Một số phương pháp xử lý và phân loại tín hiệu điện não cho các ứng dụng giao diện não – máy tính

về cấu trúc sinh học, một số bệnh liên quan có thể xuất hiện như suy giảm trí nhớ, tự kỷ/trầm cảm, Parkinson, đột qụy… Tín hiệu điện não là một cách tiếp cận phù hợp để có thể đánh giá t

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

Nguyễn Thế Hoàng Anh

MỘT SỐ PHƯƠNG PHÁP XỬ LÝ VÀ PHÂN LOẠI TÍN HIỆU ĐIỆN NÃO

CHO CÁC ỨNG DỤNG GIAO DIỆN NÃO – MÁY TÍNH

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

Hà Nội – 2020

1

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

MỘT SỐ PHƯƠNG PHÁP XỬ LÝ VÀ PHÂN LOẠI TÍN HIỆU ĐIỆN NÃO

CHO CÁC ỨNG DỤNG GIAO DIỆN NÃO – MÁY TÍNH

Chuyên ngành: Khoa học máy tính

LUẬN ÁN TIẾN SĨ KHOA HỌC MÁY TÍNH

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS TS Bùi Thế Duy

2 PGS TS Lê Thanh Hà

Hà Nội – 2020

2

LỜI CAM ĐOAN

Tôi xin cam đoan rằng đây là công trình nghiên cứu của riêng tôi Các kết quả trong luận án là trung thực và chưa từng công bố trong bất kỳ công trình nào khác Các kết quả được viết chung với các tác giả khác đều được sự đồng ý trước khi đưa vào luận án

Tác giả luận án

Nguyễn Thế Hoàng Anh

3

LỜI CẢM ƠN

Nghiên cứu khoa học là hành trình dài có nhiều thử thách cần vượt qua và đồng thời là quá trình đào sâu, tìm ra lời giải cho các vấn đề khoa học thú vị Nghiên cứu về Khoa học máy tính, cụ thể lĩnh vực trí tuệ nhân tạo và khoa học thần kinh chắc chắn là một công việc nhận được nhiều sự quan tâm Tôi cảm thấy rất may mắn được trở thành một phần của cộng đồng nghiên cứu hàn lâm về lĩnh vực đầy hứng khởi này với những phát kiến khoa học khiêm tốn của mình

Trong quá trình học tập, nghiên cứu và hoàn thiện luận án tiến sĩ, tôi đã nhận được sự giúp đỡ, chỉ bảo tận tình của các thầy, cô giáo, nhà khoa học, Phòng thí nghiệm Tương tác người máy HMI, Bộ môn Khoa học máy tính tại Trường Đại học công nghệ, Đại học Quốc gia Hà Nội

Tôi xin bày tỏ lòng biết ơn sâu sắc đặc biệt tới PGS TS Bùi Thế Duy và PGS

TS Lê Thanh Hà, những người thầy hướng dẫn đã trực tiếp truyền thụ kiến thức và thắp lên ngọn lửa đam mê nghiên cứu khoa học, giúp đỡ, động viên tôi kiên định trong suốt quá trình nghiên cứu và thực hiện luận án

Tôi xin chân thành cám ơn Lãnh đạo và các đồng nghiệp tại Viện Công nghệ thông tin – Viện Hàn lâm Khoa học và Công nghệ Việt Nam đã luôn tạo điều kiện thuận lợi nhất và cùng tôi thực hiện các đề tài, công trình nghiên cứu trong đó một phần kết quả đã được trực tiếp thể hiện trong luận án

Tôi xin dành tất cả sự yêu thương và cám ơn tới gia đình: bố TS Nguyễn Song Hoan, mẹ TS Nguyễn Thị Bạch Yến, vợ Lê Minh Trang và hai con Mật Ong, Cá Mập đã luôn bên cạnh, động viên để tôi vượt qua những khó khăn và hoàn thành mục tiêu

Xin trân trọng cám ơn!

Tác giả luận án

Nguyễn Thế Hoàng Anh

4

MỤC LỤC

LỜI CAM ĐOAN 2

LỜI CẢM ƠN 3

DANH MỤC BẢNG 7

DANH MỤC HÌNH VẼ 8

DANH MỤC CHỮ VIẾT TẮT 10

PHẦN MỞ ĐẦU 11

1 Tính cấp thiết 11

2 Mục tiêu của luận án 13

3 Đóng góp của luận án 14

4 Phạm vi của luận án 16

5 Phương pháp luận 17

6 Cấu trúc luận án 17

CHƯƠNG 1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO VÀ XỬ LÝ, PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO 19

1 Giới thiệu 19

2 Tín hiệu điện não và phương pháp đo tín hiệu từ não bộ 21

2.1 Các phương pháp đo tín hiệu từ não bộ 21

2.1.1 Chụp quang phổ cận hồng ngoại chức năng 21

2.1.2 Chụp Cộng hưởng từ chức năng 22

2.1.3 Chụp cắt lớp phát xạ positron 22

2.1.4 Từ não đồ 23

2.1.5 Điện não đồ xâm lấn 24

2.2 Tín hiệu điện não và các vấn đề liên quan 25

2.2.1 Điện não đồ 25

2.2.2.Tín hiệu điện não 26

2.2.3 Cơ chế phát sinh tín hiệu điện não 28

2.2.4 Thu tín hiệu điện não 29

3 Một số phương pháp xử lý, phân tích tín hiệu điện não 30

3.1 Biến đổi wavelet 30

3.2 Phân tích thành phần độc lập trong khử nhiễu tín hiệu điện não 33

3.3 Mạng Nơron wavelet 34

3.3.1 Huấn luyện 35

3.3.2 Khử nhiễu 35

3.4 Phương pháp phân ngưỡng wavelet 36

3.5 Kỹ thuật định vị LORETA trong trực quan hóa dữ liệu điện não 38

4 Một số ứng dụng hệ giao diện não máy tính 40

5

4.1 Hệ BCI2000 40

4.2 Hệ VR-BCI trong phục hồi chức năng 41

4.3 Một số hệ BCI trong đánh vần ký tự 42

4.4 Một số nghiên cứu BCI và tín hiệu điện não khác 43

5 Kết luận Chương 1 45

CHƯƠNG 2 PHƯƠNG PHÁP HỌC SÂU TỰ MÃ HÓA THƯA WAVELET TRONG KHỬ TÍN HIỆU ĐIỆN NÃO BẤT THƯỜNG DO NHÁY MẮT 46

1 Đặt vấn đề 46

2 Đề xuất phương pháp học sâu tự mã hóa thưa wavelet 49

2.1 Mạng học sâu tự mã hóa thưa 50

2.2 Phương pháp dò đếm EOG dựa trên biến đổi wavelet Haar 52

2.2.1 Biến đổi wavelet Haar 52

2.2.2 Thuật toán dò tìm EOG dựa trên biến đổi wavelet Haar 53

2.3 Mạng học sâu tự mã hóa thưa wavelet trong khử EOG 55

2.3.1 Huấn luyện tự động 55

2.3.2 Tự động sửa lỗi tín hiệu 57

2.4 Độ đo đánh giá kết quả 58

3 Kết quả 59

3.1 Dữ liệu kiểm thử 59

3.2 Thiết kế thí nghiệm 60

3.3 Kết quả thí nghiệm 60

3.3.1 Kết quả trên Tập dữ liệu 1: thực hiện nhiệm vụ chú ý quan sát 60

3.3.2 Kết quả trên Tập dữ liệu 2: nhận dạng trạng thái suy nghĩ 65

3.3.3 Kết quả trên tập dữ liệu 3: tín hiệu điện não mô phỏng chứa nhiễu 68

4 Thảo luận 69

5 Kết luận Chương 2 72

CHƯƠNG 3 ĐỀ XUẤT MỘT SỐ PHƯƠNG PHÁP PHÂN LOẠI TÍN HIỆU ĐIỆN NÃO DỰA TRÊN HỌC MÁY 73

1 Đặt vấn đề 73

2 Cơ sở dữ liệu thử nghiệm 75

2.1 Cơ sở dữ liệu đã có 75

2.2 Cơ sở dữ liệu của luận án 77

3 Đề xuất một số phương pháp phân loại trạng thái suy nghĩ dựa trên học máy 79

3.1 Phương pháp máy vec-tơ hỗ trợ với đặc trưng năng lượng wavelet tương đối 79

3.1.1 Năng lượng wavelet tương đối trong trích chọn đặc trưng tín hiệu điện não 81

3.1.2 Máy vec-tơ hỗ trợ trong phân loại tín hiệu điện não 82

3.2 Phương pháp mạng nơ-ron nhân tạo kết hợp phân tích thành phần chính 84

6

3.2.1 Phân tích thành phần chính cho giảm số chiều tín hiệu điện não 86

3.2.2 Huấn luyện mạng nơron nhân tạo với thuật toán OWO-BP 87

3.3 Phương pháp học sâu với đặc trưng lựa chọn bởi phân ngưỡng SURE 89

3.3.1 Lựa chọn thành phần chính với phân ngưỡng thích nghi SURE 91

3.3.2 Mạng học sâu Deep belief net trong phân loại tín hiệu điện não 92

4 Kết quả và thảo luận 94

4.1 Tiền xử lý dữ liệu 95

4.2 Phân loại trạng thái 98

5 Kết luận chương 3 100

CHƯƠNG 4 ĐỀ XUẤT HỆ GIAO DIỆN NÃO MÁY TÍNH TRONG ĐIỀU KHIỂN CÁC THIẾT BỊ ĐIỆN TỬ GIA DỤNG THÔNG MINH 102

1 Hệ giao diện não máy tính trong điều khiển thiết bị điện tử gia dụng thông minh 102

1.1 Khối thu tín hiệu và thiết bị Emotiv Epoc+ 103

1.2 Khối DSP 104

1.3 Khối WIoT 104

2 Đề xuất mô hình học cộng đồng dạng xếp ngăn trong phân loại tín hiệu điện não cho hệ giao diện não máy tính trong điều khiển các thiết bị điện tử gia dụng thông minh 105

3 Kết quả và thảo luận 108

4 Kết luận Chương 4 110

PHẦN KẾT LUẬN VÀ KIẾN NGHỊ 112

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 116

TÀI LIỆU THAM KHẢO 118

7

DANH MỤC BẢNG

Bảng 1 Kết quả nhận diện EOG 55

Bảng 2 MSE của ba phương pháp dựa trên wavelet 69

Bảng 3 So sánh đặc tính các phương pháp khử nhiễu tín hiệu điện não 71

Bảng 4 Kết quả phân loại hai trạng thái suy nghĩ 98

Bảng 5 Kết quả phân loại 02 trạng thái suy nghĩ theo các bước với DBN 99

Bảng 6 Kết quả phân loại tác vụ suy nghĩ cho 03 trạng thái với DNN 99

Bảng 7 Kết quả phân loại 03 trạng thái suy nghĩ theo các bước với DNN 100

Bảng 8 Độ chính xác phân loại 2 trạng thái phương pháp đề xuất dựa trên mạng nơ-ron nhân tạo kết hợp PCA và máy vec-tơ hỗ trợ với đặc trưng RWE 100

Bảng 9 Độ chính xác phân loại 3 trạng thái phương pháp đề xuất dựa trên mạng nơ-ron nhân tạo kết hợp PCA và máy vec-tơ hỗ trợ với đặc trưng RWE 100

Bảng 10 Độ chính xác phân loại 2 trạng thái phương pháp đề xuất dựa trên máy học cộng đồng so với các phương pháp thành phần 108

Bảng 11 Độ chính xác phân loại 3 trạng thái phương pháp đề xuất dựa trên máy học cộng đồng so với các phương pháp thành phần 109

8

DANH MỤC HÌNH VẼ

Hình 1 Cấu trúc não bộ [64] 19

Hình 2 Các phương thức thu tín hiệu từ não bộ (a) fNIRS, (b) fMRI, (c) PET, (d) MEG, (e) EcoG và (f) EEG 20

Hình 3 Một số hệ thống thiết bị dùng để đo điện não EEG [20] 25

Hình 4 Bản ghi tín hiệu điện não EEG 27

Hình 5 Một số dạng sóng trong tín hiệu điện não EEG 28

Hình 6 (a) Biến đổi wavelet thuận và (b) Biến đổi wavelet ngược 31

Hình 7 Quy trình phương pháp ICA dùng trong khử nhiễu tín hiệu EEG 34

Hình 8 Cấu trúc của mạng Wavelet Neural Network [8] 35

Hình 9 Huấn luyện mạng Nơ-ron 35

Hình 10 Quá trình khử nhiễu 36

Hình 11 Thuật toán Loreta trong định vị hoạt động điện não EEG 39

Hình 12 Thiết kế hệ BCI2000 [17] 40

Hình 13 Hệ BCI ứng dụng thực tại ảo trong phục hồi bệnh nhân đột quỵ [1] 41

Hình 14 Thiết kế ma trận hiển thị cho 26 ký tự tiếng Anh [8] 42

Hình 15 Giao diện thí nghiệm Berlin BCI [68] 43

Hình 16 Tín hiệu bất thường do nháy mắt EOG 47

Hình 17 Cấu trúc mạng học sâu tự mã hóa thưa kết hợp wavelet DWSAE 49

Hình 18 Mô hình đơn giản một máy tự mã hóa Autoencoder 51

Hình 19 Lưu đồ thuật toán dò đếm tín hiệu bất thường do nháy mắt EOG 53

Hình 20: Kết quả nhận diện EOG 54

Hình 21 Quy trình huấn luyện không giám sát mạng học sâu tự mã hóa thưa wavelet 56

Hình 22 Quy trình tự động khử EOG với DWSAE 57

Hình 23 Kết quả khử nhiễu của DWSAE so với (a) SOBI, (b) Infomax, (c) JADE, (d)WNN và (e) Wavelet thresholding 62

Hình 24 Hình vẽ thể hiện PSD của tín hiệu trước và sau khi khử nhiễu 63

Hình 25 Hệ số tương quan tần số giữa tín hiệu trước và sau khi khử nhiễu bởi (a) DWSAE, (b) Infomax, (c) JADE, (d) SOBI, (e) WNN và (f) WT 64

Hình 26 So sánh kết quả khử nhiễu giữa DWSAE và (a) SOBI, (b) Infomax, (c) JADE, (d)WNN và (e) Wavelet thresholding 66

Hình 27 PSD giữa tín hiệu gôc và tín hiệu sau khử nhiễu 67

Hình 28 Tương quan tần số giữa tín hiệu trước và sau khi khử nhiễu bởi (a) DWSAE, (b) Infomax, (c) JADE, (d) SOBI, (e) WNN và (f) WT 67

Hình 29 Kết quả trên đoạn tín hiệu bán giả lập trước và sau khi khử nhiễu bởi 68 Hình 30 Lưu đồ phương pháp phân tích tín hiệu EEG dựa trên SVM 80

Hình 31 Siêu phẳng phân cách bởi SVM 82

Hình 32 Lưu đồ phương pháp phân tích tín hiệu EEG dựa trên mạng nơ-ron 85

Hình 33 Cấu trúc mạng nơ-ron nhân tạo ba lớp 88

9

Hình 34 Huấn luyện mạng ANN với thuật toán OWO-BP 89

Hình 35 Lưu đồ phương pháp phân tích tín hiệu EEG dựa trên học sâu 90

Hình 36 Thiết kế máy học Boltzman 92

Hình 37 Mạng học sâu Deep belief net với nhiều máy Boltzman 94

Hình 38 Biến đổi ICA trong khử nhiễu tín hiệu điện não 96

Hình 39 Kết quả khử nhiễu với ICA 96

Hình 40 Kết quả khử nhiễu với WNN 96

Hình 41 Hiển thị vùng kích hoạt não bộ với phương pháp LORETA trong quá trình đối tượng thực hiện ba thí nghiệm (a) N, (b) L and (c) P 97

Hình 42 Kiến trúc tổng thể của hệ thống giao diện não-máy tính trong điều khiển các thiết bị điện tử gia dụng thông minh 102

Hình 43 Mũ đo tín hiệu điện não EPOC+ (Nguồn: Emotiv) 103

Hình 44 Tín hiệu điện não thu bằng chương trình Test Bench 103

Hình 45 Mô hình tương đương module ESP 8266 105

Hình 46 Mô hình máy học cộng đồng trong phân loại trạng thái suy nghĩ từ tín hiệu điện não 107

10

DANH MỤC CHỮ VIẾT TẮT

wavelet)

năng)

LORETA Low resolution brain electromagnetic tomography (Định vị điện từ não đồ phân giải thấp)

OWO-BP Output weight optimization – Backpropagation (Lan truyền ngược tối

ưu hóa trọng số lớp ra)

về cấu trúc sinh học, một số bệnh liên quan có thể xuất hiện như suy giảm trí nhớ,

tự kỷ/trầm cảm, Parkinson, đột qụy… Tín hiệu điện não là một cách tiếp cận phù hợp để có thể đánh giá tình trạng của não bộ trong các trường hợp kể trên do chất lượng tín hiệu tốt, độ phân giải cao, tính linh động của thiết bị, an toàn và giá thành hợp lý trong điều kiện Việt Nam nếu so sánh với các phương pháp thu tín hiệu từ não bộ khác như chụp cộng hưởng từ, chụp cắt lớp, điện não đồ xâm lấn…

Tín hiệu điện não hay sóng điện não (Electroencephalogram – EEG) là các giá trị điện thế có giá trị rất nhỏ, tạo ra bởi quá trình tương tác với nhau của các tế bào thần kinh trong não Tín hiệu EEG thường có biên độ trong khoảng từ 10 µV đến 100 µV và tần số trong dải từ 1 Hz đến 100 Hz Tín hiệu EEG không tuân theo phân bố Gauss thông thường và cũng không tĩnh (nonstationary) Thông thường, tín hiệu EEG cho biết thông tin về các hoạt động theo nhịp (rhythmic activities) trên các dải tần số khác nhau như dải tần Delta (0.5–4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-30 Hz) và Gamma (30-50 Hz) Phân tích tín hiệu EEG có thể dẫn đến một

số phát hiện như: nhịp Delta thường được thu được ở các trẻ nhỏ dưới 1 tuổi và trong trạng thái ngủ sâu của người lớn; nhịp Theta tồn tại ở trẻ em nhỏ dưới 7 tuổi hoặc trẻ em bình thường hoặc ở người lớn trong trạng thái buồn ngủ hoặc đang ngủ; một lượng lớn tín hiệu nhịp Theta thu được ở người lớn trong trạng thái tỉnh táo là dấu hiệu cảnh báo tình trạng bất thường hoặc dấu hiệu bị bệnh

Tín hiệu điện não thường xuyên được sử dụng để phát triển các hệ giao diện não-máy tính (Brain Computer Interface - BCI), phương thức truyền thông cho phép kết nối máy tính để xử lý và hiểu được tín hiệu sinh ra từ bộ não một cách hiệu quả

12

BCI là một giải pháp hữu ích cho người bị các bệnh như xơ cứng teo cơ một bên (ALS) hay bệnh nhân trong tình trạng nghiêm trọng không cử động và điều khiển được các bộ phận của cơ thể Giao điện não máy tính cho phép chuyển tải thông điệp người sử dụng muốn chỉ thông qua tín hiệu đã được phân tích, xử lý và “dịch” bởi

hệ thống mà không cần bất kỳ can thiệp nào khác Một số ứng dụng của hệ BCI có thể kể đến trong việc hỗ trợ phục hồi chức năng của người bị liệt nửa người do chấn thương tủy sống [1], cho phép người sử dụng điều khiển các nhân vật hoạt họa di chuyển trong một trò chơi điện tử dựa trên Xung phản ứng kích thích thị giác trạng thái ổn định [2], điều khiển con chuột máy tính [3]

Để thực hiện việc phân tích thông tin và triển khai các ứng dụng dựa trên tín hiệu EEG kể trên, một số vấn đề còn tồn tại, chưa được giải quyết bởi các nghiên cứu trước đây có thể được kể đến:

- Tín hiệu điện não sau khi được biến đổi sang miền thời gian – tần số sẽ chứa các thông tin đặc trưng được khu trú trên từng dải tần cụ thể và theo từng khung thời gian nhất định Các phương pháp trước đây, ví dụ sử dụng mạng nơ-ron nhân tạo, thường phải trải qua bước huấn luyện off-line, do đó không tự động hóa được quy trình khử nhiễu

- Các thiết kế thí nghiệm của các nghiên cứu khác tập trung vào việc tạo ra các đặc trưng như P300, xung kích thích thị giác trạng thái ổn định SSVEP, nhịp Mu

và Beta… thường yêu cầu thiết bị phụ trợ như màn hình máy tính hiển thị các hình ảnh, ký tự được nháy sáng

- Các phương pháp phân loại tín hiệu điện não trước đây thường được phát triển cho các thí nghiệm như hình dung ảnh vận động, nhịp vận động cảm giác hay xung kích thích thị giác trạng thái ổn định không phù hợp cho việc phân loại tín hiệu điện não sinh ra trong tác vụ tập trung suy nghĩ vốn không đòi hỏi thiết kế thí nghiệm phải có thiết bị hỗ trợ

Học máy là các phương pháp tính toán thông minh cho phép máy tính tạo ra các mô hình toán học có tham số hình thành bởi quá trình khai phá, huấn luyện với

dữ liệu gán nhãn (học có giám sát) hoặc không cần gán nhãn (học không giám sát)

13

Học sâu hay mạng nơ-ron nhân tạo sâu (deep neural network) với các cấu trúc khác nhau như mạng niềm tin (deep belief net), máy tự mã hóa thưa (autoencoder), mạng tích chập (convolutional neural network), mạng sinh đối nghịch (generative adversarial networks) là các thuật toán học máy được ứng dụng rất thành công trong nhiều lĩnh vực Các thuật toán học sâu khi có nhiều dữ liệu để huấn luyện sẽ càng trở nên hiệu quả trong việc thực hiện chức năng được “dạy” Kết quả thực nghiệm trong luận án này mới chỉ tiến hành trên một tập dữ liệu quy mô nhỏ, tuy nhiên việc sử dụng các phương pháp học sâu là bước chuẩn bị sẵn sàng để triển khai công nghệ đề xuất cho các bài toán thực tế, khi có lượng lớn dữ liệu Dựa trên những phân tích ở trên, việc nghiên cứu và phát triển các phương pháp xử lý và phân loại tín hiệu điện não, hướng đến áp dụng các phương pháp này trong một hoặc một số ứng dụng cụ thể là một vấn đề nghiên cứu có ý nghĩa khoa học và thực tiễn cao, rất cần thiết được tập trung nghiên cứu một cách kỹ lưỡng

2 Mục tiêu của luận án

Luận án đặt ra một số mục tiêu như sau:

- Phát triển phương pháp để tăng cường chất lượng điện não dựa trên học

máy: Với vai trò là thông tin đầu vào, chất lượng của bản ghi tín hiệu điện não rất

quan trọng, ảnh hưởng đến chất lượng xử lý và phân loại tín hiệu của hệ xử lý, phân tích tín hiệu điện não Do đó, việc tăng cường chất lượng điện não, cụ thể là loại bỏ thành phần tín hiệu điện não không mong muốn trong đó tín hiệu điện não bất thường sinh ra do nháy mắt (Electrooculography – EOG), là một cách tiếp cận phù hợp để tăng hiệu quả hoạt động của hệ BCI cũng như các hệ thống phân tích tính hiệu điện não khác

- Phát triển các phương pháp trong phân tích, xử lý tín hiệu điện não dựa trên

các phương pháp học máy trong đó bao gồm việc kiểm thử các phương pháp học có giám sát và không giám sát dựa trên SVM, ANN, DNN, Học cộng đồng: Đối với các

phương pháp phân tích tín hiệu điện não dựa trên học có giám sát, kết quả phân loại tín hiệu sẽ cho thấy mô hình đã được huấn luyện có thể học và làm tốt đến đâu với

14

dữ liệu tín hiệu điện não đầu vào đã được gán nhãn Trong trường hợp xử lý tín hiệu điện não với phương pháp học không giám sát, luận án sẽ kiểm chứng việc một thuật toán học máy trong trường hợp cụ thể có thể làm tốt đến đâu khi đã biết nhiệm vụ nhưng chưa thực sự thực hiện nhiệm vụ này bao giờ Suy rộng ra là mục tiêu chứng

tỏ các hệ thống trí tuệ nhân tạo có khả năng tự học và suy diễn để thực hiện các nhiệm vụ được đặt ra như khả năng suy luận của con người mà không cần phải cho huấn luyện trước (trong chừng mực nào đó) trên một nhiệm vụ như vậy

- Phát triển một qui trình thu nhận dữ liệu với thiết kế thí nghiệm riêng để

đảm bảo phù hợp với hệ thống BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh: Hiện nay, rất nhiều nghiên cứu về xử lý, phân tích tín hiệu điện

não trên thế giới sử dụng tập dữ liệu có sẵn được công bố miễn phí và rộng rãi Tuy nhiên cách tiếp cận này có một nhược điểm là dữ liệu thu trước không phải lúc nào cũng phù hợp với nội dung của nghiên cứu Một số nghiên cứu khác chủ động tiến hành thu nhận và sử dụng dữ liệu thu được Những nghiên cứu này sử dụng các qui trình thu nhận dữ liệu khác nhau, tuy nhiên phần lớn trong số đó đều khá phức tạp Mục tiêu ban đầu của luận án này là phát triển một hệ BCI trong điều khiển các thiết

bị điện tử thông minh, có thể hỗ trợ những nhóm người bị tổn thương chức vận động (đột quỵ, xơ cứng teo cơ một bên - ALS, đa xơ cứng, chấn thương tủy sống, loạn dưỡng cơ, …) không có khả năng cử động tương tác được với các thiết bị điện tử

Để thực hiện hệ BCI như vậy, nghiên cứu trong khuôn khổ luận án này đã phát triển một qui trình thu nhận dữ liệu với thiết kế thí nghiệm riêng để đảm bảo phù hợp với

hệ thống BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh

15

Thứ nhất, khử tín hiệu điện não bất thường sinh ra do nháy mắt tự động với

mạng học sâu tự mã hóa thưa wavelet (DWSAE) Đây là một phương pháp mới, trong đó thuật toán DWSAE được huấn luyện không giám sát và khử nhiễu một cách

tự động Cách tiếp cận này chứng tỏ các thuật toán trí tuệ nhân tạo nếu được triển khai theo một quy trình phù hợp, có khả năng tự tìm cách thực hiện các nhiệm vụ cụ thể mà không cần được biết trước nhiệm vụ đó

Thứ hai, nhận diện, dò đếm giả tượng mắt EOG dựa trên biến đổi wavelet với

hàm cơ sở wavelet Haar Phương pháp này được phát triển với mục đích thu thập các đoạn tín hiệu điện não sạch phục vụ huấn luyện không giám sát mô hình DWSAE

(2) Đề xuất các phương pháp phân tích, phân loại tín hiệu điện não:

Thứ ba, phân loại tín hiệu điện não trong các tác vụ suy nghĩ dựa trên bộ phân

lớp SVM với đặc trưng năng lượng wavelet tương đối Việc triển khai phương pháp này cho thấy, đặc trưng (Relative wavelet energy – RWE) rất phù hợp để làm đầu vào cho các mô hình phân lớp học máy dựa trên việc tạo ra các siêu phẳng, nhất là trong bài toán phân loại tín hiệu điện não

Thứ tư, phân loại tín hiệu điện não sử dụng mạng nơ-ron phân tích thành phần

chính trong lựa chọn đặc trưng Trong cách tiếp cận này, mạng nơ-ron được huấn luyện với phương pháp lan truyền ngược tối ưu trọng số lớp đầu ra (OWO-BP) sử dụng đặc trưng trích xuất bởi phương pháp phân tích thành phần chính

Thứ năm, phân loại tín hiệu điện não sử dụng mạng học sâu với đặc trưng lựa

chọn bởi phân ngưỡng SURE Trong phương pháp này, mạng học sâu được huấn luyện với đầu vào là các đặc trưng trên miền tần số được trích chọn và giảm số chiều thông tin sau phân tích thành phần chính PCA Một phương pháp phân ngưỡng SURE [4] được đề xuất để giảm số chiều các thành phần chính nhằm giảm độ phức tạp tính toán và thời gian xử lý, đồng thời tăng chất lượng của bộ phân lớp sử dụng mạng học sâu

(3) Đề xuất một hệ thống giao diện não máy tính hoàn chỉnh ứng dụng trong điều khiển thiết bị điện tử gia dụng:

16

Thứ sáu, đề xuất mô hình và thực hiện hệ giao diện não máy tính trong điều

khiển thiết bị điện tử gia dụng Hệ giao diện não máy tính này gồm bốn phần chính

là khối thu tín hiệu (cùng với thiết kế thí nghiệm, sử dụng phù hợp), khối xử lý tín hiệu số, khối kết nối và điều khiển thiết bị không dây và khối các thiết bị thông minh Các khối thành phần của hệ thống được kết nối hữu tuyến hoặc vô tuyến (wi-fi, blue tooth) với nhau

Thứ bảy, phân loại tín hiệu điện não sử dụng mô hình dựa trên máy học cộng

đồng là một cách tiếp cận phù hợp để phát triển hệ BCI trong điều khiển thiết bị điện

tử gia dụng thông minh Mô hình máy học cộng đồng sử dụng tín hiệu đầu vào đã được khử tín hiệu điện não bất thường sinh ra do nháy mắt với phương pháp DWSAE Các máy học thành phần được sử dụng là máy học dựa trên học sâu, mạng nơ-ron nhân tạo và máy vec-tơ hỗ trợ được đề xuất trong Chương 3 của luận án

Các đóng góp khoa học cũng như kết quả thực nghiệm của luận án cho thấy

sử dụng học máy là phương pháp tiếp cận phù hợp để giải quyết các bài toán liên quan đến xử lý, phân loại tín hiệu điện não và hệ giao diện não máy tính trong điều kiện tín hiệu điện não có tính chất không tĩnh (non-stationary), thay đổi từ người này sang người khác và từ phiên thu tín hiệu này sang phiên thu tín hiệu khác Ngoài ra, việc thực hiện thành công phương pháp DWSAE cho thấy máy học không giám sát

có thể là một cách tiếp cận mới trong xử lý phân tích tín hiệu điện não một cách tự động Khái quát hóa lên, các công cụ trí tuệ nhân tạo có khả năng học tự động với

dữ liệu được gán nhãn để giải quyết nhiệm vụ chưa có kinh nghiệm Đây là cách giải quyết vấn đề rất gần với tư duy của con người

4 Phạm vi của luận án

Luận án này tập trung giải quyết các vấn đề liên quan đến phân tích, xử lý tín hiệu điện não, phát triển và thực hiện hệ giao diện não máy tính nói chung và ứng dụng cụ thể cho hệ BCI có khả năng điều khiển các thiết bị điện tử gia dụng thông minh dựa trên tín hiệu điện não Để thực hiện được mục tiêu này, luận án tập trung phát triển một số phương pháp xử lý, phân tích tín hiệu điện não để tăng cường chất lượng tín hiệu điện não Các phương pháp này có thể được áp dụng cho hệ BCI điều

17

khiển thiết bị điện tử được mô tả trong luận án này cũng như các hệ xử lý tín hiệu điện não khác Bên cạnh đó, luận án trình bày một số nghiên cứu, đề xuất về các mô hình phân loại tính hiệu điện não hoàn chỉnh gồm tiền xử lý tín hiệu sóng điện não, trích chọn các đặc trưng phù hợp và huấn luyện, sử dụng mô hình phân lớp dựa trên học máy trong phân loại tín hiệu điện não thành các tác vụ suy nghĩ tương ứng Mô hình hệ giao diện não máy tính trong điều khiển các thiết bị điện tử thông minh được

đề xuất trong nghiên cứu của luận án sử dụng thiết bị thu tín hiệu điện não có chất lượng tín hiệu tương đối tốt, thiết kế nhỏ gọn, linh động nhưng có giá thành hợp lý, phù hợp với điều kiện kinh tế -xã hội của Việt Nam Chương 4 của luận án đề xuất cách tiếp cận sử dụng mô hình học cộng đồng cho khối xử lý tín hiệu trong hệ BCI này

5 Phương pháp luận

Luận án giải quyết các vấn đề nghiên cứu đặt ra theo cách tiếp cận sau:

- Sử dụng phương pháp nghiên cứu lý thuyết, xây dựng và kiểm thử các mô hình đề xuất trên dữ liệu đã được công bố và dữ liệu tự thu thập

- Các phương pháp được đề xuất được so sánh với các phương pháp đã có khác để đánh giá sự hiệu quả

- Kết quả được báo cáo dưới dạng số liệu hoặc trực quan hóa để thuận tiện cho việc đánh giá, kiểm chứng

6 Cấu trúc luận án

Luận án này gồm 06 phần trong đó có Phần mở đầu, 04 chương nội dung và Phần kết luận Phần mở đầu nêu lên tính cấp thiết của vấn đề nghiên cứu, mục tiêu, đóng góp khoa học và phạm vi của luận án Chương 1 nêu tổng quan các vấn đề liên quan đến tín hiệu điện não, cơ chế sinh ra tín hiệu điện não và một số phương pháp

xử lý, phân tích tín hiệu điện não Chương 2 trình bày đề xuất phương pháp xử lý, tăng cường chất lượng tín hiệu điện não đầu vào của hệ giao diện não máy tính bằng cách khử tín hiệu điện não bất thường sinh ra do nháy mắt Phương pháp được đề xuất kết hợp mạng học sâu tự mã hóa thưa và biến đổi wavelet để khử tín hiệu điện

18

não bất thường sinh ra do nháy mắt một cách tự động và theo thời gian thực Chương

3 trình bày một số cách tiếp cận và đề xuất các mô hình phân loại dựa trên học máy như máy vec-tơ hỗ trợ, mạng nơ-ron nhân tạo, mạng học sâu Chương 4 trình bày cách tiếp cận sử dụng học cộng đồng xếp ngăn để tăng cường khả năng phân loại của các phương án dựa trên học máy đã được đề xuất trong ứng dụng BCI phục vụ điều khiển thiết bị điện tử gia dụng thông minh Phần kết luận đưa ra đánh giá tổng quát về các kết quả nghiên cứu trình bày trong luận án, các đóng góp chính của luận

án và gợi ý một số hướng nghiên cứu để phát triển các nội dung đã được thảo luận trong luận án

19

CHƯƠNG 1 TỔNG QUAN VỀ TÍN HIỆU ĐIỆN NÃO VÀ XỬ LÝ, PHÂN

TÍCH TÍN HIỆU ĐIỆN NÃO

1 Giới thiệu

Bộ não, trung tâm điều khiển của hệ thần kinh trung ương, đóng vai trò rất quan trọng trong việc điều phối các hoạt động của các cơ quan khác và sản sinh ra ý

thức [5] Não bộ (Hình 1) có khoảng 100 tỉ tế bào thần kinh và là một trong những

bộ phận sinh học phức tạp nhất trong trong cơ thể con người [6] Tìm hiểu về cấu trúc của não bộ cũng như cách thức não bộ truyền nhận thông tin là một lĩnh vực chứa nhiều tiềm năng đem tới những phát kiến khoa học lớn Để thực hiện được việc

đó, một trong những việc đầu tiên và quan trọng nhất là phải thu nhận được những tín hiệu/thông tin do não bộ sản sinh Một số phương pháp khác nhau ghi lại hoạt động của não (Hình 2), đó là:

- Điện não đồ (Electroencephalography - EEG),

- Chụp quang phổ cận hồng ngoại chức năng (Functional Near-Infrared Spectroscopy - fNIRS),

- Điện não xâm lấn (Electro-corticography - ECoG),

- Chụp cắt lớp (Computed Topography - CT)

- Từ não đồ (Magnetoencephalography - MEG),

- Chụp cắt lớp phát xạ positron (Positron emission tomography - PET)

- Chụp cộng hưởng từ chức năng (functional magnetic resonance imaging - fMRI)

Hình 1 Cấu trúc não bộ [64]

20

Các phương pháp thu tín hiệu hình ảnh từ não như CT, PET, MRI thường có thiết kế cồng kềnh, giá thành rất cao Phương pháp điện não xâm lấn EcoG cho tín hiệu có độ tin cậy cao, chất lượng và độ phân giải tốt tuy nhiên lại là phương pháp xâm lấn, không dễ thực hiện và đòi hỏi phải có can thiệp y khoa để mở hộp sọ đặt điện cực thu tín hiệu So với các phương pháp này, điện não đồ EEG cho kết quả là tín hiệu điện não có độ phân giải và chất lượng tốt Thiết bị thu EEG thường nhỏ gọn, có thể di chuyển linh hoạt và giá thành thấp [7] Tín hiệu điện não EEG là một phương thức được sử dụng phổ biến nhất thu nhận tín hiệu đầu vào cho các ứng dụng giao diện não – máy tính [3; 7-13], phù hợp với điều kiện kinh tế - xã hội nếu được triển khai áp dụng tại Việt Nam

Hình 2 Các phương thức thu tín hiệu từ não bộ (a) fNIRS, (b) fMRI, (c) PET, (d)

MEG, (e) EcoG và (f) EEG

(Nguồn: https://www.udel.edu/udaily/2016/july/fnirs-brain-imaging (truy cập lần

cuối 09/07/2020) và kết quả nghiên cứu của luận án)

Chương 1 sẽ trình bày về các phương pháp đo tín hiệu từ não bộ, cơ sở khoa học để làm rõ lý do và ưu điểm, hạn chế của tín hiệu điện não so với các phương pháp khác Qua các phân tích, đánh giá và cơ sở khoa học được trình bày sẽ cho thấy

21

một tiềm năng to lớn trong việc nghiên cứu tín hiệu điện não, phát triển hệ BCI, hứa hẹn sẽ đem đến những phát kiến khoa học có giá trị theo hướng nghiên cứu này trong các lĩnh vực y tế, điều khiển, trị liệu….Một số phương pháp phân tích, xử lý tín hiệu trong đó có các phương pháp nền tảng như biến đổi wavelet, phân tích thành phần độc lập, mạng nơ-ron wavelet, phương pháp hiển thị hình ảnh LORETA… sẽ được trình bày để làm cơ sở cho các phương pháp được đề xuất, phát triển ở các chương tiếp theo của luận án

2 Tín hiệu điện não và phương pháp đo tín hiệu từ não bộ

2.1 Các phương pháp đo tín hiệu từ não bộ

2.1.1 Chụp quang phổ cận hồng ngoại chức năng

Phương pháp chụp quang phổ cận hồng ngoại chức năng (Functional Infrared Spectroscopy - fNIRS) cho phép đo dữ liệu về oxi trên vỏ não và lưu lượng máu trên các vùng của não mà không cần can thiệp xâm lấn [14] fNIRS được thực hiện dựa trên nguyên lí tia sáng ở phổ cận hồng ngoại với bước sóng từ 700-900 nm

Near-bị hấp thụ mạnh bởi hemoglobin (Hb) và deoxygenated-hemoglobin (deoxy-Hb) vốn

có trong máu nhưng có thể dễ dàng đi xuyên qua da, xương và các mô tế bào fNIRS cho phép theo dõi và phát hiện những sự thay đổi mang tính tương đối trong lưu thông máu não dựa trên sự khác biệt về mức độ bị hấp thụ các tia sáng ở phổ cận hồng ngoại này Tại bước song 810 nm, hệ số hấp thụ của deoxy-Hb and oxy-Hb là giống nhau do đó phương pháp đo tín hiệu não fNIRS thường sử dụng ít nhất hai bước sóng Trong đó, có một bước sóng cao hơn 810 nm và bước sóng còn lại sẽ thấp hơn 810 nm

Chứng tỏ được nhiều ưu điểm về độ chính xác và chất lượng của tín hiệu thu được, fNIRS thu hút sự quan tâm của nhiều nhóm nghiên cứu trên thế giới nhưng ở Việt Nam phương pháp này vẫn còn khá mới mẻ Cản trở lớn nhất của việc nghiên cứu phổ biến fNIRS là ở chi phí sử dụng cao, việc thiết lập hệ thống vẫn còn phức tạp Ngoài ra fNIRS có một nhược điểm rất lớn là không thể sử dụng để thăm dò

22

hoạt động não ở khu vực sâu hơn 4 cm do những hạn chế trong khả năng phát xạ các

tia cận hồng ngoại và giới hạn về độ phân giải trong không gian [14]

2.1.2 Chụp Cộng hưởng từ chức năng

Chụp cộng hưởng từ chức năng hay fMRI (Functional magnetic resonance imaging) là một kỹ thuật chẩn đoán hình ảnh y khoa không xâm lấn dựa trên hiện tượng cộng hưởng từ cho phép theo dõi sự thay đổi lượng oxy trong máu của não

bộ, từ đó có thể phân tích được tình trạng hay hoạt động của hệ thần kinh [15] Chụp cộng hưởng từ là một kỹ thuật nhanh, gọn, không sử dụng tia X, an toàn cho bệnh nhân và không gây ảnh hưởng phụ

Về cơ bản, fMRI là một phương pháp thu hình ảnh của các cơ quan trong cơ thể sống và quan sát lượng nước bên trong các cấu trúc của các cơ quan Ảnh cộng hưởng từ hạt nhân dựa trên một hiện tượng vật lý là hiện tượng cộng hưởng từ hạt nhân Phương pháp fMRI gồm 4 giai đoạn là sắp hàng hạt nhân, kích thích hạt nhân, ghi nhân tín hiệu và tạo hình ảnh Dạng phổ biến nhất của fMRI là BOLD-fMRI (Blood oxygen level dependent fMRI) cho phép xác định dòng máu chứa Oxy tại những vùng khác nhau [16] Thiết bị đo tín hiệu hình ảnh fMRI thường có kích thướng lớn, cồng kềnh, không di chuyển được và yêu cầu bất động cơ thể người thu tín hiệu

2.1.3 Chụp cắt lớp phát xạ positron

Chụp cắt lớp phát xạ positron (Positron Emission Tomography - PET) là kỹ thuật ghi hình y học hạt nhân có thể đánh giá được mức độ chuyển hóa, hoạt động chức năng của các tế bào trong một cơ quan PET được sử dụng như phương pháp ghi hình chức năng, ghi hình chuyển hóa hay ghi hình ở mức độ phân tử [17]

Phương pháp PET ghi lại hình ảnh định tính và định lượng trong quá trình sinh - bệnh lý và chuyển hóa của các bệnh lý sử dụng dược chất phóng xạ được đánh dấu Trong khi đó các phương pháp chẩn đoán hình ảnh cấu trúc, giải phẫu như chụp cắt lớp vi tính (Computed Tomography – CT) hay cộng hưởng từ (fMRI) không thể

vỡ và sẽ được phát hiện bởi máy quét tạo nên hình ảnh không gian 3 chiều Hình ảnh thu được cho thấy các cơ quan trong cơ thể hoạt động bình thường hay bất thường

Cũng giống như fMRI, thiết bị chụp PET thường có kích thướng lớn, cồng kềnh, không di chuyển được và yêu cầu bất động cơ thể người thu tín hiệu Ngoài ra việc đưa chất đánh dấu trong phức hợp đánh dấu phóng xạ vào cơ thể người cũng có thể gây ra các tác dụng phụ không mong muốn

2.1.4 Từ não đồ

Từ trường có thể được phát hiện ở bất cứ nơi nào có sự biến thiên của điện trường Từ não đồ MEG là một kỹ thuật thần kinh chức năng cho phép lập bản đồ hoạt động của não bằng cách ghi nhận từ trường sinh ra bởi dòng điện sinh học, có giá trị rất nhỏ, gây ra do hoạt động của các tế bào thần kinh

MEG là một phương pháp không xâm lấn cho phép đo sự thay đổi của trường điện từ dựa trên hoạt động của tế bào thần kinh với độ phân giải cao trong dải giá trị

từ femto tesla (10-15T) tới pico tesla (10-12T) Từ trường của trái đất ở cỡ 10-4 đến 10

từ MRI, được gọi là phương pháp chẩn đoán hình ảnh dựa trên nguồn từ trường (Magnetic source imaging - MSI) để có được thông tin về cấu trúc não bộ tốt hơn Khả năng xuyên thấu của từ trường đối với các tế bào sinh học cũng giống hệt như khi xuyên qua các vùng không gian rỗng và từ trường không bị thất thoát và ảnh hưởng khi xuyên qua da đầu hoặc hộp sọ

Để thu được tín hiệu từ não đồ, cần phải giải quyết được hai vấn đề đó là việc ghi nhận giá trị từ trường rất nhỏ phát ra từ não bộ và giảm thiểu ảnh hưởng của từ trường trái đất vốn có giá trị lớn hơn nhiều so với từ não bộ Kỹ thuật được sử dụng

24

để thu tín hiệu từ não đồ là thiết bị giao thoa kế lượng tử siêu dẫn (super-conducting quantum interference detector) Để duy trì được chất siêu dẫn, môi trường được giữ

ổn định ở nhiệt độ rất thât, khoảng 3o C sử dụng dung dịch helium

Như vậy, từ não đồ là phương pháp đo tin hiệu não bộ chứa nhiều thông tin,

có độ phân giải và chất lượng tốt nhưng sử dụng thiết bị khá cồng kềnh, công nghệ phức tạp, không di chuyển được và giá thành đắt

2.1.5 Điện não đồ xâm lấn

Phương pháp electro-corticography (ECoG) là một phương pháp xâm lấn, dùng phẫu thuật mở hộp sọ để đặt các điện cực trực tiếp lên bề mặt não bộ nhằm ghi lại các hoạt động điện của não [10] Trong kĩ thuật ECoG, thường dùng các bộ điện cực vô trùng được chế tạo từ thép không gỉ, bạch kim hoặc hợp kim của vàng Các điện cực thường có đường kính 5 mm được đặt trên lưới điện cực trong suốt với khoảng cách tiêu chuẩn giữ hai điện cực là 1 cm và được đánh số thứ tự Các điện cực được thiết kế một cách linh hoạt để không gây tổn thương não trong những chuyển động nhỏ và được đặt để tiếp xúc trực tiếp trên bề mặt não nhưng không làm tổn thương các tế bào thần kinh

Do tín hiệu điện não không bị suy hao qua hộp sọ, phương pháp ECoG cho tín hiệu có độ phân giải không gian cao hơn nhiều so với EEG Thiết bị ghi, cụ thể

là điện cực và cách đặt điện cực ảnh hưởng lớn đến độ phân giải không gian của kĩ thuật ECoG Ngoài các bộ điện cực đặt theo dải hoặc lưới điện cực trên bề mặt não, người ta còn có thể sử dụng các mảng vi điện cực Utah hoặc điện cực sâu được đặt

ở hồi hải mã và hạch hạnh nhân Do đặt điện cực trực tiếp lên bề mặt não, tín hiệu điện não thu được bằng kĩ thuật này không bị ảnh hưởng nhiều bởi nhiễu điện cơ EMG và tín hiệu bất thường do nháy mắt EOG vốn tác động rất mạnh tới chất lượng tín hiệu điện não thu được bởi phương pháp điện não đồ Tuy có nhiều ưu điểm về chất lượng tín hiệu nhưng do là một kĩ thuật xâm lấn đòi hỏi phẫu thuật nên ECoG nên việc chuẩn bị và tiến hành kĩ thuật này là phức tạp hơn rất nhiều so với các kĩ

25

thuật khác, do đó ECoG phần lớn được chỉ định trong điều trị y học nhiều hơn là trong nghiên cứu

2.2 Tín hiệu điện não và các vấn đề liên quan

Tín hiệu điện não, được dùng để chẩn đoán y khoa các bệnh liên quan đến thần kinh trong đó có bệnh động kinh, là tín hiệu điện sinh học thu được từ cơ thể sống giống như tín hiệu điện tâm đồ, tín hiệu điện cơ Mỗi loại tín hiệu điện sinh học khác nhau lại có những cơ chế phát sinh cũng như các phương pháp thu nhận khác nhau Mục này sẽ trình bày các nguyên lí cơ bản về cách thức bộ não phát sinh

ra tín hiệu, phương pháp ghi lại các dạng tín hiệu phát ra từ não, phương pháp xử lí tín hiệu này như thế nào

2.2.1 Điện não đồ

Hình 3 Một số hệ thống thiết bị dùng để đo điện não EEG [20]

MEG, PET, CT và fMRI là các kỹ thuật thu tín hiệu và chẩn đoán hình ảnh đòi hỏi trang thiết bị rất đắt tiền, cồng kềnh, không di chuyển được và yêu cầu người được thu tín hiệu này phải nằm bất động Vì vậy, các phương pháp được sử dụng rộng rãi nhất để ghi lại hoạt động của não trong các hệ thống giao diện não-máy tính

26

BCI (Brain-Computer Interface system) là điện não đồ EEG Cơ sở cho nhận xét trên dựa trên đặc điểm của EEG là một kỹ thuật đơn giản, không xâm lấn (non-invasive), tính di động cao và chi phí thấp hơn nhiều so với các kĩ thuật khác tính [3, 7-13]

Điện não đồ là phương pháp thu tín hiệu không xâm lấn, trực tiếp đo tín hiệu điện phát sinh ra trong các hoạt động thần kinh của não bộ Tuy nhiên, khác với ECoG vốn là một kĩ thuật xâm lấn, EEG đặt các điện cực ở da đầu để thu tín hiệu điện não Nhược điểm của phương pháp EEG là dễ bị ảnh hưởng bởi nhiễu, độ phân giải tín hiệu đối với một số thiết bị thu không cao Tuy nhiên các nhược điểm này đều đã và đang được các nhà nghiên cứu khắc phục bằng những thuật toán xử lí tiên tiến và tiến bộ trong công nghệ phần cứng Ví dụ như gần đây, công nghệ sử dụng điện cực khô (dry sensor) đang dần trở nên phổ dụng trong các thiết bị thu tín hiệu điện não thay cho các điện cực ướt (wet sensor) Bên cạnh đó, EEG có chi phí thấp, tính đơn giản và linh hoạt trong thiết lập hệ thống đo trở thành hướng tiếp cận phù hợp nhất cho các nghiên cứu về não nói chung và các nghiên cứu về hệ thống BCI nói riêng Dựa trên các cơ sở đó, luận án này lựa chọn tín hiệu điện não và phương pháp đo điện não đồ EEG làm hướng tiếp cận chính trong khuôn khổ đề tài nghiên cứu của luận án này Các phần lí thuyết về điện não đồ sẽ được trình bày cụ thể chi tiết trong phần tiếp theo

2.2.2.Tín hiệu điện não

Tín hiệu điện não EEG (Hình 4) là các giá trị điện thế có giá trị rất nhỏ, tạo ra bởi quá trình tương tác với nhau của các tế bào thần kinh trong não [18-19] Tín hiệu điện não thường có biên độ trong khoảng từ 10 µV đến 100 µV và tần số trong dải

từ 1 Hz đến 100 Hz Tín hiệu điện não không tuân theo phân bố Gauss thông thường

và cũng không tĩnh (nonstationary) Tín hiệu điện não thường được thu nhận bởi các điện cực đặt trên bề mặt da đầu theo một trong hai kiểu thiết bị thu tín hiệu đơn cực

và lưỡng cực Thiết bị thu đơn cực lấy hiệu điện thế giữa điện cực hoạt động đặt trên

27

bề mặt da đầu và điện cực tham chiếu thường đặt ở vị trí dái tai Điện cực lưỡng cực nhận hiệu điện thế giữa hai điện cực được đặt trên da đầu

Hình 4 Bản ghi tín hiệu điện não EEG

Thông thường, tín hiệu điện não cho biết thông tin về các hoạt động theo nhịp (rhythmic activities) trên các dải tần số khác nhau (Hình 5) như dải tần Delta (0.5–

4 Hz), Theta (4-8 Hz), Alpha (8-13 Hz), Beta (13-30 Hz) và Gamma (30-50 Hz) [21] Nhịp Delta thường được thu được ở các trẻ nhỏ dưới 1 tuổi và trong trạng thái ngủ sâu của người lớn Nhịp Theta tồn tại ở trẻ em nhỏ dưới 7 tuổi hoặc trẻ em bình thường hoặc ở người lớn trong trạng thái buồn ngủ hoặc đang ngủ Một lượng lớn tín hiệu nhịp Theta thu được ở người lớn trong trạng thái tỉnh táo là dấu hiệu cảnh báo tình trạng bất thường hoặc dấu hiệu bị bệnh Sóng Alpha trong dải tần từ 8 Hz đến 13 Hz thường thu được tại vùng sau gáy tại mỗi phía và thường có biên độ lớn hơn ở vùng sóng Alpha xuất hiện phổ biến Biên độ của sóng Alpha thường có giá trị nhỏ hơn 50 µV và thường thu được ở thùy chẩm của người trưởng thành trong trạng thái thư giãn Nhịp Beta xuất hiện phổ biến ở thùy trán và là dấu hiệu cho thấy đối tượng thu tín hiệu đang trong tình trạng cảnh giác hoặc lo sợ Tín hiệu điện não thường rất phức tạp và có tính chất bất định, phụ thuộc mạnh vào cá nhân, tuổi và trạng thái thần kinh khi thu tín hiệu của đối tượng

28

Hình 5 Một số dạng sóng trong tín hiệu điện não EEG

(Nguồn: http://www.biogetic.com/research.html; truy cập lần cuối 09/07/2020)

2.2.3 Cơ chế phát sinh tín hiệu điện não

Tương tác của các tế bào thần kinh được diễn ra thông qua các xung điện, được ghi lại bởi các điện cực đặt trên da đầu Hiệu điện thế hoạt hóa hay ức chế sau synapse sẽ tạo ra tín hiệu điện não theo cơ chế như sau Khi xuất hiện tương tác tế bào thần kinh, chất trung gian dẫn truyền thần kinh được giải phóng sẽ khuếch tán qua khe synapse hẹp Tại màng sau synapse, phân tử chất trung gian dẫn truyền thần kinh gắn vào phân tử thụ cảm thể gắn ở màng tại vùng nhận diện đặc hiệu đối với chất trung gian dẫn truyền thần kinh đó Chất trung gian dẫn truyền thần kinh gắn vào thụ cảm thể sẽ kích hoạt đáp ứng sau synapse đặc hiệu cho thụ cảm thể đó Đáp ứng này có thể là hoạt hoá hay ức chế, phụ thuộc vào đặc điểm của thụ cảm thể Nếu

sự kích thích thụ cảm thể làm cho màng sau synapse tăng điện dương (khử cực), thì

đó là thế hoạt hoá sau synapse (Excitatory postsynaptic potentials - EPSP) Nếu tăng điện âm (tăng phân cực), thì đó là thế ức chế synapse (Inhibitory postsynaptic potentials - IPSP) Các điện thế sau synapse được tổng hợp lại tại vỏ não, phát ra trên bề mặt da đầu và được ghi lại dưới dạng tín hiệu điện não

29

2.2.4 Thu tín hiệu điện não

Hai phương pháp thường được dùng để thu tín hiệu điện từ bộ não là EEG và ECoG Phương pháp EEG sử dụng một hệ thống các điện cực đặt trên vỏ da đầu để thu các tín hiệu điện, đây là một phương pháp không xâm lấn Khác với EEG, ECoG

là một phương pháp xâm lấn Về cơ bản, khi thực hiện thu tín hiệu với phương pháp ECoG, các điện cực được đặt trực tiếp vào vỏ não thay vì ở trên bề mặt da đầu ECoG là một phương pháp xâm lấn đòi hỏi phải tiến hành phẫu thuật mở hộp sọ để

có thể đặt điện cực Trong khuôn khổ luận án, các nội dung về phương pháp đo điện não đồ EEG sẽ được trình bày sâu hơn

Trong phương pháp đo điện não đồ EEG, người ta sử dụng thiết bị thu tín hiệu điện não để ghi lại tín hiệu điện từ bộ não bằng cách đặt các điện cực lên da đầu Dòng điện hình thành do hoạt động của tế bào thần kinh có điện thế rất nhỏ (chỉ cỡ

100 µV) [18] Để có thể ghi được dòng điện nhỏ này thì máy thu tín hiệu điện não

phải có độ nhạy cao Dù đã được cải tiến và phát triển rất nhiều kể từ khi được phát minh từ năm 1924, tuy nhiên nguyên lí hoạt động chung của máy thu tín hiệu điện não đều tuân theo qui trình cơ bản từ đầu vào là các điện cực → đạo trình ghi → bộ tiền xử lí khuếch đại → bộ lọc tần số cao → hậu khuếch đại → thiết bị ghi (máy ghi dao động kế hoặc màn hình) Trong giai đoạn phát triển thiết bị thu ban đầu, các dao động kế được sử dụng để ghi lại tín hiệu lên tấm giấy nhẵn hoặc giấy có ô lưới Hiện nay, các hệ thống này được số hóa, xử lí và lưu trữ tín hiệu EEG dưới dạng số Như

đã biết, việc số hóa tín hiệu bao gồm nhiều bước như lấy mẫu, lượng tử hóa, mã hóa,… Khi số kênh tín hiệu được sử dụng tăng lên thì lượng dữ liệu cũng nhiều hơn,

số bit để mã hóa tín hiệu cũng tăng theo Các hệ thống được máy tính hóa cho phép thiết lập nhiều thông số khác nhau, hỗ trợ mô phỏng tín hiệu, lấy mẫu tần số và trong nhiều trường hợp có tích hợp cả các công cụ xử lí tín hiệu đơn giản hoặc hiện đại giúp nâng cao hiệu quả quá trình xử lí tín hiệu Dải tần hiệu quả cho việc thu tín hiệu EEG là cỡ xấp xỉ 100 Hz, do đó tần số lấy mẫu nhỏ nhất sẽ vào cỡ 200 Hz để tuân theo định lí Nyquis Tuy nhiên các con số này có thế thay đổi tùy vào mục đích của việc đo tín hiệu Một số ứng dụng đòi hỏi các hoạt động của não phải được quan sát

30

ở độ phân giải cao hơn tần số lấy mẫu, có thể lên tới 2000 mẫu/s Để giảm thiểu mất mát thông tin thì quá trình lượng tử hóa tín hiệu cũng phải thực hiện rất tốt Các hệ thống đo tín hiệu EEG trong lâm sàng thường sử dụng các mẫu tín hiệu 16 bit

3 Một số phương pháp xử lý, phân tích tín hiệu điện não

3.1 Biến đổi wavelet

Biến đổi wavelet [21] là phương pháp xử lý tín hiệu sử dụng một tập hợp các

hàm cơ sở, được gọi là các sóng nhỏ wavelet vốn khi được sử dụng để phân tích tín hiệu sẽ thể hiện thông tin đầu ra khu trú rất rõ trên cả miền thời gian và tần

số So với phép biến đổi Fourier (sử dụng duy nhất hàm mũ), phép biến đổi wavelet có tính linh động cao vì có thể lựa chọn các hàm wavelet khác nhau trong

họ hàm wavelet sao cho thích hợp với bài toán (hình dạng của hàm wavelet phù hợp với tín hiệu cần phân tích) để kết quả phân tích là tốt nhất Các hàm cơ sở wavelet có thể được xây dựng từ một hàm wavelet mẹ duy nhất 𝜓(𝑡) được định nghĩa như sau:

√𝑎𝜓 (𝑡−𝜏

Trong đó a là tỉ lệ (nghịch đảo của tần số) và 𝜏 là dịch chuyển đặc trưng vị trí

Biến đổi wavelet liên tục (Continuous wavelet transform - CWT) của một tín hiệu 𝑥(𝑡) được định nghĩa là hệ số tương quan (correlation) giữa hàm cơ sở wavelet

và chính tín hiệu đó CWT của 𝑥(𝑡) được định nghĩa bởi công thức sau:

Trong đó 𝜓∗(𝑡) là biến đổi phức liên hợp của 𝜓(𝑡) Phương trình (2) ở trên cho thấy trong phép biến đổi CWT, một sóng nhỏ wavelet được cho đi qua tín hiệu cần phân tích Kết quả thu được là một tập các hệ số wavelet đại diện cho hình ảnh trên các bậc hay dải tần khác nhau trên miền thời gian và tần số của tín

hiệu phân tích Tham số tỉ lệ a đóng vai trò quan trọng trong phép biến đổi wavelet Khi giá trị của a thay đổi từ lớn xuống bé, hàm cơ sở wavelet trở nên

“giãn” ra và trơn hơn tương ứng với tần số thấp hơn Theo đó, các thành phần tín

31

hiệu chứa tần số thấp có thể được phân tích với các sóng wavelet trơn như vậy

có thể đem lại thông tin phân tích hết sức hữu ích Đặc biệt trong điều kiện tín hiệu điện não thường bị ảnh hưởng bới các loại nhiễu trong đó có tín hiệu bất thường do nháy mắt EOG vốn thường xuất hiện ở giải tần thấp

Biến đổi wavelet thường trả về kết quả là các hệ số mang đặc trưng trên cả miền thời gian và tỉ lệ (scale), trong đó tỉ lệ ở đây một cách cơ bản là chỉ về mặt tần số [22] Tỉ lệ cao nhất tương ứng với thành phần tần số cao nhất hiện diện trong tín hiệu được phân tích (thường là bé hơn hoặc bằng một nửa tần số lấy mẫu) và giải tần của tỉ lệ này thường trong khoảng từ một nửa tới một phần tư tần số lấy mẫu Khi giải tần giảm một nửa, số lượng hệ số thuộc về các thành phần có độ phân giải thấp hơn giảm xuống khoảng gần một nửa so với giải tần cao hơn ngay kề trên Sự lựa chọn một cách hợp lý các hệ số ở các giải tần khác nhau có thể được dùng để nén hoặc tái cấu trúc lại tín hiệu ban đầu hoặc tín hiệu được thay đổi, trong trường hợp nâng cao chất lượng, loại bỏ thành phần không mong muốn hay khử nhiễu tín hiệu

Hình 6 (a) Biến đổi wavelet thuận và (b) Biến đổi wavelet ngược

32

Do tín hiệu xử lý trên máy tính là tín hiệu số hóa, biến đổi wavelet liên tục CWT không áp dụng được Thay vào đó, biến đổi wavelet rời rạc (Discrete wavelet transform - DWT) được dùng để thu được các tập hệ số wavelet là các bản thể rời

rạc của chuỗi tín hiệu thời gian rời rạc Trong phép biến đổi DWT, các tham số a và

𝜏 trong các phương trình (1) và (2) ở trên có thể được biểu diễn như sau 𝑎𝑖 = 2−𝑖 và

𝜏𝑖 = 2−𝑖𝑗 trong đó i và j là các số nguyên dương Việc lựa chọn giá trị của i và j xác

gian Hilbert [23] DWT có thể được triển khai một cách giản đơn chỉ với phép lọc

đệ quy cho phép tái thể hiện các phiên bản trên miền wavelet của tín hiệu được phân tích ở các giải tần khác nhau Tại mỗi giải tần thuộc quá trình lọc tín hiệu này, tín

hiệu lần lượt được cho chạy qua và nhân chập với hai bộ lọc thông cao và thấp, là g

và h Tái xây dựng tín hiệu có thể thực hiện với phép lọc nghịch đảo như sau:

Biến đổi wavelet và tái cấu trúc wavelet được minh họa trên Hình 6 Biến đổi wavelet (theo chiều thuận) chính là quá trình tín hiệu ban đầu được phân tích bởi một bộ lọc thông cao (𝐻0) và một bộ lọc thông thấp (𝐺0) Hai bộ lọc này được thiết

kế dựa trên đặc tính của hàm wavelet cơ sở Kết quả là các hệ số wavelet sau đó được giảm mẫu (downsample) xuống một nửa Sau khi giảm mẫu, kết quả của phép biến đổi DWT là một chuỗi hệ số trên giải tần cao và một chuỗi hệ số ở giải tần thấp, được gọi là chi tiết (detail) và xấp xỉ (approximation) Thành phần xấp xỉ sau đó lại tiếp tục được sử dụng làm đầu vào của phép biến đổi wavelet DWT ở bậc tiếp theo

chuỗi chi tiết (𝑑𝑘, 𝑘 = 1, … , 𝑖) đem đến hiển thị thông tin về tín hiệu phân tích ở các

giải tần số khác nhau

Tái cấu trúc tín hiệu trên miền wavelet (quá trình wavelet ngược hay wavelet tổng hợp) chính là quá trình nghịch đảo của biến đổi DWT trong đó chuỗi xấp xỉ và chi tiết tại mỗi bậc được tăng mẫu (upsample) bậc hai và sau đó được cho chạy qua một bộ lọc thông thấp tổng hợp (𝐺1) và bộ lọc thông cao tổng hợp (𝐻1) Sau đó kết

33

quả này được tổng hợp lại và quá trình tiếp tục được thực hiện i lần tiếp theo Số lần

i chính bằng số bậc biến đổi wavelet thuận Các bộ lọc được sử dụng trong quá trình

phân tích và tổng hợp cần phải thỏa mã điều kiện về tái cấu trúc hoàn hảo (perfect reconstruction) hay thỏa mãn phương trình:

Trong đó 𝐺𝑝(𝑧) và 𝐻𝑝(𝑧) chính là các ma trận trong dải ma trận tổng hợp và

phân tích

3.2 Phân tích thành phần độc lập trong khử nhiễu tín hiệu điện não

Phương pháp phân tích thành phần độc lập (Independent component analysis - ICA) là một kĩ thuật tách nguồn mù thường được sử dụng trong khử nhiễu tín hiệu điện não [20] Các kĩ thuật tách nguồn mù thường được sử dụng phổ biến với mục đích đánh giá các nguồn tín hiệu ban đầu từ tập hợp các tín hiệu trộn của chúng dù không có hoặc có rất ít thông tin về quá trình trộn cũng như tín hiệu gốc ban đầu Ý tưởng của phương pháp ICA dựa trên việc coi mỗi kênh tín hiệu thu được là kết quả của việc trộn nhiều nguồn tín hiệu gốc Trong trường hợp tín hiệu điện não EEG,

các tín hiệu thu được ở mỗi điểm đặt điện cực trên vỏ da đầu (kí hiệu là x) được coi

là tín hiệu trộn của nhiều nguồn tín hiệu gốc nằm bên trong bộ não (kí hiệu là s) Quá trình trộn sử dụng một ma trận trộn (kí hiệu là W -1) được mô tả bằng công thức

x= W -1 *s

Mô hình ICA cơ bản yêu cầu các giả thiết sau phải được thỏa mãn:

- Các nguồn tín hiệu ban đầu phải độc lập thống kê với nhau

- Không có nguồn nào có phân bố Gauss, hoặc tối đa chỉ có 1 nguồn có phân bố Gauss

- Ma trận trộn W -1 là ma trận vuông (số tín hiệu nguồn bằng số tín hiệu trộn)

Ở đây, khái niệm độc lập thống kê được định nghĩa theo hàm mật độ xác suất (Probality Density Function - PDF) Những biến ngẫu nhiên 𝑠1, 𝑠2, … , 𝑠𝑛 là độc lập nếu hàm phân bố xác suất có thể tìm được thừa số là:

thì sẽ thu được ma trận trộn W -1 và các thành phần độc lập (hay các nguồn tín hiệu gốc) Các thành phần độc lập sẽ được kiểm tra và thay thế các thành phần độc lập có

tính chất giống nhiễu, trước khi trộn lại bằng ma trận W -1 để thu được tín hiệu sạch Quy trình khử nhiễu này được thể hiện tại Hình 7

Hình 7 Quy trình phương pháp ICA dùng trong khử nhiễu tín hiệu EEG

3.3 Mạng Nơron wavelet

Tín hiệu điện não là loại tín hiệu dễ bị ảnh hưởng bởi nhiễu Có một số loại nhiễu

cơ bản như nhiễu tim, tín hiệu bất thường do nháy mắt và nhiễu cơ Các loại nhiễu này khi xuất hiện sẽ làm giảm hiệu quả của hệ BCI Mạng nơron kết hợp wavelet - Wavelet neural network [25], được phát triển để khử tín hiệu bất thường do nháy mắt , gồm có ba phần chính (Hình 8): phân tích wavelet (wavelet decomposition), mạng Nơ-ron nhân tạo và tổng hợp wavelet (wavelet reconstruction) Đầu vào của

35

WNN là tín hiệu có tín hiệu bất thường do nháy mắt và đầu ra là tín hiệu đã được khử nhiễu

Hình 8 Cấu trúc của mạng Wavelet Neural Network [8]

Phần tiếp theo sẽ trình bày cách huấn luyện và khử nhiễu tín hiệu điện não bằng mạng Nơ-ron nhân tạo kết hợp wavelet WNN

3.3.1 Huấn luyện

Để huấn luyện được mạng Nơ-ron nhân tạo, trước hết phải tạo ra tín hiệu điện não sạch Sau đó, tín hiệu sạch này được thêm tín hiệu bất thường do nháy mắt , là nhiễu được lọc tách trực tiếp từ tín hiệu điện não có nhiễu Việc huấn luyện mạng Nơ-ron nhân tạo được xem như tương đương với việc “dạy” cho mạng Nơ-ron khôi

phục lại tín hiệu sạch EEG(true) (t) từ tín hiệu có nhiễu EEG (rec) (t) Cả EEG (true) (t) và

suy để có cùng chiều dài Các chuỗi hệ số được nội suy sau đó được sử dụng để huấn luyện mạng Nơ-ron Các bước huấn luyện có thể xem tại Hình 9

Hình 9 Huấn luyện mạng Nơ-ron

3.3.2 Khử nhiễu

Các bước đầu tiên của quá trình khử nhiễu (Hình 10) là tương tự với quá trình

36

hệ số của một số dải tần để các chuỗi hệ số này có chiều dài bằng nhau Sau đó dữ liệu cần được khử nhiễu sau khi được xử lý bởi mạng Nơ-ron đã được huấn luyện được lấy mẫu xuống (downsampling) cho trở về chiều dài ban đầu Sau đó, dữ liệu

trên được cho qua Tổng hợp wavelet để khôi phục lại tín hiệu sạch EEG true (t)

Hình 10 Quá trình khử nhiễu

3.4 Phương pháp phân ngưỡng wavelet

Phương pháp phân ngưỡng wavelet (wavelet thresholding) được phát triển dựa trên biến đổi wavelet vốn cho phép biểu diễn tín hiệu trên với các tỉ lệ khác nhau trên miền thời gian – tần số Các hệ số thuộc thành phần xấp xỉ (approximation) và chi tiết (details), tương ứng với các băng tần thấp và cao, được đưa qua bộ phân ngưỡng trước khi tái tạo wavelet Với việc lựa chọn một cách phù hợp hàm wavelet

có chung tính chất với nhiễu tín hiệu điện não, những hệ số wavelet có giá trị lớn được tạo ra ở những vùng dải tần số thấp đặc trưng cho tín hiệu bất thường sinh ra

do nháy mắt EOG Khi thay đổi giá trị của các hệ số này bằng các hàm phân ngưỡng phi tuyến sẽ tương ứng với việc giảm sự tác động của nhiễu lên tín hiệu điện não, hay là khử nhiễu tín hiệu Phương pháp phân ngưỡng wavelet cho mục đích khử

nhiễu được sử dụng trong luận án này được thực hiện theo Krishnaveni, V., 2006, cụ

thể với các bước như sau:

- Sử dụng bộ lọc thông thấp Butterworth loại bỏ các thành phần tín hiệu tần số rất thấp (< 0.5 Hz) của tín hiệu điện não đầu vào

- Áp dụng biến đổi wavelet cho tín hiệu điện não chứa nhiễu

- Sử dụng một hàm phân ngưỡng để tự động “sửa” những hệ số wavelet có giá trị lớn, trong vùng tần số thấp

ngưỡng thích nghi dựa trên ước lượng SURE (Stein’s unbiased risk estimate) [4]

được sử dụng

Giá trị phân ngưỡng t có thể được xác định một cách thích nghi, dựa trên dữ

liệu bởi phương pháp phân ngưỡng SURE như sau:

2𝑘+1, 𝑝 > 𝑡

38

Trong đó k là số thực dương và p là giá trị phương sai của thành phần chính

được xét đến Giá trị ngưỡng có thể được khởi tạo dựa trên công thức phân ngưỡng Donoho [26] như sau:

𝑡0 =𝑚𝑒𝑑𝑖𝑎𝑛(|𝑝|)

0.6745 √2𝑙𝑜𝑔 (𝑛)

Quá trình này được lập lại tới khi 𝛻𝑡𝑖/𝑡𝑖+1 > ε

3.5 Kỹ thuật định vị LORETA trong trực quan hóa dữ liệu điện não

Kĩ thuật thu tín hiệu EEG đã sớm có khả năng thu đồng thời một số lượng lớn các kênh tín hiệu số hóa, điều này cho phép ra đời một kĩ thuật phân tích tín hiệu mới được gọi là định vị EEG Về cơ bản, kĩ thuật này cho phép xác định mức độ hoạt động não ở các vùng não khác nhau tại một thời điểm Thông thường, mức hoạt động não sẽ được mã hóa theo màu sắc để hiển thị lên mô hình não hoặc sơ đồ não (ví dụ, màu tím và xanh có thể mô tả mức độ hoạt động EEG thấp, trong khi vàng

và đỏ có thể mô tả mức độ hoạt động lớn hơn) Những điểm trong không gian nằm giữa các điện cực sẽ được tính toán bằng những kĩ thuật tính toán nội suy (tính toán giá trị tức thời trên cơ sở các giá trị liền kề)

LORETA (Low resolution brain electromagnetic tomography) [27] là thuật

toán điển hình trong kĩ thuật định vị EEG Thuật toán này biểu diễn hoạt động của não bộ với một mô hình não 3D Thuật toán LORETA cho phép tính toán phân bố mật độ dòng xuyên suốt toàn bộ phần đầu, sau đó gắn mỗi điểm trong đầu (được gọi

là voxel – điểm ảnh trong không gian 3 chiều) với một mức cường độ mô tả độ mạnh của mật độ dòng tại điểm đó Mỗi điểm ảnh sau đó được mã hóa màu tương ứng với mức cường độ (thông thường là từ đỏ>trắng>xanh tương ứng cường độ giảm dần – xem Hình 11)

Loreta định nghĩa dựa trên phương trình:

39

Với φ là chênh lệch điện thế đo tại N điểm trên da đầu (chính là tín hiệu tại sensor gắn trên da đầu, trong trường hợp của mình N=14 (chính là số điện cực) Tọa

độ của N điểm đo này lấy theo hệ tọa độ Descartes {s1 , s2 , , sN}

J là ma trận mật độ dòng tại M điểm bên trong não (J: mật độ dòng, kích

thước 3Mx1), J = (j T1 , j T2 , , j TM ) T, tại mỗi điểm ta có jb = (jxb , jyb , jzb)T với

Với σ là độ dẫn, sR là vector vị trí của điện cực tham chiếu

Mục tiêu của thuật toán là tìm giá J tại mỗi điểm trong não dựa theo phương trình định nghĩa LORETA

Hình 11 Thuật toán Loreta trong định vị hoạt động điện não EEG