Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên (TT)

Hiện nay có bốn xu hướng nghiên cứu nhằm phân giải các phân lớp IHMv và tạo ra tín hiệu điều khiển chuyển động từ sóng não đó là: 1 Phân tích chỉ số khóa pha PLV của các cặp điện cực [10

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Công trình được hoàn thành tại:

Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:

Vào hồi …… giờ, ngày … tháng … năm ………

Có thể tìm hiểu luận án tại thư viện:

1 Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội

2 Thư viện Quốc gia Việt Nam

MỞ ĐẦU 1.1 Mục đích nghiên cứu

Hệ thần kinh đóng vai trò phát ra các thông tin để điều khiển và tạo ra vận động ở người thông qua các sóng điện từ (gọi tắt là sóng não) Sóng não điều khiển tưởng tượng vận động chi

trên (IHMv - Imagery Hand Movement) là một hoạt động của não

bộ khi con người tưởng tượng hoặc suy nghĩ về điều khiển vận động chi trên mà không tạo ra chuyển động thật Việc nghiên cứu các tín hiệu này sẽ giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người Nghiên cứu về các hoạt động tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi chức năng đối với những người bị liệt chi sau đột quỵ [54], [100], [20], hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng[49], [68], [82] Như vậy, việc phân giải được các thông tin điều khiển vận động

từ sóng não và tạo ra được các tín hiệu điều khiển vận động từ sóng não sẽ có vai trò trò rất lớn trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân tay giả được điều khiển bởi hệ thống thần kinh Trong nghiên cứu của luận án, tác giả tập trung nghiên cứu về các tín hiệu IHMv Để có thể ứng dụng được trong thực tế, các hệ thống phân loại IHMv cần thiết phải chú trọng đến việc nâng cao được độ chính xác, tin cậy và tốc độ xử lý và khả năng phân giải nhiều phân lớp IHMv Hiện nay có bốn xu hướng nghiên cứu nhằm phân giải các phân lớp IHMv và tạo ra tín hiệu điều khiển chuyển động từ sóng não đó là: (1) Phân tích chỉ số khóa pha PLV của các cặp điện cực [10], (2) Sử dụng sự biến thiên năng lượng và công suất của tín hiệu dựa trên quá trình suy giảm đồng bộ và tăng đồng bộ trong và trước khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) [113], [93] kết hợp với các mô hình phân loại (3) Phân tích các chỉ số tín hiệu theo mô hình tự hồi quy (AR), trung bình dịch

tự động hồi quy (ARMA) [25], [16] kết hợp với các mô hình phân loại (4) Phân tích tín hiệu trên miền thời gian - tần số [23], [89] dựa trên biến đổi Wavelet kết hợp với mô hình phân loại NN, SVM, LDA

Trong các phương pháp tiếp cận trên, có thể nhận thấy một

số vấn đề sau: Thứ nhất đó là vẫn chưa xác định rõ các nhóm

thuộc tính chuẩn định lượng tín hiệu IHMv Để nâng cao độ chính xác phân loại, phần lớn mô hình sử dụng phương pháp tách đặc trưng trên nhiều điện cực làm tăng thời gian tính toán và thời gian

thiết lập hệ thống khi áp dụng trên các mô hình BCI thực tế Thứ hai đó là các hệ thống phân loại tưởng tượng vận động chi trên

mới có khả năng phân loại ít trạng thái, phần lớn tập trung phân

lớp hai trạng thái tưởng tượng vận động Thứ ba là độ chính xác

và tin cậy của các hệ thống phân loại phụ thuộc nhiều vào các bộ

dữ liệu huấn luyện Bênh cạnh đó, tín hiệu điện não có tính thống

kê phụ thuộc vào nhiều điều kiện như tuổi tác, giới tính, tình trạng sức khỏe… do đó nghiên cứu xây dựng tập dữ liệu từ các đối tượng đo dưới các điều kiện xác định sẽ giúp trích xuất được các thông tin thông qua các kỹ thuật phân tích dữ liệu Đồng thời có thể đóng góp vào bộ cơ sở dữ liệu chung của thế giới để giúp nghiên cứu những đặc tính mới của tín hiệu trên bộ cơ sở dữ liệu lớn

Mục tiêu nghiên cứu của luận án

- Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại ba phân lớp tưởng tượng vận động chi trên

- Xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm Xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất

- Xây dựng bộ dữ liệu điện não liên quan đến điều khiển vận động của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích

Các vấn đề cần giải quyết của luận án

- Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn

đề cần giải quyết của luận án

- Nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ thông số đặc trưng trên số lượng kênh đo ít hơn và có khả năng phân biệt các nhóm tín hiệu IHMv để có thể nâng cao độ chính xác phân loại

- Nghiên cứu và đề xuất phương pháp phân loại ba phân lớp IHMv bao gồm: tưởng tượng chuyển động tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv) Để thực hiện được điều này thì kết hợp giữa nhóm các thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv là một vấn đề cần giải quyết

- Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến vận động người của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích

Phạm vi nghiên cứu

- Nghiên cứu chức năng điều khiển vận động của não bộ

và các giải pháp kỹ thuật nâng cao chất lượng tín hiệu IHMv

- Nghiên cứu các thuật toán định lượng tín hiệu IHMv và phương pháp lựa chọn bộ đặc trưng

- Nghiên cứu phương pháp phân loại các tín hiệu IHMv

- Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến vận động chi trên của đối tượng người Việt nam khỏe mạnh

Phương pháp nghiên cứu

- Nghiên cứu lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận động chi trên

- Mô hình hóa phương pháp định lượng và phân loại ba phân lớp IHMv

- Kiểm chứng đánh giá phương pháp phân lớp IHMv bằng thực nghiệm trên bộ dữ liệu mẫu và trên bộ dữ liệu

từ máy đo thực tế

Các đóng góp của Luận án

- Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv Bộ đặc trưng mới được phát triển từ phương pháp định

lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn Dựa trên phương pháp kiểm định ANOVA, bộ đặc trưng đề xuất

đã cho thấy khả năng phân biệt ba phân lớp IHMv trên

bộ dữ liệu mẫu Kết quả được công bố trong bài báo (4)

- Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân lớp 3 trạng thái đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv Phương pháp được đề xuất dựa trên việc xây dựng bộ phân loại theo mô hình vector học máy SVM được cấu trúc 2 tầng nối tiếp Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy cấu trúc bộ phân loại đề xuất cho kết quả phân loại tốt với ba phân

lớp IHMv Kết quả được công bố tại công trình (5)

- Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi trên của đối tượng người Việt Nam khỏe mạnh Bộ dữ liệu sẽ đóng góp vào bộ dữ liệu điện não liên quan đến vận động chi trên của thế giới và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại

- Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại đề xuất Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và bộ dữ liệu thực tế được đo tại phòng thí nghiệm Điều này cho thấy tính khả thi của phương pháp phân loại và độ tin cậy của tập dữ liệu tự thiết kế

Luận án đưa ra một số khuyến nghị về vấn đề lựa chọn kênh đo, tiền xử lý bằng bộ lọc pha bằng không, bộ lọc không gian, phương pháp phân giải tín hiệu điện não liên quan đến điều khiển vận động để nâng cao tỷ số SNR tín hiệu phục vụ phân tích, nghiên cứu Một số khuyến nghị

được đề cập trong công trình số (1), (2), (3)

1.2 Cấu trúc nội dung luận án

Nội dung luận án bao gồm 4 chương Trong đó các đóng góp khoa học của luận án thể hiện ở các nội dung đề xuất và thực

hiện trong chương 2, chương 3 và chương 4 Các nội dung cụ thể như sau:

- Chương 1: Chương 1 trình bày hệ thần kinh điều khiển vận động và các mô hình xử lý và phân giải tín hiệu IHMv Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR, lọc không gian Laplacian

- Chương 2: Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng

mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái điều khiển vận động tưởng tượng chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA

- Chương 3: Chương 3 đề xuất phương pháp sử dụng bộ thông số định lượng để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận động điều khiển bằng sóng não EEG Trong chương này, luận án nghiên cứu và đề xuất sử dụng bộ phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng

đề xuất Phần tiếp theo sẽ mô tả khả năng thực hiện của hệ

thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình

- Chương 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến vận động chi trên của đối tượng đo người Việt nam phục vụ phân tích và nghiên cứu Phần đầu chương mô tả phương pháp thiết lập hệ thống đo và đối tượng đo để thu nhận tín hiệu điện não IHMv Phần tiếp theo mô tả đóng góp về bộ dữ liệu điện não IHMv của đối tượng người Việt Phần cuối chương trình bày kết quả

mô phỏng của bộ phân loại đề xuất trên bộ dữ liệu được tạo ra và đánh giá kết quả

- KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án

CHƯƠNG 1 HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO

ĐỒ LIÊN QUAN VẬN ĐỘNG CỦA NGƯỜI 1.1 Hệ thần kinh điều khiển vận động

1.1.1 Các hoạt động điện của não

1.1.2 Điện thế hoạt động

Vận tốc dẫn của điện thế hoạt động trong khoảng 1-100ms Đối với người thì biên độ của AP xấp xỉ -60mV đến 10 mV

1.1.3 Tạo tín hiệu EEG

Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não

và tạo ra bởi các dòng ion trong các nơ ron não Sóng µ (8-13Hz)

là một sóng điện não có dải tần nằm trong dải alpha và thường liên quan đến quá trình lập kế hoạch vận động hoặc tưởng tượng vận động của người

1.1.4 Hệ thống điều khiển vận động não

Vỏ não điều khiển vận động là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của

bó tháp So với các vùng khác thì vùng vận động có diện tích lớn

nhất Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ Khi nơron trên vỏ não kích hoạt thì nó sẽ làm cơ co Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh

Hình 1.13 Khu vực vận động có thể được kích thích trực

tiếp ở người tỉnh táo

1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động

Quá trình tưởng tượng vận động có phân bố năng lượng tín hiệu ở các dải tần số alpha (8-13Hz) và beta (15-30Hz) Sóng chậm theta (4-7Hz) cũng được sử dụng do nó có liên quan đến quá trình nhận thức, cơ chế tập trung và cũng có sự liên quan đến quá trình vận động [55], [63] Sự xuất hiện của các sóng điện này thường có liên quan đến các sự kiện vận động hoặc các thông tin động học (vị trí, vận tốc (động học) cũng như lực (tĩnh học – kinetics), chúng thường xuất hiện trước, đồng thời và sau khi có đáp ứng Nhiều nghiên cứu đã được triển khai theo để phân tích các đặc điểm năng lượng phổ tại các dải tần số qua đó tạo được các đặc trưng giúp tăng độ chính xác phân loại Do đó các thuộc tính lượng hóa được sự thay đổi này của tín hiệu IHMv có thể giúp nâng cao khả năng nhận diện tín hiệu và độ chính xác phân loại Bên cạnh đó, tín hiệu IHMv là bản chất không dừng và có tính thống kê nên việc lựa chọn được các thuộc tính có khả năng đặc tả các khía cạnh của tín hiệu đồng thời có khả năng phân biệt được các trạng thái là một hướng nghiên cứu được nhiều nhà khoa học quan tâm

1.2 Mô hình xử lý tín hiệu điện não IHMv

Trong các hệ thống hỗ trợ vận động điều khiển bằng sóng não, độ chính xác của hệ thống phân lớp các trạng thái điều khiển vận động phụ thuộc vào bộ dữ liệu huấn luyện mô hình Bộ dữ liệu huấn luyện ít chịu ảnh hưởng của nhiễu và chứa đựng thông tin cần thiết thì độ tin cậy của hệ thống phân lớp càng cao Để có được bộ dữ liệu huấn luyện có chất lượng cao, trong mô hình thu nhận, xử lý và phân tích tín hiệu điện não cần phải chú ý đến các giải pháp kỹ thuật để nâng cao được tỷ số SNR của nhóm tín hiệu cần phân tích

Luận án sẽ tập trung giải quyết ba vấn đề sau:

- Xác định số lượng và vị trí không gian điện cực thu nhận tín hiệu IHMv

- Tiền xử lý tín hiệu nâng cao tỷ số SNR

- Phân giải tín hiệu điện não IHMv

1.2.1 Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv

Một số khu vực não bộ được kích hoạt trong thời gian tưởng tượng vận động (MI – Motor Imagery) như khu vực vỏ não vận động chính (M1), khu vực vỏ não bổ sung, và vùng tiền vận động tại khu vực thùy trán, và tiểu thùy đỉnh dưới (IPL), tiểu thùy đỉnh trên (SPL) và vỏ não xúc giác chính (S1) tại thùy đỉnh

Hình 1.15 Phân bố năng lượng trên một số đối tượng thực

hiện vận động tay và chân phải tưởng tượng

Các nghiên cứu cũng đã chỉ ra các hoạt động thần kinh có liên quan đến vận động và tưởng tượng vận động chi trên có phân

bố khá rộng và có thể thu nhận từ các điện cực C3 và C4 của hệ thống ghi điện não EEG bố trí theo chuẩn quốc tế 10/20

1.2.2 Nâng cao tỷ số SNR của tín hiệu

1.2.2.1 Tăng cường chất lượng tín hiệu IHMv dựa trên việc sử dụng các bộ lọc số có pha bằng không

Luận án kiến nghị sử dụng bộ lọc FIR pha bằng không có tần số cắt dưới fc1 = 1Hz và tần số cắt trên fc2 = 40Hz Tín hiệu sau lọc có thể loại bỏ được nhiễu nguồn và nhiễu đường biên tần

số thấp xuất hiện trên bản ghi Kết quả được đề cập trong công trình số (1), (4)

Bộ lọc FIR có pha bằng không có khả năng phân tách được dải tần quan tâm đồng thời không gây trễ pha giúp thuận tiện trong quá trình đồng bộ tín hiệu với các sự kiện

Hình 1.18 a) Tín hiệu gốc trên kênh C3 b) Tín hiệu đã bị

trễ với bộ lọc thông thường c) Tín hiệu trên kênh C3 được lọc với

bộ lọc pha bằng không Tín hiệu sau lọc có sự đồng bộ về mặt

thời gian với tín hiệu trước lọc

1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu EEG bằng kỹ thuật lọc không gian

Việc sử dụng ít điện cực để trích xuất thông tin có nhược điểm là độ phân giải không gian thấp nên để tăng cường chất lượng tín hiệu, luận án kiến nghị sử dụng bộ lọc không gian Laplacian rộng

Nếu gọi C i ( )t là tín hiệu kênh cần lọc trong đó i là kênh

C3 và C4 C i( )t là dữ liệu kênh đo Bộ lọc Laplacian sẽ lọc bằng cách lấy tín hiệu tại kênh đo và trừ đi các kênh đo lân cận nhân với một trọng số phụ thuộc vào khoảng cách giữa điện cực lân cận

C3 và nhóm kênh Cz[trái], P4[sau], T8[phải], F4[trước] cho kênh

C4

Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh Các

điện cực được sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc

1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ

Quá trình biến đổi năng lượng tín hiệu IHMv được phát hiện xảy ra ở trên các khoảng thời gian trước, trong và sau so với thời điểm có tưởng tượng vận động Để phân giải được các nhóm tín hiệu IHMv, việc lựa chọn các cửa sổ thời gian đồng bộ với các

sự kiện tưởng tượng vận động phù hợp đóng vai trò quan trọng trong việc trích xuất được thông tin cần thiết Trong luận án, khi thực nghiệm trên bộ dữ liệu mẫu, tác giả sử dụng cửa sổ có độ dài

512 mẫu (tương ứng với khoảng thời gian 3s tính từ thời điểm bắt đầu có điều khiển chuyển động) để phân tách các đoạn tín hiệu IHMv Độ dài của sổ 512 mẫu khi thực nghiệm trên bộ dữ liệu mẫu có chứa đựng thông tin về sự biến đổi năng lượng giữa các trạng thái Bên cạnh đó, do quá trình trích chọn đặc trưng của các đoạn tín hiệu IHMv sử dụng phương pháp phân tích trên miền thời gian – tần số dựa trên biến đổi wavelet, nên kích thước cửa sổ phân đoạn phải có độ lớn bằng lũy thừa của 2

Kết quả của quá trình phân đoạn các nhóm tín hiệu IHMv từ bản ghi EEG trên bộ dữ liệu mẫu Physionet

Hình 1.26 a) Định vị các đoạn tín hiệu tương ứng với chuyển động tưởng tượng tay trái, chuyển động tưởng tượng tay phải và nghỉ trong khung màu khác nhau tương ứng (Xanh, đỏ, đen)

1.3 Kết luận

Trong chương 1, tác giả kiến nghị sử dụng một số các giải pháp kỹ thuật trong mô hình xử lý tín hiệu điện não IHMv để giúp nâng cao tỷ số SNR bao gồm: lựa chọn kênh đo, bộ lọc số FIR pha bằng không, bộ lọc không gian Laplacian rộng, phân tách tín hiệu IHMv bằng cửa sổ cố định Thử nghiệm trên bộ dữ liệu mẫu của Physionet, các tín hiệu IHMv sau khi được tiền xử lý đã loại được các loại nhiễu và tách được dải tần số điện não quan tâm Các nhóm tín hiệu IHMv của bộ dữ liệu mẫu đã cho thấy được sự