Tách lọc tín hiệu điện não (EEG) trên điện thoại di động

Tách lọc tín hiệu điện não (EEG) trên điện thoại di động

A.Lời nói đầu

Điện não đồ là dụng cụ thử nghiệm y học ghi lại những xung điện từ các neuron trong não có thể nhận được từ da đầu.Nhờ vào sự phát triển của khoa học - kỹ thuật và đặc biệt là những tiến bộ nhanh chóng của kỹ thuật điện tử y-sinh trong thời gian gần đây, nhiều nhà khoa học trên thế giới đã xây dựng và phát triển nhiều kỹ thuật xử lý tín hiệu hiện đại ứng dụng trong phân tích và chẩn đoán chính xác tín hiệu điện não đồ (EEG) để nghiên cứu khả năng điều khiển điện thoại thông qua việc giải mã tín hiệu EEG từ EEG headset

Bộ não liên tục sản sinh ra các tín hiệu điện rất nhỏ đến từ các tế bào não và tế bào thần kinh dẫn truyền thông tin cho nhau Trong suốt quá trình kiểm tra EEG,các điện cực (các đĩa kim loại phẳng ) được gắn trên đầu của người dùng Các điện cực này thu nhận các tín hiệu điện từ não

và gửi chúng tới một máy EEG Máy EEG sẽ ghi lại các tín hiệu điện từ não đưa tới một máy tính Tín hiệu này giống như những đường lượn sóng, và sẽ đại diện cho các mẫu sóng não của bạn

Đo điện não đồ không gây đau và vô hại (Các máy đo điện não đồ ghi lại các tín hiệu điện từ não của bạn - nó không mang dòng điện nào vào não hoặc cơ thể của bạn).Dựa vào tín hiệu sóng não ta có thể tách lọc các tín hiệu nhiễu, giải mã được đâu là tín hiệu phát ra từ tế bào thần kinh để có thể ứng dụng điều khiển

Với mong muốn nghiên cứu ,học hỏi và áp dụng công nghệ mới để xử lý tín hiệu EEG trên điện thoại di động,dưới sự hướng dẫn tận tình của thầy Phạm Văn Tiến –giảng viên Viện Điện Tử-Viễn Thông,nhóm chúng em đã chọn đề tài “Tách lọc tín hiệu điện não (EEG) trên điện thoại

di động” làm đề tài Project 3 Do cùng làm việc trong thời gian có hạn cùng với những hiểu biết còn hạn chế,bài tập lớn khó tránh khỏi những sai sót ,nhóm em mong nhận được ý kiến đóng góp của thầy và các bạn!

Nhóm sinh viên lớp KSTN-ĐTVT-K54

B.Nội dung

1.Cơ sở vật lý-y sinh của tín hiệu điện não đồ

1.1.Đặc điểm của tín hiệu điện não đồ (EEG)

Điện não đồ (EEG – Electroencephalogram ) đo và biểu diễn sự thay đổi điện thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não trên đồ thị máy tính Thông qua các đặc trưng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG cho ta các thông tin về các hoạt động của não

Trong quá trình hoạt động, não sẽ phát ra các xung điện lan truyền theo các dây thần kinh Các xung điện này phản ánh trạng thái hoạt động và kích thích của bộ não Các xung điện não sẽ lan truyền đến lớp vỏ não có độ dày khoảng 23mm Bề mặt của vỏ não có dạng các lớp, khe nhỏ với nhiều kích thước khác nhau lằm làm tăng diện dích hệ thần kinh, với tổng diện tích hơn

Các tín hiệu được ghi trên da đầu có biên độ biến thiên từ vài ‹V đến xấp xỉ 200‹V và tần

số nằm trong phạm vi từ 0.5 đến 70Hz N ếu trạng thái của đối tượng đo ổn định trong một khoảng thời gian, các nhịp này có dạng tuần hoàn.Các nhịp cơ bản được chia thành 5 dải :

+ Nhịp delta: tần số 0.5 - 4Hz

+ Nhịp theta: tần số 4 -7.5 Hz

+ Nhịp alpha :tần số 8 – 13.5 Hz

+ Nhịp beta : tần số từ 14 -30 Hz

+ Nhịp gamma : có tần số lớn hơn 30 Hz

1.2.Nguồn gốc và các đặc trưng tần số, biên độ của các loại nhiễu chính trong điện não đồ

Trong các tín hiệu điện não đồ chúng ta đo được thường xuyên xuất hiện các loại tín hiệu

lạ không phải là tín hiệu điện não xuất phát từ da đầu, chúng được gọi là nhiễu (artifact) Các nhiễu này được chia thành hai nhóm chính N hóm thứ nhất là nhiễu do thiết bị và mang tính hệ thống (do tiếp xúc điện cực và sai số thiết bị đo), loại nhiễu này thường khá dễ dàng nhận biết

và loại bỏ vì nó có tính tương quan cao Nhóm thứ hai là các nhiễu có nguồn gốc từ sinh lý của con người như nhiễu cho chuyển động của mắt, do nháy mắt, do hoạt động của các cơ bắp, hoạt động của cơ tim Dưới đây chúng tôi sẽ trình bày các đặc điểm nhận dạng của các loại tín hiệu nhiễu này

1.2.1 Đặc điểm nhận dạng nhiễu mắt (Electrooculogram – EOG)

Tín hiệu EOG là sự chênh lệch điện áp giữa giác mạc và võng mạc của mắt Chênh lệch điện áp này thay đổi trong suốt quá trình chuyển động của mắt, và điện áp đo được gần như tỉ

lệ với góc nhìn Chúng ta có thể ghi nhận chênh lệch điện áp này tương ứng với mức độ chuyển

động và hướng chuyển động của mắt để làm kênh tham chiếu Khi giác mạc hay võng mạc của mắt chuyển động sẽ không những làm thay đổi độ chênh lệch điện thế tạo ra tín hiệu EOG mà còn ảnh hưởng làm thay đổi điện thế ở các vị trí khác trên da đầu và do đó làm thay đổi tín hiệu EEG Tín hiệu EOG có nhiều tính chất đặc trưng riêng, khác biệt với các tín hiệu điện não đồ thông thường Việc nghiên cứu và phân tích các tính chất của các tín hiệu EOG là nền tảng quan trọng để áp dụng và kiểm tra các thuật toán loại bỏ nhiễu mắt EOG khỏi tín hiệu điện não 1.2.2 Đặc điểm nhiễu cơ (Electromyogram – EMG)

Tín hiệu EMG là tín hiệu tạo ra bởi điểu khiển hoạt động của cơ bắp và chứa thông tin về cấu trúc cơ của từng bộ phận cơ thể khác nhau Khi ta đo điện não, bệnh nhân thường không tránh khỏi một số hoạt động bình thường như co ngón tay, co tay, nói chuyện, cử động chân, quay đầu, quay người, … tất cả các hoạt động đó điều tạo ra nhiễu cơ lên tín hiệu điện não

5.Thuật toán phân tích thành phần độc lập ICA trong phân tích tín hiệu điện não đồ (EEG) 5.1.Giới thiệu thuật toán

Phân tích thành phần độc lập ICA (Independent Component Analysis) là một kỹ thuật tính toán và thống kê để phát hiện những thừa số tìm ẩn tồn tại dưới những tập hợp biến, phép đo hay tín hiệu ngẫu nhiên ICA chỉ rõ tính chất một mô hình tổng quát cho dữ liệu đa biến quan sát được, mà dạng đưa ra điển hình là một bộ cơ sở dữ liệu mẫu rộng lớn Trong một mô hình, những biến dữ liệu được cho rằng là những hỗn hợp tuyến tính hay phi tuyến tính của một vài biến tìm ẩn chưa biết, và phương thức trộn cũng chưa biết Những biến tìm ẩn được cho rằng phi gauss và độc lập với nhau, và chúng được gọi là những thành phần độc lập của dữ liệu quan sát được Những thành phần độc lập này cũng được gọi là những nguồn hay những thừa số có thể được tìm thấy bằng ICA

ICA có thể được xem là sự mở rộng của phân tích thành phần chính và phân tích thừa số ICA là một kỹ thuật mạnh hơn rất nhiều về khả năng tìm kiếm những thừa số hay nguồn tìm ẩn

mà những phương pháp cổ điển thất bại hoàn toàn

Một trong những ứng dụng thực tế và cụ thể của ICA là ứng dụng ICA trong phân tích tín hiệu não bộ Tín hiệu não bộ được đo bằng một điện não đồ EEG (Electroencephalogram) với các tần số khác nhau Điện cực được đặt ở vị trí thích hợp trên da đầu để ghi các xung động xuất phát từ não Tín hiệu thu được từ các điện cực là tổng hợp từ nhiều tín hiệu não riêng biệt

và bao gồm cả nhiễu Có hai loại nhiễu chính: nhiễu do bệnh nhân gây ra với các quá trình sinh

lý của cơ thể, nhiễu do yếu tố bên ngoài như dụng cụ, dòng điện, … Một số loại nhiễu thường gặp như: nháy mắt liên tục, mắt vận động sang bên, vận động của lưỡi, nhiễu do co cơ, nhiễu

do mạch, khịch mũi, nhiễu mồ hôi, do điện cực tiếp xúc kém, nhiễu kim loại, nhiễu do chạm điện cực kim loại, nhiễu do dòng tĩnh điện Bài toán đặt ra là phải tìm ra các tín hiệu não bộ riêng biệt ban đầu từ các tín hiệu thu được ở các điện cực Phân tích thành phần độc lập đã giải được bài toán trên bằng cách loại trừ các tín hiệu nhiễu và tách ra các tín hiệu não cần tìm

Một trong những công cụ mạnh mẽ được sử dụng để thực hiện cho nhiệm vụ trên đó là phần mềm EEGlab, EEGlab là một hộp công cụ và có giao diện hình ảnh, chạy trên môi trường MATLAB cho những thu thập xử lý thử nghiệm riêng và/hay dữ liệu EEG chuẩn của bất kỳ số kênh truyền Những chức năng có thể dùng được bao gồm dữ liệu EEG, nhập kênh truyền và thông tin sự kiện, sự hình dung dữ liệu, xử lý (bao gồm loại trừ nhiễu, lọc, chọn miền, và chuẩn hóa), phân tích thành phần độc lập (ICA) và những phân tích thời gian/tần số bao gồm kênh truyền và thành phần tạp giao với nhau hỗ trợ bởi những phương pháp thống kê bậc cao từ việc lấy mẫu dữ liệu

5.1 Động lực sự thúc đẩy phát triển của ICA

Hình 5.1 :Bài toán cocktail –party

Hãy tưởng tượng rằng 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 tín hiệu theo thời gian được thu lại x1(t), x2(t) và x3(t) Mỗi tín hiệu thu được này là tổng của các tín hiệu tiếng nói từ ba người đang nói, kí hiệu s1(t), s2(t) và s3(t), và được biểu diễn dưới dạng:

x (t)=a s (t) + a s (t) + a s (t) (5.1)

x (t)=a s (t) + a s (t) + a s (t) (5.2)

x (t)=a s (t) + a s (t) + a s (t) (5.3)

sử dụng các tín hiệu được thu lại xi(t) Đây chính là bài toán bữa tiệc (cocktail party problem)

Để đơn giản mô hình bài toán, ta sẽ bỏ qua các độ trễ về thời gian cũng như các yếu tố khác (nhiễu, … )

Thật ra, nếu biết được các thông số trộn lẫn aij, ta có thể giải các phương trình tuyến tính (5.1), (5.2) và (5.3) ở trên Tuy nhiên, cần phải nhấn mạnh rằng chúng ta hoàn toàn không biết

aij cũng như là si(t), do đó bài toán sẽ phức tạp hơn

Một cách tiếp cận để giải bài toán này là sử dụng các tính chất thống kê của các tín hiệu

si(t) để xấp xỉ cả aij lẫn si(t) Thật ra, ta hoàn toàn có thể giả sử rằng s1(t), s2(t) và s3(t) là độc lập thống kê ở mỗi thời điểm t

ICA ban đầu được phát triển để giải quyết các bài toán tương tự như bài toán bữa tiệc, tách riêng các tín hiệu từ đoàn hành quân (xe, người, chuyển động … ) trong quân sự Do sự quan tâm đến lý thuyết ICA ngày càng tăng, ICA ngày càng có những ứng dụng trong nhiều lĩnh vực khác nhau

Ví dụ, các tín hiệu điện não được cho bởi một điện tâm đồ EEG (Electroencephalogram – EEG) Dữ liệu EEG bao gồm bản ghi các tín hiệu điện thế ở nhiều vùng khác nhau trên da đầu Cá tín hiệu điện này là trộn lẫn của các tín hiệu thành phần của não bộ và hoạt động của các cơ Trường hợp này cũng tương tự như bài toán bữa tiệc: chúng ta muốn tìm các thành phần ban đầu của các hoạt động của não bộ nhưng chúng ta chỉ quan sát được các trộn lẫn của các thành phần đó ICA có thể tìm ra thông tin hữu ích về hoạt động não bộ bằng cách truy xuất vào các thành phần độc lập của nó

5.2.Định nghĩa ICA

5.2.1.ICA dưới dạng xấp xỉ của mô hình sản sinh

Để định nghĩa ICA, chúng ta có thể sử dụng mô hình các biến ẩn (latent variables) thống

nhiên s1, … , s2 dưới dạng:

1 1 2 2

x =a s +a s + +a s

với i = 1,…,n (5.4) Trong đó aij (i, j = 1, … , n) là các hệ số thực Theo định nghĩa, các si là độc lập thống kê với nhau

Đây chính là mô hình ICA cơ bản Mô hình này mang tính sinh sản (generative model), nghĩa là nó mô tả cách thức mà dữ liệu quan sát được tạo ra bởi một quá trình trộn lẫn các

một cách trực tiếp Các hệ số trộn lẫn cũng được giả sử là chưa biết Tất cả những gì ta có được

là xi, và chúng ta phải xấp xỉ cả các hệ số trộn lẫn aij lẫn các thành phần độc lập bằng cách sử dụng xi

Để thuận tiện, ta ký hiệu ma trận A là ma trận có các thành phần aij, ma trận s có các thành phần si, và ma trận x có các thành phần xi Do đó, mô hình trộn lẫn có thể được biểu diễn dưới dạng ma trận:

hay

1

n

i i i

=

=∑

(5.6)

Vậy định nghĩa ICA như sau:

Cho s là các nguồn vào ban đầu, x là các hỗn hợp, A là ma trận trộn lẫn với các hệ số aij (i =

n

i i i

=

=∑

Các thành phần

s có thể được tái tạo lại hoàn toàn khi chúng là độc lập thống kê và có phân bố phi gauss

5.2.2.Tiền xử lý cho ICA

Tìm giá trị trung tâm

Cơ bản và cần thiết nhất cho quá trình tiền xử lý là tìm trung tâm x, trừ đi vectơ trị trung bình của nó m = E{x} sao cho x là một biến có trị trung bình zero Hàm ý này cho s có trị trung

xi’ = xi – E{x} (5.7) Sau khi thực hiện ICA, các thành phần độc lập cũng có trị trung bình bằng 0 vì

lập có trị trung bình bằng 0

Trắng hóa

Với các biến ngẫu nhiên cho trước, ta có thể thực hiện biến đổi tuyến tính chúng thành các biến phi tương quan Điều này gọi là trắng hóa (whitening).Phi tương quan là 1 tính yếu hơn tính độc lập 2 biến ngẫu nhiên được gọi là phi tương quan khi hiệp phương sai của chúng bằng 0:

Cov(y1,y2) = E{y1y2} – E{y1}E{y2} = 0 Nếu các biến ngẫu nhiên độc lập thì chúng phi tương quan, nhưng ngược lại chưa đúng

Một tính mạnh hơn phi tương quan là tính trắng hóa (whitness).Tính trắng hóa của vector ngẫu nhiên y có trị trung bình =0 là các thành phần của nó là phi tương quan và phương sai của chúng bằng đơn vị:

E{yyT} = I

Làm trắng hóa có nghĩa là chúng ta biến đổi tuyến tính vector dữ liệu được quan sát x bằng cách nhân tuyến tính nó với một mà trận V nào đó:

z = Vx sao cho vector z trắng hóa

z = V.A.s = A’s Lợi ích của trắng hóa là ma trận A’ là trực chuẩn:

E{zzT} = A’E{ssT} A’T = A’A’T = I Điều này có nghĩa là ta có thể hạn chế công việc tìm kiếm ma trận trộn lẫn trong không gian các ma trận trực chuẩn Thay vì phải giải quyết n2 thông số, ta chỉ phải xấp xỉ ma trận A’ có n(n-1)/2 thông số Do đó trắng hóa giúp ta giải quyết phân nửa bài toán ICA.Do làm trắng hóa đơn giản hơn nhiều nên ta cần phải giảm sự phức tạp của bài toán theo cách này

Ước lượng ICA

Có nhiều cách để giải quyết bài toán ICA:

+ Cực đại hóa tính phi Gauss (nongaussianity)

+ Ước lượng khả năng cực đại (maximum likelihood)

+ Cực tiểu hóa thông tin hỗ tương (mutual information)

Trong các phương pháp trên, trước tiên định ra một hàm đối tượng (objective function), còn gọi là hàm trị giá (cost function), rồi dùng một thuật toán để cực đại hóa trị tuyệt đối hàm đối tượng này để ước lượng các thành phần độc lập

Theo định lý giới hạn trung tâm (central limit theorem), tổng của nhiều biến ngẫu nhiên có phân bố gần Gauss hơn bất cứ biến ngẫu nhiên gốc nào Ở mô hình ICA vector ngẫu nhiên x là trộn tuyến tính của các thành phần s độc lập với nhau, vì vậy các thành phần trộn x sẽ có phân

bố gần Gauss hơn Do đó ước lượng ICA nhắm đến cực đại hóa tính phi Gauss bởi vì điều này

sẽ cho ta các thành phần độc lập

Ta có thể đo tính phi Gauss bằng Negentropy Negentropy dựa vào lý thuyết thông tin lượng entropy

5.3.Thuật toán Fast ICA

Chúng ta xét 1 vector dữ liệu x được phân bố theo mô hình dữ liệu ICA, nó là sự pha trộn của các thành phần độc lập Giả sử ta ước lượng được 1 thành phần độc lập có dang:

y = wTx = w⅀ ixi

trong đó w là 1 hàng của ma trận nghịch đảo của A, với A là ma trận trộn (x = As)

Như vậy, để xấp xỉ được các thành phần độc lập, ta phải xác định w để cực đại tính phi Gauss của wTx

Xác định w

B1: Chọn vector ngẫu nhiên w

B2: Tính toán tính xấp 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 đơn vị

w <- w/||w||

Nếu không hội tụ thì lặp lại bước B2

Hội tụ có nghĩa là giá trị mới và cũ của w phải có cùng hướng, tích vô hướng của chúng là 1 Tuy nhiên ta chọn ngưỡng hội tụ Sig sao cho

Sig >= ||wnew - wold||

5.5.Mô phỏng và thực hiện thuật toán Fast ICA

5.5.1.Mô phỏng với EEGlab toolbox

EEGLAB là một công cụ của Matlab để xử lý tín hiệu EEG ,MEG và các tín hiệu điện sinh khác bằng ICA,time/frequency analysis hoặc articfact rejection.Download tại

http://sccn.ucsd.edu/eeglab/

Hình 5.2 : GUI EEGLAB Toolbox

Ta sẽ chạy thử với tín hiệu eeg_data gồm 32 kênh tín hiệu,30504 mẫu và với tần số 128Hz

Hình 5.3 : Dữ liệu EEG data mẫu

Biểu diễn tín hiệu EEG 32 kênh : Plot -> Channel data (Scroll)

Hình 5.4 : Giản đồ 32 kênh tín hiệu mô phỏng trên EEGLAB

Đây là tín hiệu tổng thu được từ các tín hiệu thành phần,nhiệm vụ bây giờ là sử dụng thuật toán ICA để tìm ra các tín hiệu thành phần.Ở đây ta sẽ thiết lập số thành phần độc lập cũng là 32, và sử dụng công cụ Tool -> Runica của Matlab

Khi đó,Matlab sẽ ước lượng vecto wchange < một giá trị ngưỡng xác định thì dừng lại

Hình 5.5 :Matlab xử lý dữ liệu bằng thuật toán Fast ICA

Sau cùng,Matlab có thể xuất ra cho ta 32 dữ liệu thành phần Plot -> component activation (scroll)