm sàng, cận lâm sàng để các bác sĩ xác định bệnh nhân có bị bệnh hay không. Trong chẩn đoán bệnh động kinh, bác sĩ dựa vào nhận biết các triệu chứng đặc trưng của từng cơn, dấu hiệu thần kinh và tâm thần, tuổi khởi phát và căn nguyên của các cơn co giật lâm sàng. Một xét nghiệm lâm sàng quan trọng hay được sử dụng nhất để chẩn đoán và theo dõi tiến triển của bệnh động kinh là đo điện não đồ của bệnh nhân. Điện não đồ (EEG – Electroencephalogram) là cách sử dụng mũ điện cực ghi lại các hoạt động điện của não bộ. Dựa vào quan sát dữ liệu điện não đồ, bác sĩ có thể chẩn đoán bệnh động kinh, thể loại động kinh và khu vực não bị tổn thương, thông qua các dấu ấn sinh học của động kinh được thể hiện trên điện não đồ. Dấu ấn sinh học của động kinh gồm xung động kinh (epileptic seizure) và một số dạng sóng động kinh như gai động kinh (epileptic spike), sóng sắc (sharp wave), phức hợp gai và sóng, đa gai. Với các xét nghiệm lâm sàng, bác sĩ chỉ quan sát được gai động kinh trên điện não đồ của bệnh nhân. Xung động kinh của bệnh nhân được ghi lại khi bệnh nhân được theo dõi điện não đồ 24④24 giờ trong bệnh viện. Gai động kinh xuất hiện trên điện não đồ trước hoặc sau cơn động kinh [60]. Tại Việt Nam, việc chẩn đoán nhầm bệnh động kinh ở tuyến huyện và tỉnh xảy ra khá phổ biến do hai nguyên nhân như sau: Thứ nhất, các bác sĩ chuyên khoa phân tích và chẩn đoán bệnh động kinh từ dữ 15
- Xem thêm -

Tài liệu liên quan