BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Phạm Phúc Ngọc

XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG

TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN

LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

Hà Nội – 2016
 BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Phạm Phúc Ngọc

XỬ LÝ TÍN HIỆU ĐIỆN NÃO TRONG

TƯỞNG TƯỢNG VẬN ĐỘNG CHI TRÊN

Chuyên ngành: Kỹ thuật điện tử

Mã số: 62520203

LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1. PGS.TS. PHẠM VĂN BÌNH
2. TS. PHẠM HẢI ĐĂNG

Hà Nội – 2016
 LỜI CAM ĐOAN
Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu trong
luận án này là trung thực và chưa từng công bố trong bất kỳ công trình nào khác.

Tập thể giáo viên hướng dẫn Tác giả

Phạm Phúc Ngọc

 LỜI CẢM ƠN

Đầu tiên tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy
hướng dẫn khoa học PGS.TS Phạm Văn Bình và thầy đồng hướng dẫn TS. Phạm
Hải Đăng. Các thầy là người định hướng cho tôi triển khai các ý tưởng khoa học và
luôn tận tình hướng dẫn tôi trong suốt thời gian thực hiện luận án.

Tôi cũng xin chân thành cảm ơn các Anh, Chị, em và các bạn đồng nghiệp tại
Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Viện Điện tử - Viễn thông trường
Đại học Bách Khoa Hà nội đã tạo điều kiện, định hướng và giúp đỡ để tôi hoàn
thành công trình nghiên cứu này.

Tôi xin cảm ơn Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, bộ môn Mạch
& xử lý tín hiệu Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội, khoa
Thần kinh Bệnh viện Bạch Mai đã hỗ trợ tôi về cơ sở vật chất, trang thiết bị nghiên
cứu, các góp ý định hướng nghiên cứu và các kỹ thuật trong y học để tôi hoàn thành
tốt công trình nghiên cứu của mình.

Tôi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học,
Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện cho
tôi trong quá trình học tập và nghiên cứu.

Tôi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EEG&Arm
Rehabilitation đã hỗ trợ và cùng tham gia với tôi trong việc triển khai các thí
nghiệm đo lường, phân tích tín hiệu điện não tại phòng thí nghiệm.

Cuối cùng tôi xin chân thành cảm ơn Bố mẹ, vợ, con trai và những người thân
trong gia đình luôn động viên về tinh thần, thời gian và vật chất để tôi có động lực
thực hiện con đường nghiên cứu khoa học.
Hà nội ngày ……. tháng …..….năm……
Tác giả

Phạm Phúc Ngọc

 MỤC LỤC

Trang

MỞ ĐẦU………………………………………………………………………....…...1

CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ

HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG
CỦA ..…...9
NGƢỜI………………………………………………………………..............

1.1 Hệ thần kinh điều khiển vận động……………………………………….....…...9

1.1.1 Các hoạt động điện của..….12

não………………………………………….

1.1.2 Điện thế hoạt động………………………………………………....……13

1.1.3 Tạo tín hiệu EEG………………………………………………….. ……14

1.1.4 Hệ thống điều khiển vận động của não……………………………..……18

1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động………..……25

1.2 Mô hình xử lý tín hiệu điện não IHMv…………………………………..……27

1.2.1. Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv……………28

1.2.2. Nâng cao tỷ số SNR của tín hiệu…………………………………..……31

1.2.2.1 Tăng cường chất lượng tín hiệu EEG dựa trên việc sử dụng
các bộ lọc số có pha bằng không…………………………... …...31

1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu EEG bằng kỹ
thuật lọc không ……36
gian……………………………………………...

1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation)
từ bản ghi điện não đồ……………………………………....……37

1.3 Kết luận chương………………………………………………………… ……46

i
CHƢƠNG 2. PHÁT TRIỂN BỘ ĐẶC TRƢNG MỚI NÂNG CAO ĐỘ
CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN LỚP
IHMv ĐẦU RA…...………………………………………………………….. ……48

2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi
wavelet…………………………………………………………………... ……53

2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu điều khiển vận động
IHMv……………………………………………………………………..……59

2.3 Mô tả bộ cơ sở dữ liệu vận động/tưởng tượng vận động……65

Physionet……....

2.4 Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phương pháp
phân tích phương sai một chiều ANOVA theo chỉ số F và……70
p……………..

2.4.1 Phương pháp phân tích phương sai một chiều……72

ANOVA…………...

2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm
định ANOVA theo chỉ số F và p…………………………………...……73

2.5 Kết luận chương………………………………………………………….……78

CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP……80

IHMv…….

3.1 Xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv từ bộ đặc
trưng đề xuất và cấu trúc các……85
lớp……………………………………………….

3.2 Mô hình máy vector hỗ trợ nhị phân SVM……………………………………87

3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình
vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng
tượng vận động tay trái, tay phải và nghỉ………………………………...……95

3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại
3IHMv_SMV2…………………………………………………………... ……99

ii
3.5 Kết luận chương………………………………………………………….…..104

CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI

TƢỢNG NGƢỜI VIỆT NAM…………………………………………….....…..105

4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động
của người Việt ….105
Nam…………………………………………………………..

4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/ tưởng
tượng vận động của đối tượng đo người Việt…..106
nam…………………

4.1.2 Kết quả và đánh giá bộ dữ liệu……………………………………. …..114

4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định
ba phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận ….123
động…………..

4.3 Kết luận chương………………………………………………………….…..125

KẾT LUẬN CHUNG………………………………………………………….. ….127

1. Các đóng góp ….127

mới………………………………………………………...

2. Hướng nghiên cứu tiếp…………………………………………………... ….129

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……………..…..131

TÀI LIỆU THAM KHẢO…………………………………………………....…..132

PHỤ LỤC ….143

1……………………………………………………………………

PHỤ LỤC 2…………………………………………………………………… ….153

PHỤ LỤC 3…………………………………………………………………….….157

PHỤ LỤC…..170
4…………………………………………………………………....

iii
PHỤ LỤC…..173
5…………………………………………………………………....

DANH MỤC TỪ VIẾT TẮT

ANOVA Analysis of Variance Phân tích phương sai

AP Action Potential Điện thế hoạt động
AR Autoregressive Tự động hồi quy
ARMA Autoregressive Moving Tự đồng hồi quy trung bình dịch
Avarage
AUC Area Under ROC Curve Diện tích dưới đường ROC
AVACC Average Accuracy Độ chính xác trung bình
BA4 Brodmann Area 4 Khu vực Brodmann 4
BA6 Brodmann Area 6 Khu vực Brodmann 6
BCI Brain Computer Interface Giao tiếp người – máy
CAR Common Average Reference Tham chiếu trung bình
CNS Central Nervous System Hệ thần kinh trung ương
CS_LDA Class Separability Linear Phân chia lớp kết hợp với phân
Discriminant Analysis tích phân chia tuyến tính
CSP Common Spatial Patterns Các thành phần không gian
chung
CS_SVM Class Separability Support Phân tích lớp kết hợp vector
Vector Machine máy hỗ trợ
DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc
EEG Electroencephalogram Điện não đồ
EMG Electromyography Điện cơ
ERD Event-Related Khử đồng bộ liên quan đến sự
Desynchronization kiện
ERP Event – Related Potential Điện thế liên quan đến sự kiện
ERS Event-related Synchronization Đồng bộ liên quan đến sự kiện
ERSP Event-related spectral Phổ năng lượng hỗn loạn liên

iv
 perturbation quan đến sự kiện
FFT Fast Fourier Transform Biến đổi Fourier nhanh
FIR Finite Impulse Response Đáp ứng xung hữu hạn
FMRI Functional Magnetic Resonance Cộng hưởng từ chức năng
Imaging
FNR False Negative Rate Tỷ lệ âm tính giả
FPR False Positive Rate Tỷ lệ dương tính giả
HJ_ACT Hjorths Activity Thông số Hjorths hoạt động
HJ_MOBI Hjorths Mobility Thông số Hjorths linh động
ICA Independent Component Phân tích thành phần độc lập
Analysis
ICMS Intracortical Microstimulation Vi kích thích trong hộp sọ
IHMv Imagery Hand Movement Tưởng tượng vận động chi trên
IPL Inferior Parietal Lobule Tiểu thùy đỉnh dưới
L Left Trái
Lf_IHMv Imagery Left Hand Movement Tưởng tượng vận động tay trái
LOG_EN Logarithm Entropy Logarit Entropy
M1 Primary Motor Cortex Vỏ não vận động chính
MEMD Multivariate Empirical Mode Phương pháp MEMD
Decomposition
MI Mutual Information Thông tin chung
MMAV Modified Mean Absolute Value Giá trị sửa đổi trung bình tuyệt
đối
MRCPs Movement-Related Cortical Điện thế não liên quan đến vận
Potentials động
MRMR Max Relevance and Min Tối đa sự liên quan và giảm độ
Redundancy dư thừa
MSE Mean Square Error Sai số trung bình bình phương
NA-MEMD Noise Assisted MEMD Kỹ thuật MEMD cộng nhiễu
NN Neural Network Mạng nơ ron
PLV Phase Lock Value Giá trị khóa pha
RBF Radial basis function Hàm RBF
Re Rest Nghỉ
Re_IHMv Rest state Trạng thái nghỉ
Ri Right Phải
Ri_IHMv Imgary Right Hand Movement Tưởng tượng vận động tay phải
RMS Root Mean Square Căn bậc hai trung bình bình
phương
ROC Receiver Operating Đường cong ROC
Characteristic
S1 Primary Somatosensory Cortex Vùng não cảm giác chính
SHAN_EN Shannon Entropy Shannon Entropy
SMA Supplement Motor Area Vùng não vận động bổ sung

v
SNR Signal to Noise Ratio Tỷ lệ tín hiệu trên nhiễu
SPL Superior Parietal Lobule Tiểu thùy đỉnh trên
SSI Simple Square Integral Chỉ số năng lượng tín hiệu
STFT Short Time Fourier Transform Biến đổi Fourier thời gian ngắn
SVM Support Vector Machine Máy vector hỗ trợ
SSC Slope Sign Change Thay đổi chiều dốc
SWT Stationary Wavelet Transform Biến đổi wavelet ổn định
TNR True Negative Rate Tỷ lệ âm tính thật
TPR True Positive Rate Tỷ lệ dương tính thật
WAMP Willison Amplitude Thuộc tính WAMP
WPICA Wavelet packet-based Phân tích thành phần độc lập
independent component analysis dựa trên biến đổi wavelet
ZC Zero Crossings Tỷ lệ cắt không

vi
 DANH MỤC BẢNG
Trang
Bảng 1.1 Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải 33
Bảng 2.1 Các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức 59
SWT
Bảng 2.2 Tóm tắt giá trị trung bình và phương sai của các thuộc tính 68
theo các phân lớp IHMv khác nhau
Bảng 2.3. Giá trị ANOVA F và p đối với từng đặc trưng băng tần α và 75
β trên kênh C3 và C4
Bảng 2.4 Nhóm 62 các thuộc tính sử dụng để xây dựng vector đặc 79
trưng phân lớp IHMv lựa chọn theo mô hình ANOVA
Bảng 3.1 Mô tả quyết định trạng thái phân lớp đầu ra của bộ phân loại 99
Bảng 3.2 Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3 99
Bảng 3.3 Mô tả độ chính xác phân loại của bộ phân loại 100
3IHMv_SVM2
Bảng 3.4 Độ chính xác phân loại của mô hình phân loại SVM 2 tầng 100
với vector đặc trưng 6 thuộc tính (2 kênh x 3 băng tần)
Bảng 3.5 Độ chính xác phân loại giữa non-rest IHMv và Re_IHMv 102
Bảng 3.6 So sánh kết quả phân loại của các phân lớp IHMv của bộ 103
phân loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương
đương
Bảng 4.1 Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế 109
Bảng 4.2 Độ chính xác phân loại của mô hình đề xuất trên bộ dữ liệu 123
tự thiết kế

vii
 DANH MỤC HÌNH

Trang
Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não 10
(Cerebellum) và cuống não (brain stem)
Hình 1.2. Vị trí của Đại não chiếm phần lớn não người 10
Hình 1.3 Vị trí của tiểu não 11
Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong 13
quá trình synap kích thích
Hình 1.5 Thay đổi điện thế màng thông qua việc đóng các kênh Na và 14
mở các kênh K
Hình 1.6. Cấu trúc của một nơ ron 15
Hình 1.7 Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày 16
của các lớp
Hình 1.8 Tín hiệu điện não ghi được từ các điện cực 16
Hình 1.9 Tín hiệu điện não thu được tại các vị trí khác nhau của điện 17
cực theo hai phương pháp lưỡng cực (a) và đơn cực (b)
Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận 19
động của vỏ não
Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của 20
Brodmann ở Người
Hình 1.12 Khu vực chính của vỏ não điều khiển vận động 20
Hình 1.13 Khu vực vận động có thể được kích thích trực tiếp ở người 22
tỉnh táo
Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động 24
chính được mở rộng hơn
Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện vận 29

viii
 động tay và chân phải tưởng tượng
Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20 29
Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông 33
dải 1Hz-40Hz
Hình 1.18 a) Tín hiệu gốc trên kênh C3. b) Tín hiệu đã bị trễ với bộ lọc 35
thông thường. c) Tín hiệu trên kênh C3 được lọc với bộ lọc
pha bằng không
Hình 1.19 Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu 35
lọc pha không đã được đồng bộ về mặt thời gian
Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh. Các điện cực được 37
sử dụng trong mô hình lọc Laplacian được đánh dấu màu
xanh còn màu cam là điện cực thu được lọc
Hình 1.21 a) Định vị các đoạn tín hiệu tương ứng với chuyển động 40
tưởng tượng
Hình 1.22 Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản 42
ghi điện não trên một kênh tín hiệu EEG
Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) 45
tương ứng với 3 trạng thái điều khiển vận động trên kênh C3
Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet) 46
tương ứng với 3 trạng thái điều khiển vận động trên kênh C4
Hình 2.1 Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng 54
các phân lớp IMHv
Hình 2.2 Biến đổi SWT 2 mức 58
Hình 2.3 Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực 67
tuân theo chuẩn 10/20
Hình 2.4 Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng 69
đặc trưng
Hình 2.5 Các bước lựa chọn đặc trưng theo phân tích phương sai 74
ANOVA

ix
Hình 3.1 Mô hình phân loại ba phân lớp IHMv 81
Hình 3.2 Mô tả ma trận dữ liệu huấn luyện 87
Hình 3.3 Mô tả ma trận nhãn 87
Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM 88
cho các mẫu thuộc hai phân lớp
Hình 3.5 Hàm Kernel sẽ ánh xạ các điểm từ mô hình 2D sang không 90
gian 3D
Hình 3.6 Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2 94
tầng 3IHMv_SVM2 có sử dụng thuật toán tối ưu C và
gamma
Hình 3.7 Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân 95
loại SVM
Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa 97
trên mô hình 2 tầng SVM phi tuyến
Hình 3.9 Mô hình huấn luyện của tầng phân loại SVM1 97
Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2 98
Hình 4.1. Hình ảnh hệ thống 107
Hình 4.2. Mũ điện cực theo chuẩn quốc tế 10-20 107
Hình 4.3. Ký hiệu của chuấn quốc tế 10-20 107
Hình 4.4. Kiểm tra trở kháng tiếp xúc 108
Hình 4.5 Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi 108
tiến hành phép đo
Hình 4.6 Các thông số của đối tượng đo được kiểm tra và ghi chép khi 110
chuẩn bị phép đo
Hình 4.7 Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối 111
tượng người Việt Nam bằng thiết bị Exea Ultra
Hình 4.8 Hướng dẫn đối tượng thực hiện chuyển động tay trái hoặc tay 113
phải. Các mũi tên lần lượt được xuất hiện trong các thời
điểm định sẵn

x
Hình 4.9 Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này được 114
sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình
Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại 116
phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ
điện cực 19 kênh theo tiêu chuẩn 10/20
Hình 4.11 (a) Tín hiệu điện não khi tình nguyện viên P011 được đo trên 118
kênh C3 trước khi loại bỏ nhiễu đường biên và sau khi loại
bỏ nhiễu đường biên.
Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng 118
bộ lọc FIR (1-40Hz)(Bản ghi P011E08)
Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của 121
thí nghiệm P011E08 (tưởng tượng chuyển động tay)
Hình 4.14 Mô hình hệ thống hỗ trợ vận động bằng sóng não 123
Hình 4.15 Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu 124
điện não điều khiển tưởng tượng vận động chi trên dựa trên
bộ phân loại đề xuất
Hình 4.16 Khung cơ khí hoàn thiện 125
Hình 4.17 Giao diện thu nhận thông tin vận động 125

xi
 MỞ ĐẦU
Hệ thống vận động của người bao gồm các thành phần: Hệ xương, hệ cơ và hệ
thần kinh. Các tổ chức cơ quan sinh lý này có nhiệm vụ tương tác với nhau để tạo ra
và hỗ trợ vận động của cơ thể và các bộ phận khác. Trong đó, 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 phát ra từ não bộ (gọi tắt là sóng não). Các sóng này sẽ điều khiển hệ
cơ giúp con người có thể thực hiện các vận động chủ động theo ý muốn. Xét về mặt
sinh lý học, não bộ của người là một tổ chức có cấu trúc phức tạp gồm hàng triệu
các nơ ron thần kinh. Các nơ ron thần kinh này phát đi các xung điện và được lan
truyền theo tủy sống tới điều khiển các khu vực khác nhau trong cơ thể qua hệ
thống sợi trục thần kinh và các gai thần kinh. Quá trình thu nhận và xử lý các thông
tin điều khiển vận động của não bộ bằng kỹ thuật đo không xâm lấn điện não đồ đa
kênh EEG và tạo ra tín hiệu điều khiển vận động có nhiều ý nghĩa trong thực tiễn.
Luận án tập trung nghiên cứu các tín hiệu não bộ liên quan đến điều khiển vận
động.

Vận động chi trên của người là một vận động quan trọng giúp con người có
thể thực hiện các hoạt động cần thiết hàng ngày của con người như cầm nắm vật, vệ
sinh hay mặc quần áo... 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. Bên cạnh đó, các thông tin này cũng
sẽ giúp tạo sợi dây liên lạc mới từ não bộ tới thế giới xung quanh. Điều này rất có ý
nghĩa thực tiễn khi con người có thể sử dụng các thông tin điều khiển từ não bộ để
tạo ra các chuyển động cho các thiết bị ngoại vi hoặc giao tiếp với máy tính. Hơn
nữa, việc phân giải được các thông tin điều khiển vận động từ sóng não còn có ý
nghĩa to lớn trong y học, đặc biệt là đối với các bệnh nhân trải qua các cơn đột quỵ,
hoặc các bệnh nhân mắc hội chứng khóa trong (locked -in) (các bệnh nhân bị

1
Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh trên và hệ thần kinh
dưới nhưng khả năng tưởng tượng vận động hoặc vận động thật của các đối tượng
này vẫn được duy trì [57], [13], [33]. 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], [40], [19], hoặc kết hợp giữa
tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng [49], [68],
[82], [44], [53], [106]. Như vậy có thể thấy, cần thiết phải khai thác và 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 tưởng tượng vận động của chi trên của người.

Tuy nhiên các hệ thống phân giải sóng điện não liên quan đến tưởng tượng
vận động chi trên vẫn còn tồn tại một số thách thức như vấn đề độ tin cậy, chính xác
của hệ thống, thời gian thiết lập và tốc độ xử lý còn chậm, chưa đáp ứng được các
ứng dụng thời gian thực. Như ta biết, sóng điện não IHMv là tín hiệu phức tạp khi
phân tích và có bản chất không dừng nên khi xây dựng các hệ thống phân giải sóng
điện não IHMv cần thiết phải quan tâm nghiên cứu phát triển các thuộc tính giúp
đặc tả tín hiệu. Có một số phương pháp xây dựng bộ đặc trưng IHMv được phát
triển để nâng cao độ chính xác phân lớp IHMv như xác định chỉ số khóa pha PLV
của các cặp điện cực trên hai nửa bán cầu não [10], 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], [76], [132], [88], [21], hoặc sử dụng mô hình tự hồi quy (AR), trung
bình dịch tự động hồi quy (ARMA) [25], [16], các thông số đặc tả tín hiệu trên miền
thời gian - tần số dựa trên biến đổi wavelet [23], [89]. Trong các phương pháp tiếp
cận trên, phương pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến
đổi wavelet là một phương pháp tiếp cận hiệu quả do tính đơn giản, ít phép biến đổi
tín hiệu và có thể áp dụng trên số kênh đo ít hơn. Do đó luận án tập trung xây dựng

2
nhóm thuộc tính đặc trưng cho tín hiệu IHMv theo phương pháp phân tích tín hiệu
trên miền thời gian - tần số dựa trên biến đổi wavelet nhằm tăng độ chính xác và độ
tin cậy của hệ thống.

Để đạt được độ chính xác và xử lý nhanh phân lớp IHMv, các hệ thống ra
quyết định phân loại phải kết hợp sử dụng mô hình định lượng tín hiệu vận động từ
nhiều điện cực CSP [42], lọc không gian [131], ICA [75], WPICA [133] hoặc định
lượng tín hiệu vận động dựa trên một số điện cực trên khu vực vỏ não vận động và
kết hợp với các mô hình vector học máy CS_SVM, CS_LDA [98], [125] hoặc mạng
nơron để ra quyết định phân nhóm tín hiệu. Hiện nay, đối với bài toán phân loại các
nhóm IHMv, các phương pháp được đề cập ở trên đã sử dụng các mô hình phân loại
với vector đặc trưng được xây dựng dữ liệu nhiều điện cực và áp dụng chủ yếu cho
bài toán phân lớp hai trạng thái đầu ra (giữa tưởng tượng chuyển động tay trái và
tay phải hoặc trường hợp có vận động tay và trạng thái nghỉ). Như vậy, để có thể
tăng cường khả năng ứng dụng của hệ thống tạo tín hiệu điều khiển vận động từ
sóng não vận động lên các hệ thống hỗ trợ vận động, luận án tập trung nghiên cứu
phương pháp phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín
hiệu điện não IHMv có độ chính xác phân loại, tốc độ xử lý cao và tăng số phân lớp
đầu ra.

Tình hình nghiên cứu trong nƣớc

Hiện nay trong nước tại các cơ sở y tế, do nhu cầu về việc khám chữa bệnh lớn
nên việc sử dụng hệ thống điện não EEG chủ yếu được áp dụng trong các nghiên
cứu về hệ thần kinh và chẩn đoán bệnh lý của não bộ như theo dõi các giai đoạn của
giấc ngủ, tổn thương não bộ, bệnh động kinh. Các bác sỹ đầu ngành và các chuyên
gia nghiên cứu về thần kinh cũng đã nhìn thấy được tiềm năng của các tín hiệu điện
não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi với các
bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt. Điều này cũng đòi
hỏi sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các
nhà khoa học kỹ thuật để triển khai mô hình hỗ trợ điều khiển vận động người bằng

3
sóng não, giúp các đối tượng sử dụng hệ thống có thể thực hiện được nhiều chuyển
động phức tạp bằng sóng não. Qua đó các bệnh nhân có hệ não bộ tốt vẫn hoàn toàn
có thể thực hiện được các vận động phục vụ cuộc sống cá nhân và giảm gánh nặng
cho gia đình và xã hội. Một số cơ sở nghiên cứu trong nước cũng đã sử dụng một số
thiết bị đeo trên đầu để hỗ trợ người tàn tật điều khiển xe lăn tuy nhiên các hệ thống
điện cực đo này sử dụng tín hiệu điện trên da đầu sinh ra nhờ hoạt động nháy mắt
hoặc liếc mắt để điều khiển chứ chưa khai thác được các thông tin sóng não liên
quan đến điều khiển vận động của não bộ. Để đẩy mạnh các hướng nghiên cứu về
tín hiệu điện não liên quan đến điều khiển vận động của đối tượng người Việt nam,
luận án cũng nghiên cứu các phương pháp thu nhận và phân giải các tín hiệu điện
não liên quan đến vận động để có thể tạo ra một bộ cơ sở dữ liệu được thu nhận trên
đối tượng là người Việt nam, phục vụ nghiên cứu và phân tích chẩn đoán.

Mục đích của luận án

Phát triển một phương pháp phân giải các tín hiệu tưởng tượng vận động chi
trên có độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ sử dụng cho các hệ
thống hỗ trợ vận động của người điều khiển bằng sóng não.

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 là người Việt Nam phục vụ nghiên cứu và phân tích.

Các vấn đề cần giải quyết của luận án

4
 - 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.
- Do tín hiệu IHMv có bản chất không dừng và có dạng phức tạp nên việc
xây dựng các thuộc tính mô tả tốt tín hiệu sẽ giúp nâng cao khả năng phân giải tín
hiệu. Bên cạnh đó, tín hiệu điện não được thu nhận từ hệ thống nhiều điện cực dẫn
đến các hệ thống phải xử lý lượng thông tin rất lớn. Do đó luận án cần 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 các trạng thái tưởng tượng vận động chi trên
dựa trên tín hiệu điện não.
- 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) dựa trên tín hiệu sóng não để sử dụng
trong các hệ thống hỗ trợ vận động người. 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 người Việt Nam phục vụ nghiên cứu và phân tích.

Từ các kết quả nghiên cứu phân giải các tín hiệu IHMv, luận án sẽ thực hiện
xây dựng ứng dụng tự động phân loại các nhóm IHMv để tạo ra quyết định phân lớp
trạng thái đầu ra, phục vụ cho các hệ thống hỗ trợ điều khiển vận động sử dụng
sóng não.

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.

5
- 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 là người Việt nam khỏe mạnh.

Phương pháp nghiên cứu

- Nghiên cứu cơ sở 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 mới 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.
- 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.
- 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

6
 bộ dữ liệu thực tế được đo tại phòng thí nghiệm. Điều này cho thấy tính khả
thi của phương pháp phân loại trên các bộ dữ liệu thực tế.

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:

- Chƣơng 1: Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, 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 có pha
bằng không, lọc không gian Laplacian.

- Chƣơng 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.

- Chƣơng 3: Chương 3 đề xuất phương pháp sử dụng bộ đặc trưng định lượng
để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận

7
 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.

- Chƣơng 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến
vận động chi trên của đối tượng đo là 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.

8
CHƢƠNG 1. HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ
MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN
VẬN ĐỘNG CỦA NGƢỜI

Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, 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 có pha bằng không, lọc không gian Laplacian.

1.1. Hệ thần kinh điều khiển vận động

Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển
các cơ quan trong cơ thể. Não người là phần trên và trước nhất của hệ thần kinh
trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi. Não người
có trọng lượng khoảng 1,5 kg [105]. Trong đó, não người Việt Nam cân nặng
khoảng 1400 gam và ở nam giới có trọng lượng lớn hơn nữ giới [50]. Diện tích bề
mặt của não khoảng 1600 cm², và dày khoảng 3 mm. Xét về mặt giải phẫu học thì
bộ não người bao gồm có 3 phần chính: đại não, tiểu não, thân não; và các phần nhỏ
khác gọi chung là não trung gian (Hình 1.1). Khu vực nhìn tập trung vào thùy chẩm
trong khi đó khu vực cảm giác và vận động có mặt ở cả hai phía của não bộ. Có một
số vị trí xác định tại vỏ não cảm giác và vận động mà chỉ có khu vực đó sẽ điều
khiển một bộ phận nào đó của cơ thể. Kích thước của mỗi khu vực này thì tỷ lệ với
độ chính xác cần có của cảm giác hoặc của hệ điều khiển vận động. Khu vực cảm
giác từ lưỡi và tay có phân bố khá rộng trong khi khu vực cảm giác của phần giữa
cơ thể và mắt phân bố hẹp hơn. Khu vực vận động của chi trên và các cơ quan phụ
trách nói có phân bố rộng [101], [67].

9
 Hình 1.1. Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và
thân não (brain stem)

- Đại não

Trong não người, đại não là phần não phát triển mạnh nhất. Nó chiếm toàn bộ
khối lượng và thể tích não bộ. Đại não gồm hai nửa trái, phải đối xứng qua rãnh liên
bán cầu với ba mặt: mặt trên, mặt dưới, mặt trong. Trên bề mặt đại não có các khe,
các rãnh ăn sâu vào trong chia bề mặt đại não thành các thuỳ, các hồi não. Bán cầu
khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở
trái kiểm soát phần lớn chức năng của nửa phải cơ thể trong khi bán cầu phải điều
thân não.
khiển hầu hết chức năng nửa trái. Sự bắt chéo của các sợi thần kinh xảy ra ở thân
não.

Hình 1.2. Vị trí của đại não chiếm phần lớn não người [50]

Do đó, tổn thương ở bán cầu trái sẽ gây ra sự giảm cảm giác và vận động ở
nửa phải và ngược lại. Mặt trên có 3 khe là khe Sylvius (khe bên); khe Rolando
(khe giữa); khe thẳng góc ngoài (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy: thùy

10
trán, thùy đỉnh, thùy chẩm, thùy thái dương. Mặt trong có 3 khe: khe dưới trán, khe
thẳng góc trong, khe cựa. Ba khe này chia bán cầu đại não thành 5 thùy: thùy
vuông, thùy viền, thùy chêm, thùy thái dương. Mặt dưới có 2 khe là khe Bisa, khe
sylvius, chia mặt dưới thành 2 thùy: thùy ổ mắt (ở phía trước) và thùy thái dương -
chẩm (ở phía sau).

+ Thùy trán: phụ trách mức độ tập trung, cảm xúc, phối hợp các chuyển động, tạo
ra các chuyển động, chuyển động mắt, chuyển động cơ, các chuyển động thành kỹ
năng

+ Thùy chẩm: Đọc và nhìn

+ Thùy đỉnh: Một số chức năng ngôn ngữ, đọc, nhìn, cảm nhận xúc giác

+ Thùy thái dương: Nghe, ghi nhớ hình ảnh, âm nhạc

- Tiểu Não

Tiểu não là một cấu trúc lớn nằm sau cầu não và hành tuỷ, bị thùy chẩm của
bán cầu đại não che khuất. Tiểu não được phát triển mạnh ở động vật có vú và
chim. Tiểu não có ba thùy: một thùy giun ở giữa và hai bán cầu tiểu não ở hai bên.
Bán cầu tiểu não được phát triển cùng với sự phát triển của bán cầu đại não và chỉ
có ở động vật có vú. Tiểu não cũng do hai phần: chất xám và chất trắng tạo nên.

Tiểu não là khu vực chịu trách nhiệm điều hòa trương lực cơ, duy trì thăng
bằng và định hướng cử động và phối hợp động tác.

11
 Hình 1.3. Vị trí của tiểu não.

- Thân não
Thân não gồm các cấu trúc thần kinh: hành não, cầu não, não giữa. Thân não
có nhiều chức năng tự động khác nhau, như kiểm soát hô hấp, nhịp tim, huyết áp,
giấc ngủ, trạng thái thức, và sự chú ý.

1.1.1 Các hoạt động điện của não

Hệ thần kinh trung tâm chứa các tế bào thần kinh và tế bào thần kinh đệm
(nằm giữa các nơron). Mỗi tế bào thần kinh chứa sợi trục thần kinh, đuôi gai, nhánh
thần kinh và thân tế bào. Các tế bào thần kinh đáp ứng lại kích thích và truyền thông
tin qua một khoảng cách dài. Tế bào thần kinh có một nhân và chứa hầu hết các trao
đổi chất của tế bào, đặc biệt là liên quan đến tổng hợp protein. Protein được tạo ra
trong thân tế bào sẽ được truyền đến các phần còn lại của tế bào thần kinh. Sợi trục
thần kinh là một ống dài để truyền xung điện và có thể truyền vài mét trong tủy
sống.

Gai thần kinh để kết nối tới cả trục thần kinh hoặc gai thần kinh của các tế bào
khác và nhận xung từ các tế bào thần kinh khác hoặc chuyển tiếp (relay) tín hiệu tới
các tế bào thần kinh khác. Trong não người thì mỗi tế bào thần kinh được kết nối tới
xấp xỉ 10.000 tế bào thần kinh khác, hầu hết thông qua kết nối gai thần kinh [104].
Các hoạt động trong hệ thần kinh trung tâm (CNS) chủ yếu liên quan đến dòng tiếp
hợp được truyền giữa các chỗ chuyển tiếp của trục thần kinh và nhánh thần kinh

12
hoặc nhánh thần kinh với nhánh thần kinh của tế bào khác. Điện thế có cực âm và
khoảng 60-70mV có thể thấy được dưới lớp màng của thân tế bào.

Điện thế này thay đổi với sự thay đổi của các hoạt động chuyển tiếp. Nếu một
điện thế hoạt động chuyển tiếp truyền dọc sợi, và kết thúc tại một khớp thần kinh
kích thích, thì một điện thế khớp thần kinh sau kích thích sẽ xảy ra ở nơron tiếp
theo. Nếu hai điện thế hoạt động cùng truyền dọc cùng một sợi trong một khoảng
cách ngắn thì sẽ là tổng của hai EPSP và tạo ra một điện thế hoạt động trên nơron
tiếp theo.

Nếu sợi trục kết thúc ở một khớp thần kinh hạn chế, sẽ xảy ra hiện tượng siêu
phân cực và sẽ được thể hiện bằng một điện thế hạn chế sau chuyển tiếp.

-60

-60

-60

Hình 1.4. Điện thế màng tế bào thần kinh thay đổi và dòng điện trong quá trình
synap kích thích được ghi bằng các vi điện cực nội tế bào. Điện thế hoạt động trong
hoạt động kích thích và hạn chế tiền synap dẫn đến hoạt động EPSP và IPSP ở
nơron sau synap.[110]

13
1.1.2 Điện thế hoạt động

Thông tin truyền bởi tế bào thần kinh được gọi là điện thế hoạt động AP. Các
AP được tạo ra do sự trao đổi ion giữa các màng tế bào thần kinh và một AP là một
sự thay đổi điện thế màng tạm thời và được truyền dọc trục thần kinh. Nó thường
được bắt đầu từ thân tế bào truyền theo một hướng. Điện áp màng khử cực (trở nên
dương hơn) và tạo ra đỉnh. Sau khi tạo đỉnh thì màng lại tái cực (trở nên âm hơn).
Điện thế trở nên âm hơn so với điện thế nghỉ và sau đó trở lại bình thường. Điện thế
hoạt động của hầu hết các tế bào kéo dài trong khoảng 5-10ms (Hình 1.5)

Vận tốc dẫn của điện thế hoạt động nằm từ 1 đến 100 m/s. Các AP thường
được khởi tạo từ nhiều kiểu kích thích khác nhau: các tế bào thần kinh cảm giác đáp
ứng với nhiều kiểu kích thích như hóa học, ánh sáng, điện, áp suất, sờ nắm, kéo dãn.
Mặt khác, các tế bào thần kinh trong CNS (não và xương sống) chủ yếu được kích
thích bởi hoạt động hóa học tại khớp thần kinh.

Để hình thành một AP thì kích thích phải đạt trên mức ngưỡng. Nếu kích thích
yếu thì có thể chỉ tạo ra một xáo trộn điện tử cục bộ và không đủ để tạo ra một AP
có thể truyền đi được. Ngay khi kích thích có cường độ cao hơn mức ngưỡng thì
điện thế hoạt động sẽ xuất hiện và di chuyển xuống các tế bào thần kinh.

+30

-30

-60

-90

0 2 4 6 8 10

14
 Hình 1.5. Thay đổi điện thế màng do việc đóng các kênh Na và mở các kênh K

Đối với người thì biên độ của AP xấp xỉ -60mV đến 10mV. Đối với tế bào
thần kinh, cần ít nhất 2 mili giây trước khi xuất hiện kích thích tiếp theo. Trong thời
gian này thì không có một AP nào có thể được tạo ra. Đây gọi là thời gian khó bảo.

1.1.3 Tạo tín hiệu EEG

Tín hiệu điện não là dòng điện sinh ra trong quá trình kích thích các sợi nhánh
thần kinh của các nơron trong vỏ não. Khi tế bào não được kích thích, dòng chuyển
tiếp được tạo ra trong sợi nhánh. Dòng này tạo ra một trường từ có thể đo bằng máy
điện cơ và một trường điện thứ cấp trên sọ có thể đo bằng hệ thống điện não. Sự
chênh lệch về điện thế được gây nên bởi các điện thế postsynaptic từ các tế bào
pyramidal tạo nên các lưỡng cực điện giữa soma (thân tế bào thần kinh) và các
nhánh thần kinh apical (nhánh thần kinh). Các dòng điện não chứa hầu hết các ion
Na+, K+, Ca++ và Cl – được bơm qua các kênh trong màng tế bào thần kinh theo
hướng được điều khiển bởi điện thế màng [47]

Như chúng ta đã biết đầu người có chứa những lớp khác nhau bao gồm: da
đầu, sọ, não và nhiều lớp mỏng ở giữa. Trong đó, sọ người làm suy giảm tín hiệu
xấp xỉ một trăm lần so với mô mềm. Do được đo qua nhiều lớp vật chất nên tín hiệu
điện não bị suy giảm nhiều chỉ còn cỡ µV do đó nó khá nhỏ và dễ bị nhiễu can
thiệp. Mặt khác, hầu hết các nhiễu được tạo ra trong não hoặc trên da đầu. Do đó
chỉ có một lượng các nơron kích thích đủ lớn mới có thể tạo đủ điện thế và có thể
ghi được thông qua các điện cực da đầu. Các tín hiệu điện não yếu có thể được đo
không xâm lấn bởi hệ thống máy đo điện não EEG thông qua các điện cực trên da
đầu. Các tín hiệu này sẽ được khuếch đại lên nhiều lần và hiển thị trên giấy ghi hoặc
lưu trong bộ nhớ máy tính phục vụ nghiên cứu và chẩn đoán. Hầu hết các ứng dụng
chẩn đoán và theo dõi trong y tế liên quan đến não đều được thực hiện thông việc
phân tích phổ tần số và có thể quan sát được từ tín hiệu EEG

15
 Hình 1.6. Cấu trúc của một nơ ron

Hình 1.7. Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của các lớp

Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và được tạo ra bởi
các dòng ion trong các nơron của não.

16
 F7
O1
O2
F8
Fp2
F4
C4
P4
Fp1
F3
C3
P3
Fz
Cz
Pz
2 4 6 8 10 12 14 16 18 20

Hình 1.8. Tín hiệu điện não ghi được từ các điện cực

Thế mạnh của phương pháp đo điện não EEG đó là nó có thể phát hiện ra
những thay đổi cỡ mili giây. Điện thế hoạt động mất xấp xỉ từ 0,5 – 130 milli giây
để truyền giữa các nơron nên EEG là một công cụ phù hợp. Tín hiệu EEG có độ
phân giải thời gian rất tốt và thường người ta kết hợp EEG với fMRI là hệ thống có
độ phân giải không gian tốt để nghiên cứu. EEG cũng có thể quyết định cường độ
tương đối và vị trí của các hoạt động điện tại các khu vực giải phẫu khác nhau của
não. Thông thường sóng não chia làm 4 nhóm theo phổ tần số chính: sóng beta
(>13Hz), alpha (8-13Hz), theta (4-8Hz) và delta (0.5-4Hz). Sóng alpha (8-13Hz) có
thể chỉ thị được trạng thái thư giãn hay thể hiện mức độ tập trung của người. Bất kỳ
một sự tập trung nào cũng sẽ dẫn đến sự suy giảm trong dải alpha. Sóng µ 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. Tuy nhiên trong khi sóng
alpha thường xuất hiện tại các điện cực khu vực chẩm thì sóng µ không phụ thuộc
vào quá trình nhìn và thường xuất hiện tại các điện cực trên vùng vỏ não vận động
[11].

17
 A B
V V

Thời gian Thời gian

Hình 1.9. Tín hiệu điện não thu được tại các vị trí khác nhau của điện cực theo hai
phương pháp lưỡng cực (a) và đơn cực (b)

Điện thế liên quan đến sự kiện (Evoked potentials – ERP)

Các điện thế liên quan đến sự kiện là những biến đổi điện áp đáng kể do các
hoạt động thần kinh gợi lên. Các điện thế gợi này được bắt đầu bởi các kích thích
bên trong và bên ngoài. ERPs là phương pháp phù hợp để nghiên cứu các khía cạnh
của quá trình nhận thức bình thường hoặc bất thường. Biên độ của các thành phần
ERP thường nhỏ hơn so với các thành phần EEG tự phát do đó nó không dễ dàng
nhận thấy từ dữ liệu điện não thô. Chúng thường phải được tách ra từ bộ các bản ghi
điện não bằng cách lấy trung bình các đoạn bản ghi (epochs) của tín hiệu điện não
đồng bộ thời gian với các sự kiện lặp lại của cảm giác, nhận thức và các hoạt động
điều khiển vận động [6].

1.1.4 Hệ thống điều khiển vận động của não

Não chứa những khu vực như khởi tạo chuyển động, cảm nhận có ý thức, phân
tích, thể hiện cảm xúc và hành vi. Vùng tiểu não tổ chức các chuyển động chủ động
của cơ và duy trì cân bằng. Tiểu não điều khiển các chức năng không chủ động như
thở, nhịp tim, nhịp sinh học. Một trong những khu vực quan trọng có liên quan đến
điều khiển các chức năng vận động đó là vỏ não điều khiển vận động. Đây chính là
khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển
động có chủ ý. Mỗi vùng chứa một lượng rất lớn các nơ ron thần kinh từ vỏ não tới
cuống não và tủy sống. Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của

18
bó tháp. So với các vùng khác thì vùng vận động có diện tích lớn nhất. Ngoài ra,
bên cạnh vùng vận động còn có vùng tiền vận động thuộc vùng 6 thùy trán, đây là
nơi xuất phát các sợi đi đến các nhân xám dưới vỏ rồi theo hệ ngoại tháp chi phối
các vận động tự động.

Nơron trong vỏ não vận động gửi tín hiệu theo sợi trục thần kinh hoặc gửi trực
tiếp tới tủy sống và hình thành một khớp thần kinh trên tế bào thần kinh vận động
(đây là tế bào thần kinh mang tín hiệu từ tủy sống tới các cơ để tạo ra chuyển động).
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. Mỗi điểm trên vỏ não vận động điều khiển một cơ hoặc một
nhóm nhỏ các cơ liên quan. Cách mô tả này chỉ đúng một phần. Tại khu vực vỏ não
vận động có thể phát ra tín hiệu điều khiển vận động của chân, tay, bụng, vai, lưng,
đầu, mắt, môi v.v. Ngoài ra để có thể thực hiện được chuyển động, một số khu vực
khác cũng có những thông tin để hỗ trợ cho việc vận động đó là: Vỏ não tiền vận
động, khu vực vận động bổ sung.

Hình 1.10. Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ
não[101]

- Vùng vận động chính: Khu vực này về mặt giải phẫu là nơi tập trung
nhiều tế bào Betz. Tế bào này truyền theo trục thần kinh xuống tủy xương
tới khớp thần kinh trên mạch liên thần kinh của tủy sống (interneuron
circuitry) và trực tiếp tới các tế bào thần kinh vận động alpha trên tủy

19
 sống có kết nối tới các cơ. Khu vực vỏ não vận động chính nằm tại vị trí
BA4 theo cấu trúc của Brodmann. Khu vực này thường liên quan đến tạo
ra các chuyển động hay liên quan đến đầu ra của hệ thần kinh vận động.

- Vùng tiền vận động: Vùng này chịu trách nhiệm một số vấn đề của điều
khiển vận động như chuẩn bị cho chuyển động, cảm giác dẫn đường của
chuyển động, dẫn đường không gian cho động tác. Vùng này nằm dịch
lên phía trên của vỏ não vận động chính.

- Vùng vận động bổ sung SMA: Có nhiều đề xuất chức năng của khu vực
này như tạo lập kế hoạch chuyển động, lập kế hoạch chuỗi chuyển động,
cân bằng hai nửa của cơ thể (các chức năng này hiện nay vẫn là các giả
thuyết).

Bản đồ vận động cho thấy rằng có sự sắp xếp có trật tự của các nếp gấp não tại
các khu vực điều khiển mặt, ngón tay, chân, bàn tay, cánh tay, thân, cẳng chân và
bàn chân. Tuy nhiên, các bộ phận được dùng trong những nhiệm vụ đòi hỏi sự
chính xác tuyệt đối và kiểm soát tốt nhất như các ngón tay, bàn tay và mặt thì có
những biểu hiện không cân đối ở các khu vực vận động của vỏ não (Hình 1.11).
Những sợi trục này bắt nguồn từ những nơ ron thần kinh hình chóp lớn được chỉ
định trong những lớp mỏng hình chữ V có tên là Tế bào Betz sau khi họ tìm ra
chúng.

20
 Hình 1.11. Sắp xếp các khu vực tế bào thần kinh trên vỏ não của
Brodmann ở Người

Hình 1.12. Khu vực chính của vỏ não điều khiển vận động

Vùng vận động và cảm giác của vỏ não có các quy luật hoạt động sau đây [51]:

- Quy luật bắt chéo: Bán cầu não bên này chi phối vận động và cảm giác
của nửa thân bên kia.

- Quy luật ưu thế: Những cơ quan nào vận động nhiều và cảm giác tinh tế
thì chiếm vùng vỏ não rộng hơn (tay, miệng...).

21
 - Quy luật lộn ngược: Vùng vỏ não phía trên chi phối vận động và cảm
giác của các bộ phận phía dưới cơ thể. Ngược lại, vùng vỏ não phía dưới
chi phối các bộ phận phía trên

Các nếp cuộn não đối nhau ở khu tiền trung tâm (Brodmann khu vực 4) chính
là khu vực vận động chính, là khu vực có cường độ kích thích thấp nhất bắt đầu gợi
ra chuyển động. Ở cường độ thấp, các tác động do kích thích có thể được biểu hiện
bởi hoạt động của các nơron thần kinh gần các điện cực được nối với tủy sống trực
tiếp hoặc gián tiếp thông qua một số lượng nhỏ các liên hợp thần kinh.

Những phản ứng ở các cơ (ví dụ như ở tay) được ghi lại bằng bề mặt các điện
cực. Điện thế hoạt động lớn và có độ chờ ngắn, phù hợp với thực tế là chúng được
điều khiển bởi các sợi thần kinh vỏ não-tủy sống (Hình 1.13).

Các tín hiệu điều khiển vận động tới các bó cơ và cơ quan ngoại vi từ trung
tâm điều khiển vận động của não bộ sẽ di chuyển dọc các noron vận động tới phần
cuối não dính với tủy sống. Tại đây hầu hết các sợi trục thần kinh của noron thần
kinh vận động sẽ bắt chéo sang phía bên kia của hệ thần kinh trung ương và di
chuyển xuống tủy sống theo đường dẫn bên xương sống và số còn lại di chuyển dọc
xương sống theo đường dẫn trước xương sống. Các tế bào thần kinh vận động trên
cuối cùng sẽ ghép khớp thần kinh với các tế bào thần kinh dưới tại điểm gốc của
xương sống. Các tế bào thần kinh vận động dưới sẽ hoàn thành hành trình tới nhóm
cơ mục tiêu.

22
Hình 1.13. Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo

A: Sự kích thích từ trường của khu vực vận động hay xương sống cổ làm cho các cơ
co thắt không đau đớn. Sự kích thích của khu vực vận động trên vỏ não kích hoạt
các sợi nối vỏ não-tủy sống và gây ra một phản ứng điện cơ đồ (EMG) đỗ trễ ngắn
ở các cơ đối nhau.

B: Các bản ghi cho thấy sự kích hoạt của các cơ cánh tay và bàn tay (bắp tay và mô
cơ út) khi có kích thích lên vỏ não và xương sống cổ. Các đỉnh xuất hiện sớm hơn
trong các kích thích xương sống cổ vì các xung vỏ não-tủy sống truyền đi trong một
khoảng cách ngắn hơn. Điểm được đánh dấu là s là sự kích thích giả, phản lại tác
dụng của các xung từ trường.

Các bản đồ thực nghiệm ban đầu về sự kích thích điện trên bề mặt vỏ não đã
dẫn tới ý kiến cho rằng khu vực vận động sơ cấp hoạt động như một khu tổng lớn
(như một công tắc điều khiển các cơ độc lập hay những nhóm nhỏ các cơ liền kề).
Tuy nhiên, nhiều nghiên cứu chi tiết hơn sử dụng các vi điện cực chèn vào sâu trong
vỏ não (vi kích thích trong hộp sọ hay ICMS) để kích thích các nhóm nhỏ của các
nơ ron thần kinh đầu ra, điều này chỉ ra rằng sự xem xét đơn giản trên là không

23
chính xác. Trong khi kích thích yếu nhất có thể tạo ra sự co giật của các cơ độc lập,
các cơ giống nhau được kích hoạt không đổi từ một vài vị trí riêng rẽ, cho thấy rằng
các nơ ron thần kinh ở một vài vị trí trên vỏ não định hướng các sợi trục thần kinh
tới cùng một đích.

Ngoài ra, hầu như sự kích thích kích hoạt một số cơ, với những cơ hiếm khi
hoạt động độc lập. Điều này được chứng thực bởi các thực nghiệm giải phẫu và sinh
lý gần đây cho thấy rằng sự phân bố của các sợi trục vỏ não-tủy sống khác với phân
bố các dây thần kinh vận động nhiều hơn một cơ. Thay vì một khu trung tâm điều
khiển cơ đơn giản, bản đồ chi tiết của khu vực vận động trên não khỉ đã gợi ý một
tổ chức đồng tâm: những vị trí ảnh hưởng những cơ ở xa tâm được bao chứa ở trung
tâm của một vùng rộng hơn chứa các vị trí ảnh hưởng tới những cơ gần hơn, trong
khi những vị trí ở vòng biên xung quanh trung khu này chỉ làm ảnh hưởng tới
những cơ ở gần. Một hệ quả của sự dư thừa trong sự biểu hiện cơ này là những đầu
vào của khu vực vận động từ những vùng vỏ não này có thể kết hợp cả những cơ ở
gần và ở xa bằng những cách khác nhau trong những nhiệm vụ khác nhau.

Vùng vỏ não điều khiển hai tay có khoảng cách phân biệt về không gian tốt
hơn là khu vực điều khiển hai chân. Trong nghiên cứu [17] giải thích rõ vì sao chân
trái và chân phải tạo ra các thành phần EEG giống nhau trong khi đó tay trái và tay
phải tưởng tượng vận động có thể phân biệt về mặt không gian bằng kỹ thuật EEG.
Trong một vài nghiên cứu gần đây bằng kỹ thuật cộng hưởng từ cho thấy phân bố
của các hoạt động tưởng tượng của chuyển động chân trái và chân phải là khá tương
đồng do lượng oxy trong máu đáp ứng tới cả hai trạng thái tưởng tưởng vận động
[117].

Một đặc điểm đặc trưng của vận động tự chủ là nó có thể được nâng cao qua
tập luyện. Điều này có thể liên quan với sự sắp xếp lại các vùng vỏ não. Ở một
nghiên cứu, sự thay đổi rõ rệt được tìm thấy trên khu vực vận động ở người sau khi
tập luyện một bài tập vận động đơn giản. Chụp ảnh chức năng thần kinh cho thấy

24
các vùng vỏ não được kích hoạt trong suốt quá trình thực hiện chuỗi huấn luyện và
khu vực có thể mở rộng ở các vùng vỏ não ở xa khu vực có tổn thương (Hình 1.14)

Hình 1.14. Khi một chuyển động được tập luyện, khu vực vận động chính được mở
rộng hơn [127]

A: Con người thực hiện bài tập chạm ngón tay cái vào đầu từng ngón tay con lại
theo trình tự lần lượt. Số thứ tự được đếm từ 1 đến 4. Cả trình tự chuyển động đã
tập luyện và trình tự chuyển động mới được thực hiện đã được cố định, tốc độ chậm
(2 thành phần chuyển động trên 1 giây)

B: Máy quét MRI cho thấy các vùng ở khu vực vận động sơ cấp bị kích hoạt trong
suốt quá trình thực hiện trình tự bài tập hàng ngày trong 3 tuần (hình trái) và trình
tự chuyển động mới (hình phải). Vùng được kích hoạt lớn hơn khi thực hiện chuyển

25
động đã tập luyện. Các thí nghiệm trên đã giải thích sự tăng lên của các vùng hoạt
động chuyển hóa và chứng minh rằng kết quả tập luyện lâu dài của việc huấn luyện
trình tự chuyển động ở khu vực chuyển động sơ cấp.

C: Trong một phép thử khác của việc thực hiện một trình tự đã tập luyện và một
chuyển động mới, các khu vực bị kích hoạt ở khu vực hoạt động sơ cấp ở chuyển
động đã tập luyện là lớn hơn, vì vậy, sự mở rộng của việc kích hoạt không chỉ đơn
thuần là ảnh hưởng của việc sắp xếp mà bài tập được thực hiện.

1.1.5 Tín hiệu điện não đồ liên quan đến tƣởng tƣợng vận động

Trên thế giới, có một số phương pháp đo không can thiệp giúp trích xuất thông
tin từ các hoạt động của não bộ và phát hiện ra khu vực chức năng nhận thức, vận
động như Fmri [119], [36], MEG [12], [64], EEG [34], [56], [97] hoặc kết hợp giữa
các phương pháp trên [128], [86]. Trong các phương pháp trên, kỹ thuật điện não đồ
EEG có ưu điểm là phương pháp không xâm lấn, dễ thiết lập và có độ phân giải thời
gian tốt (ms).

Quá trình tưởng tượng vận động được coi như một quá trình nhận thức có ý
thức tới nội dung của việc muốn chuyển động, quá trình này thường được thực hiện
vô thức khi chuẩn bị vận động. Một số nghiên cứu cũng cho rằng việc tưởng tượng
vận động có ý thức và chuẩn bị vận động vô thức có cùng cơ chế và có chức năng
tương đương [60], [61]. Khu vực vận động chính nếu chỉ đơn thuần là khu vực thực
hiện vận động trong toàn bộ hệ thống thần kinh vận động thì sẽ không có bất kỳ một
hoạt động nào có thể mong muốn xuất hiện trong quá trình tưởng tượng vận động.
Tuy nhiên trong nhiều nghiên cứu sử dụng fMRI đã chỉ ra khu vực vỏ não vận động
chính cũng được kích hoạt trong quá trình tưởng tượng vận động [84]. Theo các
nghiên cứu trên thế giới [41], [65], [103], [95], quá trình tưởng tượng vận động và
thực hiện vận động ở người được nghiên cứu và chỉ ra sự tương đồng trong phân bố
năng lượng tín hiệu và diễn ra ở các dải tần số alpha (8-13Hz) và beta (15-30Hz) và
tại các khu vực giải phẫu giống nhau của não bộ. Sự xuất hiện của các sóng điện

26
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 [115], [69]. 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. ERD/ERS là hai đặc trưng
sóng điện não liên quan đến vận động được nhiều nhà nghiên cứu sử dụng. Trong
đó ERD là sự suy giảm ở một thành phần tần số xác định, nó liên quan đến sự tăng
các hoạt động của nơ ron và nó xuất hiện trong giai đoạn thực hiện và tưởng tượng
vận động trên khu vực vỏ não vận động chính M1. ERS là sự tăng một số thành
phần tần số liên quan đến việc hạn chế hoạt động các nơ ron và xuất hiện tại thời
điểm chưa thực hiện hoặc tưởng tượng vận động [24], [39]. Nhiều nghiên cứu cũng
đã chỉ ra quá trình vận động và tưởng tượng vận động dẫn đến sự xuất hiện ERD và
ERS tại khu vực vỏ não vận động và có sự tham gia của sóng alpha (mu) và sóng
beta [95], [103]. Bên cạnh đó khi tăng mức độ phức tạp của tác vụ hoặc mức độ tập
trung thì cũng sẽ làm tăng biên độ của ERD. Tuy nhiên các thành phần tần số xác
định này có thể thay đổi giữa những người khác nhau [38]. ERD xảy ra trong quá
trình tưởng tượng vận động tay khá tương tương tự như ERD xảy ra trước vận động
thực [95]. Nó giống như phản ánh trạng thái sẵn sàng hoặc thiết lập trước mạng thần
kinh tại khu vực vỏ não vận động. Sóng Mu cũng khá quan trọng khi nó xuất hiện
và có thể giám sát được trong quá trình tưởng tượng vận động. Sóng Mu cũng có
đặc điểm điện áp khá giống sóng alpha ở thùy chẩm tuy nhiên sóng mu xuất hiện
chủ yếu trên vùng vỏ não vận động và không bị tắt khi mở mắt. Nó sẽ xuất hiện tùy
thuộc vào mức độ tập trung và được tăng cường nếu ngồi yên [27]. Bên cạnh sóng
mu, sóng beta (13-30Hz) thường xuất hiện khi não bộ suy nghĩ tích cực, có chủ đích
hay khi đang giải quyết vấn đề. Sóng beta trung tâm cũng có sự liên quan khi não
bộ có các hoạt động liên quan đến điều khiển vận động. Các sóng beta dao động
được giải thích là trong quá trình vận động cần một lượng các nơ ron thần kinh vận
động khử cực. 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

27
động [55], [63]. Có thể nhận thấy qua các nghiên cứu đó là quá trình tưởng tượng
vận động chi đều có những sự biến đổi năng lượng phổ nhất định tại các thành phần
sóng cơ bản của điện não. 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. Trong phạm vi nghiên cứu của luận án, với mục đích
xác định được các đặc trưng có khả năng phân biệt được các trạng thái tưởng tưởng
vận động chi trên, luận án thực hiện khảo sát các nhóm đặc trưng trên cả ba băng
tần theta, alpha và beta và đánh giá trên tập dữ liệu mẫu để tìm ra các đặc trưng có
khả năng phục vụ quá trình phân loại trạng thái tưởng tượng vận động.

1.2 Mô hình xử lý tín hiệu điện não IHMv

Như đã trình bày ở trên, độ chính xác và tin cậy của các hệ thống phân lớp các
trạng thái tưởng tượng 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.

Tín hiệu điện não thu được từ hệ thống EEG là một chuỗi các giá trị biến đổi
nhanh theo thời gian (cỡ ms). Các thông tin điều khiển vận động từ não bộ có thể
thu nhận từ một hoặc nhiều điện cực tại vỏ da đầu. Tuy nhiên, do phương pháp đo
EEG là phương pháp đo không xâm lấn nên tín hiệu điện não thường có biên độ nhỏ
và bị can thiệp nhiễu gây khó khăn trong việc trích xuất thông tin có ích. Để loại bỏ
các tần số gây nhiễu trên tín hiệu thu từ các điện cực, giải pháp tiền xử lý dữ liệu
bằng các bộ lọc số có thể được sử dụng để lọc ra các dải tần số quan tâm hoặc loại
bỏ các nhiễu [74]. Bên cạnh đó, một số giải pháp được sử dụng để tăng độ chính

28
xác không gian của tín hiệu EEG như phương pháp lọc không gian CSP [131], [42],
trong đó sử dụng toàn bộ các điện cực để tạo ra ma trận lọc không gian CSP. Đây là
ma trận vuông gồm các giá trị riêng của các vector điện cực. Ma trận này sẽ tối đa
hóa dữ liệu thuộc một phân lớp và tối thiểu hóa dữ liệu thuộc phân lớp kia qua đó sẽ
nâng cao khả năng nhận diện hai phân lớp điều khiển vận động. Đặc trưng của tín
hiệu sẽ được tạo ra bằng cách nhân toàn bộ dữ liệu các kênh đo với ma trận lọc
không gian CSP và sử dụng kết quả của bộ lọc đầu tiên và cuối cùng để xây dựng
vector đặc trưng. Một giải pháp khác đó là sử dụng kỹ thuật ICA [5] trong đó dữ
liệu toàn bộ các kênh sẽ được cấu trúc lại thành các thành phần độc lập đại diện cho
nguồn phát thật của tín hiệu điện não. Các thuộc tính mô tả tín hiệu điện não liên
quan đến vận động sẽ được tính toán trên các thành phần độc lập này. Việc trích
chọn đặc trưng sử dụng nhiều điện cực thì quá trình lọc toàn bộ tín hiệu trên các
kênh sẽ tốn thời gian và. Việc lựa chọn được số lượng điện cực phù hợp để trích
chọn thông tin và nâng cao khả năng phân loại phân lớp IHMv đóng vai trò quan
trọng. Tùy từng bài toán cụ thể, việc lựa chọn quá nhiều điện cực có thể sẽ dẫn tới
khả năng thừa thông tin, gây quá khớp dữ liệu, tăng khối lượng tính toán, và tăng độ
trễ của hệ thống... Như đã đề cập ở trên, tín hiệu điện não liên quan đến tưởng
tượng vận động chi trên sẽ được phát ra chủ yếu tại khu vực vỏ não điều khiển vận
động. Do đó, dựa trên các nghiên cứu về khu vực vỏ não tưởng tượng vận động, để
tiền xử lý và nâng cao chất lượng của dữ liệu huấn luyện đảm bảo độ tin cậy cho hệ
thống phân loại, luận án sẽ phải 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
Cấu trúc và vị trí giải phẫu của khu vực phát thông tin tưởng tượng điều khiển
vận động các chi tập trung chính tại khu vực vỏ não vận động. Các nghiên cứu [46],
[119] về các khu vực kích hoạt của não trong quá trình điều khiển vận động đã

29
thống nhất xác định 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. Đây là những khu vực có phân bố rộng và có sự thay đổi nhất định đối với các
đối tượng hoặc điều kiện đo khác nhau (Hình 1.15).

Hình 1.15. Phân bố năng lượng trên một số đối tượng thực hiện vận động tay và
chân phải tưởng tượng

Để thu nhận được các thông tin điều khiển vận động của não bộ, một cách tiếp
cận khác đó là trực tiếp sử dụng các nhóm điện cực đơn cực và lưỡng cực tại vị trí
khu vực vỏ não vận động. Theo đó các kênh đo bao gồm C1, C2, C3, C4, Cz, FC3,
FCz, FC4, CP3, CP4 là các điện cực bố trí theo chuẩn quốc tế 10/20 (Hình 1.16)
nằm trên khu vực vỏ não vận động [87]. 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 [73], [22].

30
 Hình 1.16. Sơ đồ điện cực 64 kênh theo chuẩn 10/20

Như đã phân tích ở trên, cơ chế điều khiển vận động các chi tuân theo quy luật
bắt chéo có nghĩa là khi đối tượng tưởng tượng vận động sẽ tạo ra các thay đổi về
tín hiệu tại khu vực vỏ não phía đối diện so với cánh tay tưởng tượng chuyển động.
Như vậy nếu tay trái vận động làm thay đổi một đặc trưng trên kênh C4 thì khi tay
phải vận động thì sẽ có sự thay đổi tương tự tại C3. Như vậy để xác định tín hiệu
IHMv liên quan đến tưởng tượng vận động của tay trái và tay phải cần thiết có sự
tham gia của các điện cực thuộc cả hai nửa bán cầu não. Mặc dù có sự bắt chéo
trong điều khiển tín hiệu vận động của hai nửa bán cầu não, nhưng trong nghiên cứu
của tác giả Nuri [98] nhận thấy rằng không hẳn chỉ các điện cực C3/Cz là cho khả
năng phân biệt tốt nhất đối với chuyển động tưởng tượng tay phải và chân phải.
Thêm vào đó, khi đối tượng thực hiện chuyển động tưởng tượng tay phải và chân
phải thì vẫn có một sự thay đổi ở cả hai nửa bán cầu. Khu vực vận động não chính
cũng tham gia khi tay hoặc chân phía cùng bên thực hiện chuyển động [32], [48].
Mặc dù theo lối suy nghĩ thông thường là như vậy nhưng cũng chưa có nghiên cứu
nào chỉ ra được là các thuộc tính cũng có tính đối xứng, do đó khi lựa chọn kênh đo,
luận án lựa chọn kênh đo tín hiệu ở cả hai nửa bán cầu não để tăng khả năng mô tả
tín hiệu IHMv.

31
 Trong nghiên cứu này, tác giả đề xuất sử dụng kết hợp nhóm rút gọn điện cực
sử dụng trong trường hợp phân biệt chuyển động tưởng tượng chi trên bao gồm 2
điện cực C3, C4. Theo đó so với các phương pháp trên, việc giảm thiểu số kênh đo
thu nhận tín hiệu sẽ giảm được độ phức tạp khi thiết lập hệ thống thu nhận cũng như
giảm thời gian tính toán của hệ thống. Lý do lựa chọn đó là:

- Thứ nhất đây là hai điện cực đặt trên khu vực vỏ não vận động và nằm trên
hai nửa bán cầu não. Vị trí hai điện cực nằm trong khu vực vỏ não vận động chính
(BA4) và vỏ não tiền vận động (BA6). Khu vực não bộ có liên quan đến quá trình
chuẩn bị vận động.

- Thứ hai đó là khu vực giải phẫu có tín hiệu điều khiển vận động tay có phân
bố rộng hơn so với các thông tin điều khiển khác nên việc sử dụng ít điện cực hơn
cũng có khả năng thu nhận được thông tin.

Hiệu quả của các đặc trưng được phân tách trên nhóm hai kênh sẽ được giải
quyết ở các phần sau của luận án. Mặt khác, do giải pháp lựa chọn ít điện cực sẽ có
ưu điểm đơn giản hơn so với các phương pháp khác đã đề xuất nhưng sẽ có vấn đề
đó là độ phân giải không gian thấp của các điện cực EEG. Để giải quyết vấn đề này,
tác giả sẽ kiến nghị sử dụng bộ lọc không gian dựa trên việc sử dụng bổ sung các
điện cực xung quanh để nâng cao chất lượng của tín hiệu thu ở phần tiếp theo.

1.2.2. Nâng cao tỷ số SNR của tín hiệu

Sau khi xác định được phân bố không gian của điện cực thu, các tín hiệu thu
tại điện cực cần phải được tiền xử lý và đồng bộ về mặt thời gian với khung thời
gian phục vụ cho việc dán nhãn dữ liệu huấn luyện. Các kỹ thuật nâng cao tỷ số
SNR tín hiệu điện não liên quan đến vận động tưởng tượng chi trên có thể phân chia
thành một số phương pháp đó là: Thiết lập điều kiện đo tiêu chuẩn, sử dụng các bộ
lọc số, sử dụng bộ lọc không gian. Trong đó vấn đề về thiết lập điều kiện đo tiêu
chuẩn sẽ được đề cập trong nội dung xây dựng bộ dữ liệu điện não tại phòng thí
nghiệm trong môi trường điều kiện tại Việt nam.

32
1.2.2.1. Tăng cƣờng chất lƣợng tín hiệu EEG dựa trên việc sử dụng các bộ lọc
số có pha bằng không
Các bộ lọc số được áp dụng trong mô hình tiền xử lý phục vụ ba mục đích đó
là:
- Loại bỏ nhiễu can thiệp vào tín hiệu
- Phân tách được dải tần số quan tâm.
- Giảm độ trễ và méo tín hiệu sau lọc
Tín hiệu điện não do được thu từ các điện cực trên da đầu nên có biên độ nhỏ
cỡ µV và khá dễ dàng bị can thiệp nhiễu do tiếp xúc điện cực, nhiễu điện lưới,
nhiễu đường biên và các nhiễu do các tín hiệu điện sinh học khác. Qua khảo sát trên
bộ dữ liệu đo tại phòng thí nghiệm có thể nhận thấy một số nguồn nhiễu vẫn xuất
hiện trên bản ghi điện não (do môi trường đo điện não là tương đối mở để sát với
các phép đo trên thực tế). Đó là nhiễu nguồn và nhiễu đường biên trong đó nhiễu
đường biên là nhiễu tần số thấp gây trôi đường cơ sở và nhiễu nguồn điện lưới
50Hz. Thứ hai là nguồn nhiễu mắt do trong quá trình đo đối tượng đo nháy mắt
cũng sẽ tạo ra các gai nhọn trên bản ghi. Qua phân tích thì tín hiệu này chủ yếu
mạnh nhất là trên hai điện cực phía trước trán đó là Fp1 và Fp2 và phân bố ở khu
vực tần số thấp. Tuy nhiên ảnh hưởng của nhiễu mắt trên các điện cực phía đỉnh đầu
như C3, C4 là không rõ nét. Đối tượng đo cũng được yêu cầu hạn chế nháy mắt
trong quá trình thu nhận tín hiệu. Như vậy để lựa chọn bộ lọc để xử lý tín hiệu điện
não, ta phải đảm bảo có thể loại bỏ được một số nhiễu chính ảnh hưởng tới bản ghi
nhưng đồng thời không mất thông tin tín hiệu trong dải đo điện não. Như vậy khi áp
dụng bộ lọc cũng tránh việc gây méo dạng biên độ tín hiệu và pha. Dải tín hiệu điện
não liên quan đến vận động thường nằm trong dải tần số thấp từ 1 – 40Hz. Trong
nghiên cứu của tác giả [120], [43] đã sử dụng kết hợp bộ lọc thông dải (0,5-100Hz)
và bộ lọc triệt dải 50Hz. Theo khảo sát, các bộ lọc pha tuyến tính thường được sử
dụng khi cần phải thay đổi biên độ phổ tín hiệu trong khi vẫn đảm bảo tín hiệu trên
miền thời gian. Với yêu cầu đặt ra thì các bộ lọc pha tuyến tính này phải là các bộ
lọc FIR. Luận án kiến nghị sử dụng bộ lọc FIR có tần số cắt dưới fc1 = 1Hz và tần

33
số cắt trên fc2 = 40Hz đã được đề cập trong công bố (1). Dải tần số này chứa đầy đủ
các thông tin trong các vùng tần số theta, alpha và beta của tín hiệu điều khiển vận
động. Sử dụng bộ lọc FIR trên bản ghi điện não tại phòng thí nghiệm BME, 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) và (4).

Hình 1.17 mô phỏng tín hiệu trước và sau khi lọc sử dụng bộ lọc thông dải tần
số 1Hz – 40Hz được áp dụng cho tín hiệu thu từ kênh C3 của bộ dữ liệu Physionet

Hình 1.17. Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông dải 1Hz-
40Hz

Quan sát trên hình 1.17 ta thấy tín hiệu trên kênh C3 của bản ghi điện não vẫn
tồn tại nhiễu đường biên và nhiễu 60Hz. Phổ tín hiệu sau khi áp dụng bộ lọc FIR đã
được lọc bỏ các tần số nhiễu và tách được băng tần điện não 1Hz- 40 Hz liên quan
đến tưởng tượng vận động chi trên của người.

Bảng 1.1. Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải

34
 Tín hiệu trƣớc lọc Tín hiệu sau lọc

Giá trị tối đa (µV): 194
Giá trị tối thiểu (µV): -133
Giá trị trung bình (µV): 1.07114
Max – Min (µV): 327
Giá trị tối đa (µV): 123.729
Giá trị tối thiểu (µV): -58.1464
Giá trị trung bình (µV): -0.005656
Max – Min (µV): 181.876
Số mẫu trễ: 0

Mặt khác, quá trình lọc tín hiệu có thể gây méo tín hiệu đồng thời gây trễ lớn
nếu bậc bộ lọc quá cao. Vấn đề trễ tín hiệu sau lọc cũng là một vấn đề cần quan tâm
do trong quá trình xây dựng tập dữ liệu dữ liệu huấn luyện, thông tin điện não cần
phải được đồng bộ về mặt thời gian với các sự kiện diễn ra trong thời gian thực tế.
Độ trễ của tín hiệu khi sử dụng các bộ lọc FIR thông thường có thể khắc phục bằng
cách tính toán độ trễ của tín hiệu trước và sau lọc và đồng bộ lại về mặt thời gian.
Bộ lọc pha bằng không là một trường hợp đặc biệt của bộ lọc pha tuyến tính. Sử
dụng bộ lọc có pha bằng không (zero-phase) giúp tín hiệu không bị méo pha sau khi
lọc  0 [99]. Do đó việc sử dụng bộ lọc FIR có pha bằng không hoàn toàn có khả
năng giữ được các đặc trưng trên miền thời gian phù hợp với thời điểm xảy ra với
tín hiệu gốc.

Kết quả thực nghiệm với bộ lọc pha bằng không

Hình 1.18 mô tả tín hiệu trên kênh đo C3 của bộ dữ liệu Physionet sử dụng hai
phương pháp lọc FIR. Do dữ liệu chủ yếu được xử lý offline nên việc lựa chọn bậc
của bộ lọc được lựa chọn tự động đảm bảo dải tần cắt có độ suy hao 60dB. Đối với
bộ lọc FIR thông thường, tín hiệu sau lọc đã bị trễ một khoảng thời gian là 256 mẫu
Trong khi đo với bộ lọc pha bằng không (thực hiện bằng hàm filtfilt của Matlab),
tín hiệu sau lọc đã được đồng bộ về mặt thời gian so với tín hiệu trước khi lọc. Hàm
filtfilt của Matlab giúp tạo ra các hệ số bộ lọc mới dựa trên các hệ số của bộ lọc gốc
để có được đáp ứng pha bằng không. Kiểm tra bằng kỹ thuật tương quan chéo trên

35
hình 1.19 có thể thấy hai tín hiệu trước và sau lọc của bộ lọc pha bằng không đạt độ
tương quan lớn nhất với độ trễ mẫu bằng không.

Như vậy qua thực nghiệm, để tăng chất lượng tín hiệu IHMv, luận án kiến
nghị sử dụng bộ lọc thông dải có dải tần từ 1Hz-40Hz được tổng hợp từ bộ lọc FIR
có pha bằng không. Việc lọc tín hiệu EEG trên bản ghi điện não ban đầu cũng sẽ
giảm được hiệu ứng đường biên (ở các bản ghi dài có thể sử dụng bộ lọc FIR tần số
cao và loại bỏ một số mẫu ở đầu và cuối). Quá trình lọc bậc cao với các đoạn ngắn
hơn (khi đã phân đoạn) có thể làm các đoạn tín hiệu bị ảnh hưởng do hiệu ứng này.

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

36
 Hình 1.19. Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu lọc pha
không đã được đồng bộ về mặt thời gian.

1.2.2.2. Tăng cƣờng chất lƣợng kênh đo tín hiệu EEG bằng kỹ thuật lọc không
gian
Các điện cực trên vỏ da đầu sẽ thu tín hiệu trực tiếp từ khu vực vỏ não giải
phẫu tương ứng. Tuy nhiên trên thực tế độ phân giải không gian của phương pháp
đo EEG chưa cao do tín hiệu thu được trên điện cực lại là tín hiệu tổng hợp từ nhiều
nguồn phát trên não bộ và có trọng số khác nhau. Bên cạnh đó, vấn đề phân bố rộng
của các khu vực phát tín hiệu điều khiển vận động cũng sẽ gây khó khăn cho việc
chỉ sử dụng ít điện cực cho quá trình phân tách đặc trưng. Có nhiều phương pháp đã
được đề cập để nâng cao chất lượng tín hiệu và đảm bảo tín hiệu thu được tại đúng
các khu vực giải phẫu quan tâm. Các phương pháp được sử dụng bao gồm phương
pháp tham chiếu trung bình chung CAR [80], phương pháp thành phần không gian
chung CSP [14], phương pháp lọc không gian Laplacian [15], [91]. Trong đó,
phương pháp lọc không gian Laplacian cho phép xác định giá trị điện áp tại điện
cực đo bằng cách kết hợp giá trị thu được của điện cực đo với các điện cực xung
quanh. Các khoảng cách của các điện cực sẽ quyết định đặc điểm lọc không gian
của Laplacian. Có thể sử dụng các phương pháp lọc Laplace theo vị trí của các điện

37
cực lân cận. Laplacian hẹp sử dụng các điện cực lân cận và Laplacian rộng sử dụng
các điện cực kế tiếp lân cận. Nếu tín hiệu điều khiển định vị cao và không thay đổi
nhiều theo thời gian thì Laplacian hẹp phù hợp còn nếu tín hiệu ít định vị thì
Laplacian rộng sẽ có ưu điểm hơn.[35].

Dựa trên những nghiên cứu và phân tích ở trên, để trích chọn thông tin trên hai
điện cực C3 và C4 và nâng cao chất lượng tín hiệu, luận án sử dụng phương pháp
Lap
lọc không gian Laplacian rộng (Hình 1.20). Nếu gọi Ci (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 và điện cực thu. Công thức trọng
số của các điện cực lân cận như sau:
1 / d ij
w  (1.1)
 1/d
ij
ij
j S i

Trong đó w ij
là hằng số trọng số và d ij là khoảng cách Euclidian giữa điện

cực thu i và điện cực lân cận j. Si là bộ các điện cực lân cận điện cực thu. Các điện

cực là các điện cực trên trục dọc hoặc ngang với tâm là điện cực thu Ci

(t )  C i (t )  
Lap
Ci w ij C j ( t )
(1.2)
j S i

Dữ liệu sử dụng trong luận án được tác giả sử dụng mô hình lọc không gian
Laplacian rộng sử dụng 4 điện cực kế tiếp lân cận bao gồm: T7[trái],Cz[phải]
,P3[sau], F3[trước] sử dụng cho kênh C3 và nhóm kênh Cz[trái], P4[sau], T8[phải],
F4[trước] cho kênh C4

38
 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

Tín hiệu IHMv là các đoạn tín hiệu điện não xảy ra trước, trong và sau khi xảy
ra quá trình tưởng tượng vận động hoặc vận động thật. Quá trình biến đổi năng
lượng tín hiệu được phát hiện xảy ra ở trên các khoảng thời gian trên so với thời
điểm có tưởng tượng vận động. Để phân giải được các nhóm tín hiệu IHMv phục vụ
phân tích định lượng và xây dựng tập dữ liệu huấn luyện, 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. Khoảng thời gian lựa chọn cần
phải đảm bảo liên quan đến các thời điểm bắt đầu các sự kiện và có chứa sự biến
động năng lượng khi xảy ra các quá trình não bộ tưởng tượng vận động. Do mỗi đối
tượng đo sẽ có phản ứng và độ trễ khác nhau sau khi có hướng dẫn vận động nên
cần thiết phải khảo sát để có thể cắt được khu vực có tín hiệu quan tâm. Độ dài cửa
sổ phải đảm bảo chứa được các đoạn biến động tương ứng với thông tin điều khiển
vận động của não bộ. Tuy nhiên độ dài khung quá dài sẽ dẫn đến dư thừa thông tin
hoặc thu nhận thêm các tín hiệu nhiễu. Việc lựa chọn khoảng thời gian có biến động
ngắn sẽ giảm được thời gian tính toán của hệ thống.

39
 Trong bản ghi điện não, trên kênh đo chứa các đoạn thông tin EEG liên quan
vận động xảy ra được ký hiệu là Segie trong đó i là thứ tự khung, và e là sự kiện = {
Lf_IHMv, Ri_IHMv, Re_IHMv. Như vậy, mỗi một Segie sẽ có chứa thông tin liên
quan đến sự kiện tưởng tượng vận động. Dựa trên thiết kế của phép đo của bộ dữ
liệu Physionet, khi có hướng dẫn (t=0) người đo thực hiện nhiệm vụ tưởng tượng
vận động chi trong thời gian có hướng dẫn xuất hiện trên màn hình. Quá trình thực
hiện vận động hoặc tưởng tượng vận động kéo dài trong khoảng 4-5s tính từ thời
điểm t=0. 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. Phương pháp
phân đoạn được thực hiện bằng cách xác định vị trí mẫu bắt đầu của sự kiện (xác
định bởi thời gian bắt đầu của sự kiện và tần số lấy mẫu của bản ghi). Vị trí mẫu
cuối của đoạn được xác định tại vị trí sao cho kích thước cửa sổ đoạn IHMv tính từ
mẫu bắt đầu đến mẫu cuối là 512 mẫu. Độ dài cửa sổ 512 mẫu tương ứng đoạn dữ
liệu 3s phù hợp với thiết kế thí nghiệm của bộ dữ liệu với khoảng thời gian đối
tượng thực hiện tưởng tượng vận động là 4 giây. 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 (được đề cập ở chương sau), nên
kích thước cửa sổ phân đoạn phải có độ lớn bằng lũy thừa của 2. Việc lựa chọn cửa
sổ lớn hơn sẽ cho độ phân giải về tần số tốt hơn (nếu đoạn 4s sẽ cho độ phân giải
tần số là 0,25Hz). Tại các thời điểm t2, t3,… tương ứng với nhãn thời gian của
khung thí nghiệm, các đoạn tín hiệu Segie sẽ được lần lượt tách phục vụ phân tích
xử lý.

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

Dựa trên nhãn thời gian của thiết kế bộ dữ liệu và độ dài cửa sổ cắt, tác giả
thực hiện phân giải trên bản ghi điện não các khung thời gian tương ứng với 3 loại

40
sự kiện tưởng tượng vận động chi trên: a) Lf_IHMv (Đoạn dữ liệu khung màu
xanh), Ri_IHMv (khung màu đỏ), Re_IHMv (Khung màu đen).

a)

b)

41
 Hình 1.21. 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). b) Các đoạn dữ liệu tương ứng với các sự kiện vận động
được xác định trước khi tách khỏi bản ghi điện não sử dụng kỹ thuật phân đoạn dữ
liệu điện não không chồng lấp với cửa sổ mẫu cố định là 512 mẫu tương đương 3s
để xử lý.

Hình 1.22 mô tả các đoạn dữ liệu IHMv có chiều dài 512 mẫu được tách từ
kênh đo C3 của bộ dữ liệu. Dựa trên kịch bản thiết kế của thí nghiệm, các đoạn
Lf_IHMv, Ri_IHMv, Re_IHMv lần lượt được phân tách với giá trị mẫu đầu tiên của
đoạn tương ứng với giá trị tại thời điểm bắt đầu sự kiện tương ứng. Các đoạn IHMv
được phân tách từ bộ dữ liệu mẫu như quan sát trên hình 1.22 có hình dạng phức
tạp, có tần số không dừng trong khoảng thời gian tồn tại. Do đó để đặc tả dạng tín
hiệu IHMv, các thuộc tính cần thiết phải mô tả được tính không dừng của tín hiệu.
Hơn nữa, giữa các đoạn IHMv cùng loại cũng có sự khác biệt nhất định nếu nhìn
trên miền thời gian của đồ thị. Khác với các dạng tín hiệu khác, tín hiệu điện sinh
học của người như tín hiệu điện não có tính thống kê, do đó các đặc trưng khi được
lựa chọn sử dụng để mô tả tín hiệu IHMv và phân biệt giữa các trạng thái cần thiết
phải đảm bảo độ tin cậy mang tính thống kê trên bộ dữ liệu sử dụng.

42
43
Hình 1.22. Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản ghi điện não
trên một kênh tín hiệu EEG. Trục x là số mẫu có độ dài 512 (tương ứng 3s với tần
số lấy mẫu 160Hz). Hình trên là các đoạn tín hiệu điện não EEG tương ứng với quá
trình tưởng tượng vận động tay trái (Left 1 – Left 8) và Hình dưới là các đoạn
tương ứng với quá trình tưởng tượng vận động tay phải (Right 1 – Right 7). Và các
đoạn tương ứng với giai đoạn nghỉ

Đánh giá nhóm tín hiệu điện não đƣợc phân giải từ các bản ghi điện não

Để quan sát sự biến động của tín hiệu giữa các trạng thái IHMv khác nhau, luận
án sử dụng kỹ thuật phân tích thời gian tần số STFT (Short-time Fourier) dựa trên
công cụ EEGLAB. Đây là kỹ thuật cho phép ta quan sát được sự biến đổi năng
lượng trong khoảng thời gian và tần số tương ứng của tín hiệu dựa trên bản đồ màu.
Giá trị màu sắc tại các vùng cho thấy được khoảng thời gian xuất hiện biến động và
khu vực tần số ảnh hưởng. Kỹ thuật STFT là một kỹ thuật được sử dụng để phân
tích các tín hiệu không dừng như EEG và được phát triển dựa trên biến đổi Fourier.
Trong kỹ thuật này, người ta sử dụng một cửa sổ có kích thước cố định dịch chuyển

44
theo trục thời gian mà trong đó tín hiệu được coi là ổn định. Từ đó ta có thể áp dụng
biến đổi Fourier cho đoạn tín hiệu này. Khi cửa sổ này dịch theo trục thời gian thì ta
có thể xác định được mối quan hệ giữa tần số và thời gian của tín hiệu.

Công thức biến đổi của STFT:

* ( )+( ) ( ) ∫ ( ) ( ) (9)

Trong đó ( ) là hàm cửa sổ, .

Dạng rời rạc hóa của STFT:

* ( )+( ) ( ) ∑ ( ) ( ) (10)

Trong đó

x(n) là tín hiệu tại thời điểm n

g(n) là hàm cửa sổ

m là kích thước cửa sổ, m = hằng số.

Đánh giá các đoạn tín hiệu IHMv thu đƣợc từ bộ dữ liệu Physionet

Hình dưới là bản đồ màu mô tả phổ năng lượng hỗn loạn liên quan sự kiện
(ERSP) của các tín hiệu điện não liên quan đến vận động được tách ra trên hai kênh
đo C3, C4. Trong đó trục x của đồ thị mô tả thời gian của sự kiện còn trục y mô tả
tần số của tín hiệu. Năng lượng biến đổi của tín hiệu (theo dB) được thể hiện dưới
dạng màu sắc của mỗi điểm tại một tần số và thời điểm xác định. Trong đó vùng
màu đỏ hơn sẽ mô tả năng lượng lớn còn màu xanh hơn sẽ mô tả năng lượng thấp
hơn. Thời điểm 0 là vị trí bắt đầu có sự kiện tưởng tượng chuyển động chi trên. Cột
màu bên phía phải hình vẽ mô tả cho chúng ta tỷ lệ ERSP trong đó các giá trị dương
hay âm là chỉ thị có sự tăng hay giảm công suất so với đường cơ sở. Trong bộ dữ
liệu Physionet, khoảng thời gian có tưởng tượng vận động tay phải T1 và tay trái T2
có thời gian là 4s (4000ms) tính từ thời điểm 0 trên đồ thị. Có thể quan sát thấy trên

45
3 kênh tín hiệu C3, C4, ở trạng thái nghỉ, trên trục thời gian tại khu vực tần số µ và β
có nhiều vùng màu đỏ năng lượng cao trong khi đó đối với thời gian khi người đo
thực hiện chuyển động hoặc tưởng tượng chuyển động thì vùng màu xanh xuất hiện
nhiều (năng lượng thấp). Điều này cũng tương đồng với các nghiên cứu [102] khi
chỉ ra có sự suy giảm (màu xanh) về năng lượng khi người đo bắt đầu tưởng tượng
chuyển động. Từ đồ thị ta cũng có thể thấy giữa các đoạn Lf_IHMv và Ri_IHMv
cũng thể hiện được sự khác biệt nhưng không rõ ràng như giữa trạng thái có tưởng
tượng vận động và trạng thái nghỉ. Sự biến động giữa các trạng thái cũng xảy ra ở
nhiều dải tần khác nhau do đó việc sử dụng các đặc trưng từ một số dải tần số có thể
tăng khả năng nhận diện tín hiệu IHMv. Bản đồ màu có thể được sử dụng để tối ưu
tần số của bộ lọc trong mô hình phân tách đặc trưng.

46
Hình 1.23. Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với
3 trạng thái điều khiển vận động trên kênh C3.

47
Hình 1.24. Bản đồ thời gian – tần số của đối tượng S04 (Physionet) tương ứng với
3 trạng thái điều khiển vận động trên kênh C4.

Như vậy có thể nhận thấy, việc lựa chọn độ rộng cửa sổ 512 mẫu của tín hiệu
IHMv đã chứa được những biến động của năng lượng phổ và mang những thông tin
giúp phân giải các phân lớp IHMv khác nhau. Bên cạnh đó việc lựa chọn cửa sổ đủ
rộng sẽ giúp tăng được độ phân giải tần số do tín hiệu điện não tập trung nhiều vào
dải tần số thấp. Hiệu quả của phương pháp này sẽ được giải quyết ở các phần sau
của luận án.

1.3. Kết luận chƣơng

Trong chương 1, luận án đã nghiên cứu về hệ thần kinh vận động của não bộ
và cơ chế điều khiển hệ vận động các chi. Từ các nghiên cứu, có thể nhận thấy khu
vực chịu trách nhiệm điều khiển tay có phân bố rộng hơn so với các chi khác. Do đó
ta có thể kỳ vọng sử dụng số lượng ít các điện cực tại khu vực vỏ não vận động mà
vẫn có chứa đầy đủ các thông tin cần thiết. Do đó nghiên cứu tập trung khai thác
thông tin điều khiển vận động tại khu vực giải phẫu này dựa trên các nhóm điện cực
C3 và C4 phân bố trên khu vực vỏ não vận động.

Trong chương 1 của luận án, tác giả kiến nghị sử dụng một số các giải pháp kỹ
thuật trong mô hình xử lý tín hiệu điện não đồ liên quan đến vận động tưởng tượng
của chi trên để giúp nâng cao tỷ số SNR của tín hiệu bao gồm: bộ lọc số FIR pha

48
bằng không, bộ lọc không gian Laplacian rộng, phân tách tín hiệu điện não liên
quan đến vận động bằng phương pháp 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 biến động năng lượng phổ khác nhau đảm bảo
chứa đựng các thông tin cần thiết cho bước định lượng tín hiệu.

Một số kết quả nghiên cứu đề cập trong chương 1 đã được công bố trên hai bài
báo bao gồm:

[1]. Pham Phuc Ngoc, Vu Duy Hai, Nguyen Chi Bach, Pham Van Binh
(2014). ―EEG SIGNAL ANALYSIS AND ARTIFACT REMOVAL BY
WAVELET TRANSFORM‖. 5th International conference on the
development of biomedical Engineering. BME HCM. Vol. 46. pp.242-
246.

[4]. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Văn Bình, Nguyễn Duy Tùng, Vũ
Thị Hạnh, Nguyễn Đức Thuận (2015). ―Developement of features set for
classification of imagery hand movement - related EEG signals‖. ISSN
2354-1083. 109. pp43-48.

49
 CHƢƠNG 2: PHÁT TRIỂN BỘ ĐẶC TRƢNG MỚI NÂNG
CAO ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT
ĐỊNH BA PHÂN LỚP IHMv ĐẦU RA
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 tưởng tượng điều khiển vận động chi
trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA.

Tín hiệu IHMv được định nghĩa là tín hiệu điện não xuất hiện khi con người
tiến hành suy nghĩ về vận động chi nhưng không tạo ra chuyển động thực. Do bản
chất của IHMv là dạng tín hiệu không dừng đồng thời các tín hiệu liên quan đến vận
động còn khá phức tạp và chưa được nhận diện rõ ràng nên việc giải mã và phân
loại được các tín hiệu này còn khá thấp. Do đó đòi hỏi chúng ta phải tìm hiểu và
nghiên cứu các phương thức mô tả tín hiệu khác nhau để định lượng được nhóm tín
hiệu này. Đồng thời các đặc trưng này cần phải có khả năng phân biệt được giữa các
trạng thái IHMv khác nhau giúp để nâng cao độ chính xác phân loại. Quá trình định
lượng được các tín hiệu IHMv bao gồm quá trình lựa chọn các điện cực đo và các
thuật toán định lượng tín hiệu mô tả các đặc điểm thống kê của tín hiệu IHMv. Việc
định lượng tính hiệu IHMv thông qua các thuộc tính còn là quá trình giảm kích
thước mẫu từ một tín hiệu số mẫu lớn sang một bộ các thuộc tính mô tả có kích
thước nhỏ hơn, do đó làm giảm thời gian xử lý của hệ thống. Trên thế giới đã có

50
một số phương pháp xây dựng bộ đặc trưng cho các bài toán phân lớp tín hiệu
tưởng tượng vận động chi trên đã được phát triển:

+ Tác giả Ana Loboda [10] sử dụng chỉ số khóa pha PLV dựa trên tính đồng
bộ pha của các tín hiệu tại các điện cực trên vỏ não vận động bổ sung và vỏ não vận
động chính để phân biệt chuyển động tay trái hay tay phải. Trong phương pháp này
sử dụng nhóm ba điện cực tại vùng vỏ não vận động bổ sung FCZ, CZ, CPZ và sáu
điện cực phân chia trên 2 bán cầu não là FC3, C3, CP3 cho bán cầu não trái và FC4,
C4, CP4 cho bán cầu não phải. Như vậy mỗi bán cầu não tác giả tách ra được chín
cặp PLV cho mỗi đoạn chuyển động: FCz-FC3, FCz-C3, FCz-CP3, Cz-FC3, Cz-C3,
Cz-CP3, CPz-FC3, CPz-C3 và CPz-CP3 cho bán cầu não trái và FCz-FC4, FCz-C4,
FCz-CP4, Cz-FC4, Cz-C4, Cz-CP4, CPz-FC4, CPz-C4 and CPz-CP4 cho bán cầu
não phải. Với tất cả các cặp ta tính sự khác biệt giữa đoạn vận động và thư giãn:

P L V d iff  P L V m o to r  P L V r e s t (2.1)

Trong đó PLVmotor là PLV trung bình của tất cả các đoạn chuyển động và
PLVrest là giá trị trung bình của tất cả các đoạn nghỉ.
Để phân biệt nắm mở tay trái và tay phải tác giả tính toán PLVdiff giữa các cặp
tương ứng bên trái và cặp tương ứng bên phải và ghi kết quả vào một vector gồm 9
phân tử tương ứng với 9 cặp giá trị PLV ở bên 2 bên bán cầu não. Nếu PLVdiff left <
PLVdiff right thì giá trị của phần tử tương ứng trong vector gán bằng 1 còn trường hợp
ngược lại gán bằng 0. Nếu số phần tử có giá trị bằng 1 của vector này quá nửa thì
kết luận đối tượng chuyển động tay trái và ngược lại.
Trong quá trình đồng bộ thì biên độ tín hiệu giảm và cùng với đó là đồng bộ
pha không trên các điện cực dẫn đến tăng giá trị khóa pha PLV, và biên độ phổ.
Ngược lại, trong quá trình khử đồng bộ, biên độ tín hiệu và tỷ số tín hiệu trên nhiễu
giảm dẫn đến làm giảm chỉ số khóa pha PLV. Với đặc trưng này tại băng tần µ thì
tỷ lệ phân loại đúng đạt 63.73% trong khi đó ở băng tần β thì tỷ lệ phân loại là
78.95%. Việc sử dụng trực tiếp giá trị PLV để phân biệt hai trạng thái IHMv khá

51
đơn giản nhưng lại sử dụng khá nhiều cặp điện cực và không áp dụng các mô hình
phân loại nên kết quả phân loại chỉ đạt trung bình.

+ Tác giả Shindo và Nam CS [114], [93] sử dụng đặc trưng ERD và ERS tại
khu vực băng tần µ (Mu) và β (beta) để phân biệt chuyển động tưởng tượng tay
trong đó đặc trưng ERD mô tả sự giảm đồng bộ hoặc tăng đồng bộ dẫn đến sự giảm
hoặc tăng biên độ tín hiệu EEG khi tưởng tượng vận động. Các hoạt động liên quan
đến sự kiện chuyển động được xác định trên khu vực vỏ não vận động Mu và Beta
ERD xảy ra chủ yếu tại bán cầu não đối diện vào thời điểm bắt đầu tưởng tượng
trong khi đó Beta ERS xảy ra trên bán cầu não đối diện tại thời điểm kết thúc tưởng
tượng [76] do đó trong quá trình tưởng tượng vận động thì mô hình phổ biến sẽ là
Mu và beta ERD và sau đó là beta ERS. Những thành phần khác nhau được tạo ra
từ các chuyển động tưởng tượng tay khác nhau sẽ được sử dụng để phân loại tín
hiệu điều khiển nhị phân BCI đơn giản. ERD được đo dựa trên công suất đỉnh trong
dải α (alpha)

P ( f , n )  Pre f ( f )
ERS / ERD  (2.2)
Pre f ( f )

Trong đó P( f , n) là giá trị công suất tín hiệu tại một điểm thời gian tần số

trong bản đồ công suất và Pre f ( f ) là công suất trung bình trong khoảng thời gian
tham khảo tính cho tần số f. Quá trình này thể hiện mức độ hoạt động trong dải
alpha trước và trong quá trình vận động. Đây là đặc trưng khá tốt phục vụ cho việc
phân biệt có vận động và không có vận động.

+ Tác giả Yasunari Hashimoto [132] sử dụng đặc trưng beta rebound tức là sự
tăng về biên độ của sóng beta xảy ra ở giai đoạn cuối của tưởng tượng vận động
nhằm phân biệt chuyển động chân trái và chân phải cho kết quả phân loại > 63%
trong đó có một đối tượng đạt cao nhất là 81,6% chỉ với việc sử dụng 3 điện cực
Laplace CZ và hai tín hiệu lưỡng cực C1-CZ và C2-CZ. Phương pháp này sẽ xác định
dải tần xuất hiện ERD/ERS cao nhất bằng phương pháp phân tích thời gian tần số

52
và tính toán phổ công suất trên băng tần đó. Sự khác nhau giữa trái và phải của đặc
trưng beta rebound BP tại điện cực Cz, điện cực lưỡng cực C1-Cz và C2-Cz được
kiểm định bằng kiểm định t-test.

+ Xinyang Yu [131] và Goeorge Townsend [42], Blankertz [14] sử dụng các

phương pháp lọc không gian CSP. Đây là phương pháp sử dụng hiệp biến giữa các
kênh để thiết kế các thành phần không gian chung CSP. Quá trình này biến đổi các
đoạn tín hiệu điện não EEG từ một vài điện cực sang một mặt phẳng khác trong đó
có thể tối đa hóa sự khác biệt giữa hai phân lớp (sự kiện). Phương pháp CSP đầu
tiên sẽ xác định ma trận hiệp biến của tín hiệu EEG (đã được lọc) trong hai điều
kiện (ví dụ: tưởng tượng vận động tay phải và tưởng tượng vận động chân). Tiếp
theo phân tích CSP sẽ thực hiện chéo hóa đồng thời hai ma trận hiệp biến. Được
thiết kế để tín hiệu EEG đã được lọc có phương sai lớn nhất cho các thí nghiệm
chuyển động tay trái và phương sai nhỏ nhất cho các thí nghiệm chuyển động tay
phải. Như vậy thì sự khác nhau giữa hai phân lớp chuyển động tay trái và tay phải
được tối đa và như vậy chỉ những thông tin chứa trong những đặc trưng này là có
phương sai của EEG biến đổi nhiều nhất khi so sánh hai quần thể. Phương pháp
CSP là phương pháp lọc không gian được sử dụng do có khả năng nâng cao tỷ số tín
hiệu trên nhiễu nhờ sử dụng sự tương quan với các kênh xung quanh.

+ Vigneshwari [23] và Alomari [89] giới thiệu phương pháp định lượng tín
hiệu trên miền thời gian – tần số dựa trên việc áp dụng các giải thuật RMS, WL,
SSI, MMAV, ZC và SSC trên các hệ số chi tiết của biến đổi wavelet để mô tả nhóm
tín hiệu vận động ngón tay, hai tay và hai chân. Trong đó Alomari [89] áp dụng
thuật toán tính đặc trưng trên hệ số wavelet khi đối tượng đo chuyển động của ngón
tay trái và phải (mở đóng ngón tay).

Theo các nghiên cứu của các tác giả trên, chúng ta có thể nhận thấy các bộ
thuộc tính được các tác giả sử dụng đã mô tả được một số các khía cạnh về pha, tần
số, năng lượng của tín hiệu IHMv. Các thuộc tính này đã được sử dụng để xây dựng
véc tơ đặc trưng đầu vào cho các hệ thống phân loại và đã đạt được kết quả phân

53
loại các trạng thái IHMv với độ chính xác khá. Tuy nhiên do bản chất không dừng
của tín hiệu cũng như vấn đề dữ liệu có độ chuyên biệt cao với một nhóm các đối
tượng nên để đạt độ chính xác cao hơn, vẫn cần thiết phải tiếp tục xác định được bộ
thuộc tính có khả năng mô tả tín hiệu tốt và có độ tin cậy cao để phục vụ mô hình
phân loại các phân lớp IHMv. Xu hướng của các nghiên cứu đó là tiếp tục tìm kiếm
các đặc trưng mới hoặc kết hợp các đặc trưng để mô tả tín hiệu, qua đó tăng độ
chính xác phân loại . Các mô hình phân tách đặc trưng của các tác giả trên gặp một
số nhược điểm đó là việc sử dụng khá nhiều các điện cực để xử lý, điều này dẫn đến
việc các hệ thống phải xử lý nhiều thông tin và việc dùng số lượng lớn các điện cực
có thể tăng thêm nhiễu cho dữ liệu, tăng độ phức tạp của mô hình và thời gian tính
toán. Bên cạnh đó, các vấn đề liên quan khác như chi phí của hệ thống, khả năng
ứng dụng các mô hình BCI trong thực tế cũng là một trở ngại. Tác giả Tam [126] đo
thời gian của việc thiết lập hệ thống 32 kênh mất khoảng 10-15 phút được thực hiện
bởi các chuyên gia có kinh nghiệm (20-30 giây một cảm biến). Như đã phân tích ở
chương một, dựa trên một thực tế đó là tín hiệu tưởng tượng vận động sẽ do khu
vực giải phẫu vỏ não vận động đảm nhiệm đồng thời khu vực phát thông tin vận
động chi trên có phân bố vùng kích hoạt khá rộng trên vỏ não do đó việc giảm số
điện cực và tập trung sử dụng các điện cực tại khu vực vỏ não vận động là hoàn
toàn có thể thực hiện được [23], [89]. Trong phương pháp [23], [89], các tác giả sử
dụng nhóm ba điện cực tại khu vực vỏ não vận động chính để xây dựng bộ đặc
trưng gồm 9 thuộc tính (3 điện cực x 3 băng tần). Tuy nhiên việc chỉ sử dụng một
mô tả thống kê để mô tả tín hiệu vận động sẽ khó khả thi do bản chất không dừng
của tín hiệu EEG. Tuy nhiên có thể nhận thấy, phương pháp định lượng tín hiệu
theo miền tần số và thời gian dựa trên biến đổi wavelet [23], [89] là một phương
pháp tiếp cận hiệu quả và đơn giản khi thực hiện. Phương pháp này được áp dụng
trên số lượng và vị trí kênh đo tùy chọn. Một ưu điểm của khác của kỹ thuật này đó
là cho thấy khả năng định lượng được tín hiệu và vẫn đảm bảo chứa đựng các thông
tin trên miền thời gian và tần số.

54
 Một vấn đề khác giúp nâng cao độ chính xác phân loại của hệ thống đó là việc
lựa chọn các đặc trưng tốt để xây dựng véc tơ đặc trưng IHMv. Việc đưa vào mô
hình véc tơ đặc trưng quá nhiều thông tin sẽ dẫn đến việc các mô hình phân ở loại
sẽ phải học nhiều thông tin dư thừa, sai và ảnh hưởng trực tiếp tới quá trình phân
loại. Theo các cách tiếp cận ở trên, các đặc trưng được tính toán dựa trên thực tế có
sự biến đổi thông tin về pha, năng lượng cũng như vị trí phát thông tin IHMv và
được đưa trực tiếp vào huấn luyện các mô hình phân loại mới. Tuy nhiên, để loại bỏ
những thông tin dư thừa, cần thiết phải nghiên cứu phương pháp lựa chọn các thuộc
tính tốt trong việc phân biệt các trạng thái IHMv. Bên cạnh đó, do tính chất thống
kê của tín hiệu nên các đặc trưng cũng cần thiết phải được đánh giá được độ tin cậy
của kết quả trên bộ dữ liệu, qua đó tăng khả năng ứng dụng trên các hệ thống phân
loại thực tế. Trong phần này, tác giả sẽ nghiên cứu áp dụng phương pháp phân tích
trên miền thời gian – tần số dựa trên wavelet trên kênh đo C3, C4 và đề xuất xây
dựng nhóm các đặc trưng mới định lượng tín hiệu điện não IHMv. Luận án đề xuất
sử dụng phương pháp phân tích phương sai ANOVA [30] để đánh giá khả năng
phân biệt và độ tin cậy của thuộc tính. Phương pháp đề xuất giúp lựa chọn được các
đặc trưng có tính phân biệt ba phân lớp IHMv dựa trên chỉ số F và p. Các thuộc tính
được đánh giá và lựa chọn dựa trên việc thử nghiệm trên bộ cơ sở dữ liệu mẫu
Physionet. Các thuộc tính mới được sử dụng để xây dựng vector đặc trưng cho mô
hình phân lớp ba trạng thái IHMv.

2.1 Phƣơng pháp định lƣợng trên miền thời gian – tần số dựa trên biến đổi
wavelet [23]
Phân bố của tín hiệu EEG là Gaussian đa biến (multivariate Gaussian) trong
đó các thuộc tính như giá trị trung bình và hiệp phương sai thay đổi theo từng đoạn
dữ liệu. Do đó EEG thường được xem là ổn định chỉ trong một khoảng thời gian
ngắn [26]. Do tính chất không dừng của tín hiệu nên các đặc điểm thống kê của dữ
liệu trên cả miền thời gian và tần số cần phải được xem xét đến. Phương pháp xây
dựng đặc trưng tín hiệu dựa trên phương pháp định lượng tín hiệu trên miền thời
gian - tần số được đề xuất trong [23] có khả năng phân tách được tín hiệu điện não

55
tại các dải tần số chứa thông tin tưởng tượng vận động trong khi đó vẫn đảm bảo
thông tin trên miền thời gian.

56
 Hình 2.1. Mô hình phân tách đặc trưng tạo nhóm thuộc tính định lượng các phân
lớp IMHv.

Trong mô hình xử lý trên hình 2.1, tín hiệu điện não đa kênh được xử lý theo
những bước sau:

Bƣớc 1: Bản ghi điện não đồ được ghi vào ma trận dữ liệu

Bƣớc 2: Lựa chọn kênh đo và tiền xử lý dữ liệu

Bƣớc 3: Phân giải bản ghi thành các phân lớp IHMv_Emxn với m là kênh đo và
n là số mẫu tín hiệu của một bản ghi.

Bƣớc 4: Phân tách băng tần tín hiệu điện não IHMv dựa trên biến đổi wavelet.

Bƣớc 5: Lựa chọn hệ số chi tiết tương ứng với băng tần tín hiệu điện não cần
xử lý.

Bƣớc 6: Áp dụng giải thuật định lượng tín hiệu lên các hệ số chi tiết của biến
đổi wavelet

Trong kỹ thuật này, dựa trên biến đổi wavelet, tín hiệu gốc IHMv được phân
tách thành các hệ số chi tiết tương ứng với các băng tần khác nhau. Trong đó các hệ
số chi tiết có chứa thông tin băng tần liên quan đến tưởng tượng vận động của tín
hiệu được lựa chọn để xây dựng đặc trưng. Do kỹ thuật nén dãn các bộ lọc nên các
thông tin trên miền thời gian của tín hiệu qua phép biến đổi vẫn được đảm bảo. Tiếp
đó, các thông tin trên miền thời gian và tần số của tín hiệu được trích xuất dựa trên
việc áp dụng các thuật toán mô tả thống kê của tín hiệu trên các hệ số chi tiết của
phép biến đổi wavelet trên tín hiệu IHMv thu được. Trong phần tiếp theo, luận án sẽ
mô tả phương pháp xây dựng đặc trưng tín hiệu dựa trên phương pháp định lượng
tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet và phát triển bộ thuộc
tính định lượng IHMv.

57
- Phƣơng pháp phân tách và lựa chọn băng tần bằng kỹ thuật biến đổi
wavelet.

Kỹ thuật biến đổi Wavelet đã được đề cập trong các nghiên cứu [5], [133].
Đây là kỹ thuật có thể phân tách được các tín hiệu dao động và biến đổi nhanh như
tín hiệu điện não. Lý do đó là kỹ thuật này có khả năng mô tả được tín hiệu trên cả
miền thời gian và tần số. Khác với kỹ thuật FFT, biến đổi wavelet sử dụng các
phiên bản dịch và giãn của hàm wavelet gốc để phân tách tín hiệu điện não thành
các hệ số chi tiết và xấp xỉ tương ứng với các băng tần về điện não. Bằng cách này
ta có thể phát hiện được các đặc trưng biến đổi nhanh của tín hiệu và giúp định vị
tín hiệu tốt trên cả miền thời gian và tần số. Kỹ thuật này dựa trên việc sử dụng các
cửa sổ lọc khác nhau nên nó rất phù hợp khi sử dụng với tín hiệu điện não có băng
tần thấp.

Nếu như tín hiệu rời rạc thì thuật toán DWT có thể được sử dụng. Thuật toán
DWT sẽ tách tín hiệu thành các dải tần số khác nhau dựa trên hai bộ lọc đáp ứng
xung hữu hạn (FIR) trong đó g là bộ lọc thông cao và h là bộ lọc thông thấp. Đầu ra
của bộ lọc được xác định như sau:

HL   n
h ( n  2 L ) S IH M v ( n ) (2.3)

GL   n
g ( n  2 L ) S IH M v ( n ) (2.4)

Khi dữ liệu S IH M v ( n ) sẽ được qua bộ lọc thông thấp khi thực hiện nhân tích
chập với h(n-2L) và bộ lọc thông cao khi nhân tích chập với g(n-2L). HL sẽ là các
thành phần tần số cao và GL là các thành phần tần số cao. Như vậy trong kỹ thuật
này các bộ lọc sẽ làm nhiệm vụ chia đôi dần các băng tần số. Tùy thuộc vào dải tần
tín hiệu quan tâm, mức phân chia sẽ được xác định. Tuy nhiên do quá trình lấy mẫu
xuống dẫn đến phép dịch của hệ số wavelet không cùng với độ dịch của tín hiệu gốc
nên tính bất biến theo thời gian của phương pháp không được đảm bảo [83].

58
 Trong nghiên cứu này, luận án sử dụng phương pháp biến đổi SWT
(Stationary Discrete Wavelet Transform) do đặc điểm bất biến theo thời gian của
phương pháp [94]. Do phương pháp SWT có đầu ra tại mỗi mức có chứa cùng số
mẫu như đầu vào. Để làm được điều này, thuật toán được thay đổi bằng cách them
2 1
j
mẫu bằng không vào giữa các hệ số bộ lọc của lớp j thay vì lấy mẫu xuống
giống phương pháp DWT. Trong đó phương pháp biến đổi Wavelet rời rạc không
lấy mẫu xuống SWT được sử dụng nhiều do nó không xảy ra hiện tượng chồng phổ
khi chúng ta thao tác trên các hệ số của SWT. Tuy nhiên, do việc giãn các hệ số bộ
lọc trong khi chiều dài của tín hiệu không đổi nên số phép tính của SWT sẽ lớn hơn
so với DWT.

Công thức biến đổi Wavelet rời rạc DWT của tín hiệu S(t) với hàm wavelet 

( ) ∫ ( ) ( ) (2.5)
√
Trong đó ta có hệ số scale aj  2
 j
, và vị trí b j ,k  k 2
 j
,( ) . Khi a giảm

thì hàm wavelet được co ngắn lại cho phép ta phân tích thành phần tần số cao của
tín hiệu và có độ phân giải thời gian tốt. Ngược lại, khi a tăng thì hàm wavelet được
giãn ra cho phép ta phân tích thành phần tần số thấp của tín hiệu và có độ phân giải
tần số tốt.

Tại mỗi mức j và thời gian dịch k thì tín hiệu SIHMv(t) sẽ được ánh xạ theo hàm
tỷ lệ ϕ nén và dịch

c j , k   S IH M v ( t ),  j , k ( t )  (2.6)

 j  j
 j , k (t )  2  (2 ( t  k )) (2.7)

Giá trị cj,k được tạo nên bởi các hệ số xấp xỉ tại mức j. Theo đó các hệ số của
wavelet sẽ thu được từ việc ánh xạ tín hiệu sử dụng hàm wavelet 

 j  j
w j , k   S IH M v ( t ) , 2  (2 (t  k ))  (2.8)

59
 Các giá trị wj,k là các hệ số chi tiết tại mức j.

Trong biến đổi SWT nhiều mức các hệ số của bộ lọc ở mức sau là phiên bản
giãn của các hệ số của bộ lọc mức trước nó.

Hình 2.2. Biến đổi SWT 2 mức.

Như vậy ở dải tần vận động từ 1 – 40Hz của tín hiệu, phương pháp biến đổi
Wavelet đã cho thấy ưu điểm hơn so với các phương pháp phân tích khác khi chúng
chứa được nhiều thông tin hơn ở miền tần số thấp.

Như quan sát trên đồ thị phổ STFT ở trên, ta có thể nhận thấy sự biến động về
mặt năng lượng diễn ra ở cả ba dải tần điện não theta, alpha (8-13Hz) và beta (13-
30Hz). Áp dụng trên cơ sở dữ liệu của Physionet có tần số lấy mẫu là Fs=160Hz,
nhận thấy việc sử dụng phân tách 8 mức (j: 1- 8) là phù hợp do các hệ số chi tiết
tương ứng với các băng tần quan tâm trong xử lý. Trong đó, các hệ số chi tiết tương
ứng với các băng tần điện não được mô tả trên Bảng 2.1. Do đó trong thử nghiệm

60
với bộ dữ liệu Physionet các hệ số cD3, cD4, và cD5 sẽ được lựa chọn để xây dựng
vector đặc trưng trong đó cD3 tương ứng với băng tần beta (β), cD4 (5-10Hz) tương
ứng với băng tần alpha (α) và cD5 (2,5-5Hz) tương ứng băng tần theta (θ) của tín
hiệu.

Bảng 2.1. Mô tả các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức
SWT

Wavelet components Physionet (160Hz)

cD1 40-80
cD2 20-40
cD3 10-20
cD4 5-10
cD5 2.5-5
cD6 1.25-2.5
cD7 0.62-1.25
cD8 0.31-0.62
cA8 0.15-0.31
Với kỹ thuật biến đổi wavelet, có thể sử dụng các loại hàm wavelet khác nhau.
Dựa trên đề xuất trong nghiên cứu [89], hàm symlet 2 được tác giả sử dụng để phân
tách các hệ số của biến đổi Wavelet.

Như vậy sẽ có 6 hệ số chi tiết được lựa chọn sử dụng cho quá trình phân tách

đặc trưng (2 kênh C3 và C4 x 3 băng tần): IH M v C

3
, IH M vC
3
, IH M vC
3  , IH M vC 4

, IH M vC 4
, I H M v C  . Ở phần tiếp theo tác giả sẽ mô tả phương pháp trích chọn đặc
4

trưng áp dụng trên các hệ số chi tiết dựa trên các thuật toán mô tả thống kê đề xuất.

2.2 Xây dựng bộ các thuộc tính định lƣợng tín hiệu điều khiển vận động IHMv
Kỹ thuật xây dựng thuộc tính định lượng áp dụng trên hệ số wavelet đã được
đề xuất trong nghiên cứu [23]. Các hệ số chi tiết của biến đổi wavelet nếu được sử
dụng trực tiếp làm các đặc trưng cho hệ thống phân loại sẽ dẫn đến một không gian

61
đặc trưng quá lớn và do đó có thể làm giảm độ chính xác và tốc độ của hệ thống.
Mặt khác, các hệ số chi tiết của biến đổi wavelet mang đầy đủ thông tin của miền
thời gian và tần số nên hoàn toàn có thể áp dụng các kỹ thuật định lượng thống kê
trên miền thời gian lên trực tiếp các hệ số chi tiết hoặc trên các tín hiệu đã được tái
tạo lại [2], [4]. Như đã trình bày ở trên, khi thực hiện tưởng tượng các vận động chi
trên khác nhau, ta có thể quan sát được những biến động năng lượng ở các băng tần
khác nhau và các thời điểm khác nhau trong giai đoạn tưởng tượng. Do đó cần thiết
phải mô tả được tính chất không dừng này của tín hiệu thông qua các bộ đặc tính
mô tả thống kê tín hiệu. Các thuật toán định lượng tín hiệu trên đề xuất trong [23]
bao gồm: RMS hiệu dụng, MMAV, SSI, ZC, SSC, WL được tác giả sử dụng để mô
tả tín hiệu trên các băng tần khác nhau phục vụ xây dựng đặc trưng cho chuyển
động đóng mở của ngón tay. Do tính chất không dừng của tín hiệu thể hiện trên cả
miền thời gian và tần số nên việc chỉ sử dụng một đặc trưng có thể gây khó khăn
cho các giải thuật nhận dạng tín hiệu. Trong đó các đặc trưng tín hiệu (RMS), chiều
dài sóng (WL), Tỷ lệ đổi dấu tín hiệu (SSC), Tỷ lệ cắt không (ZC), Biến đổi giá trị
tuyệt đối trung bình (MMAV), năng lượng tín hiệu (SSI) là các đặc trưng trên miền
thời gian được mô tả dựa trên biên độ của tín hiệu. Các đặc trưng MMAV, SSI,
RMS, WL là các chỉ số mô tả năng lượng của tín hiệu còn các ZC, SSC có chứa
đựng các thông tin về tần số [2]. Có sự khác nhau nhỏ giữa các không gian đặc
trưng này, tuy nhiên nếu kết hợp các đặc trưng này thành một vector đặc trưng thì
cũng có khả năng tăng được độ chính xác của hệ thống phân loại. Theo khảo sát
trên bộ dữ liệu Physionet ở trên, việc chỉ sử dụng một đặc trưng trong nghiên cứu
để mô tả tín hiệu phục vụ phân lớp có độ chính xác không cao do phân bố chồng lấp
của các phân lớp. Do đó, việc kết hợp nhiều các đặc trưng kết hợp với các hệ thống
phân loại sẽ có khả năng tăng được độ chính xác phân loại của hệ thống.

 Biến đổi giá trị tuyệt đối trung bình MMAV

62
 Giá trị tuyệt đối trung bình được xác định là trung bình của giá trị tuyệt đối
của một IHMv nhân với cửa sổ trọng số wn trong đó giá trị w n
được xác định dựa
trên số lượng N mẫu của đoạn tín hiệu.

N
1
M M AV 
N
 w n IH M v i ( n )
1


1, 0 .2 5 N  n  0 .7 5 N
(2.9)

 4n
wn   , 0 .2 5 N  n
 N
 4(n  N )
 , 0 .7 5 N  n
 N

 Chỉ số năng lƣợng tín hiệu SSI

Thuật toán giúp tính toán năng lượng của đoạn tín hiệu IHMv bằng cách tính
tổng bình phương các giá trị mẫu trong đoạn tín hiệu IHMv.

N
2 (2.10)
SSI   IH M vi ( n )
1

 Giá trị hiệu dụng RMS của tín hiệu

Giá trị hiệu dụng RMS của một đoạn IHMv cho phép xác định năng lượng
hoạt động của tín hiệu. Hay nói một cách khác công suất của tín hiệu tỷ lệ với bình
phương giá trị RMS.

1
N (2.11)
RM S  
2
IH M vi ( n )
N 1

 Độ dài tích lũy sóng WL

WL là chiều dài tích lũy của tín hiệu IHMv có liên quan đến biên độ, tần số và
thời gian. IHMvn+1 và IHMvn là hai mẫu liên tiếp trong đoạn tín hiệu liên quan đến
sự kiện.

N 1
(2.12)
WL   IH M v i ( n  1)  IH M v i ( n )
1

 Thuật toán tỷ lệ cắt không ZC

63
 ZC là phương pháp tính số lần tín hiệu thay đổi dấu (hai mẫu liên tiếp của tín
hiệu nằm ở hai phía của trục thời gian t). Trong luận án, tác giả sử dụng một
ngưỡng có giá trị 3 để tránh ảnh hưởng của nhiễu. Thuộc tính này cho phép ước tính
xấp xỉ các đặc trưng trên miền tần số.

N 1
ZC   s g n ( IH M v i ( n )  IH M v i ( n  1) )  IH M v i ( n )  IH M v i ( n  1)  th r e s h o ld (2.13)
1

1, x  th r e s h o ld

sg n ( IH M vi )  
 0 , o th e r w is e

 Thuật toán thay đổi chiều dốc SSC

SSC là một phép đo tần số tương tự như ZC. Kỹ thuật này xác định số lần
chiều dốc thay đổi dựa trên 3 giá trị mẫu liên tiếp IHMvn, IHMvn-1, IHMvn+1. Trong
trường hợp này tác giả cũng khảo sát với mức ngưỡng là 3 để giảm nhiễu.

N 1
SSC   

f [( IH M vi (n )  IH M vi (n  1) )  ( IH M vi (n )  IH M vi (n  1) ) ] 

2

1, x  th r e s h o ld (2.14)

f (x)  
 0 , o th e r w is e

Trong luận án, với mục tiêu xác định các đặc trưng có khả năng phân biệt ba
trạng thái IHMv đồng thời để sử dụng cho quá trình xây dựng vector đặc trưng, tác
giả có khảo sát thêm vào một số thuộc tính có khả năng mô tả thông tin trên miền
thời gian và tần số của tín hiệu. Nhóm thuộc tính bổ sung mới bao gồm WAMP,
LogEn, ShanEn và bộ thông số Hjorths. Tiêu chí lựa chọn đặc trưng đó là khả năng
đặc tả tín hiệu và khả năng phân biệt các trạng thái điều khiển vận động chi trên và
giảm độ phức tạp tính toán.

 Thuật toán WAMP [3]

Xác định số lần giá trị tuyệt đối chênh lệch giữa hai biên độ mẫu tín hiệu liên
tiếp vượt quá một ngưỡng cho trước.

64
 N 1

W A M Pk   f ( IH M v i ( n )  IH M v i ( n  1) ) (2.15)
i 1

 1 x  
f (x)  
0 x  

 Thông số Hjorths

Ba thông số Hjorths có khả năng mô tả tín hiệu tốt trên miền thời gian còn gọi
là đặc trưng mô tả độ dốc chuẩn hóa. Do thông số này tập trung mô tả miền thời
gian nên nó thích hợp với quá trình phân tích của các sự kiện EEG có sự biến đổi về
mặt thời gian. Trong đó thông số thứ nhất Hj_Act mô tả hoạt động của tín hiệu dựa
trên công suất trung bình của tín hiệu, (nó chỉ ra bề mặt của phổ công suất trên miền
tần số). Thông số thứ hai Hj_Mobi được gọi là độ linh động sẽ thực hiện quá trình
ước lượng giá trị tần số trung bình (hay tỷ lệ với độ lệch chuẩn của phổ công suất).
Thông số cuối Hj_Complex cho phép ước lượng dải thông của tín hiệu. Thông số
này so sánh tính tương tự của tín hiệu với sóng sin gốc và nó sẽ hội tụ về 1 nếu tín
hiệu tương tự nhau. Việc tính toán các chỉ số Hjorth là khá thấp so với các phương
pháp khác. Hơn nữa việc định hướng theo thời gian của các chỉ số Hjorth có thể phù
hợp với việc phân tích tín hiệu EEG liên tục.

Việc tính toán các chỉ số Hjorths dựa trên việc tính toán phương sai của đoạn
tín hiệu. Ta có phương pháp tính đặc trưng Hjorths trên đoạn tín hiệu IHMv như
dưới đây
H jA c t ie   2
a
(2.16)

 (2.17)
H jM o b iie  d
 a

 dd (2.18)
( )

H jC o m p le x ie  d
 d
( )
 a

Trong đó 
2
a
là phương sai của đoạn tín hiệu, d là độ lệch chuẩn của đạo hàm

bậc nhất tín hiệu và  dd

là độ lệch chuẩn của đạo hàm bậc hai tín hiệu.

65
  Nhóm đặc trƣng entropy

Độ biến động trên miền phổ của tín hiệu EEG có sự liên quan đến các hoạt
động sinh lý thần kinh. Các phương pháp phân tích thời gian tần số STFT, wavelet
đã cho thấy hình ảnh về sự phân bố năng lượng và mô tả được sự không dừng của
tín hiệu trong các trạng thái tưởng tượng vận động. Shannon Entropy có thể định
lượng được độ bất định của tín hiệu [28].

Shannon Entropy (H) là thông số thống kê của các biến số trong dữ liệu điện
não EEG. Kỹ thuật này cho phép xác định độ trải rộng của dữ liệu điện não theo
công thức:
H    p k lo g p k (2.19)

trong đó pk là xác xuất của dữ liệu

Sự thay đổi của entropy của EEG sẽ là một phép đo gián tiếp thay đổi của
entropy xảy ra trong bản thân não bộ. Theo đó, nếu dữ liệu rộng và phân bố xác
xuất phẳng thì sẽ có entropy cao. Nếu dữ liệu phân bố hẹp, có đỉnh thì sẽ có entropy
thấp. Thông số định lượng Entropy đã được sử dụng trong quá trình xác định trạng
thái hôn mê sâu, động kinh bằng tín hiệu điện não đồ EEG. Kỹ thuật này không đo
dạng của phân bố điện áp và thay vào đó là mô tả làm sao tín hiệu điện não thay đổi
theo thời gian hoặc theo tần số.

Entropy là phép đo độ bất định và nó có khả năng đo mức độ hỗn loạn của hệ
thống. Nó còn là phép đo phi tuyến định lượng độ phức tạp trên một chuỗi thời
gian. Giả sử X là các biến ngẫu nhiên rời rạc X   x1 , x 2 , ....., x m }, x i  thì Shannon
d
R

Entropy, H(X) được định nghĩa như sau

m

H ( X )   c  p ( x i ) ln p ( x i ) (2.20)
i0

66
 Trong đó c là hằng số dương có vai trò như một đơn vị đo và p(xi) là xác xuất
m

của xi  X thỏa mãn  p ( xi )  1

i0

Trong luận án, tác giả sử dụng giải thuật Wavelet Entropy [130] bao gồm:

S h a n _ E n    s i lo g ( s i ) (2.21)
2 2

Log _ En   (2.22)
2
lo g ( s i )
i

Trong đó si là các hệ số chi tiết tương ứng với băng tần điện não được tách ra
từ biến đổi wavelet và được sử dụng làm đầu vào của giải thuật xác định Entropy.
Theo mô hình trích chọn đặc trưng đề cập ở trên, các giải thuật định lượng được lựa
chọn sẽ được áp dụng trên các hệ số chi tiết tương ứng với ba băng tần theta, alpha
và beta của hai kênh C3 và C4. Như vậy số lượng đặc trưng được đề xuất sẽ bao
gồm 12 giải thuật x 3 băng tần x 2 kênh đo. Việc lựa chọn các đặc trưng phục vụ
phân nhóm tín hiệu điện não liên quan đến tưởng tượng vận động sẽ dựa trên quá
trình thử nghiệm và đánh giá khả năng phân biệt của đặc trưng trên bộ dữ liệu mẫu
của Physionet

2.3 Mô tả bộ cơ sở dữ liệu vận động/tƣởng tƣợng vận động Physionet

Để đánh giá khả năng của các đặc trưng trong khả năng phân loại các nhóm
IHMv đồng thời để đánh giá mô hình phân tích và phân loại phân lớp IHMv, trong
luận án tác giả sử dụng bộ cơ sở dữ liệu mẫu của Physionet [111]. Đây là bộ dữ liệu
được cộng đồng các nhà nghiên cứu thực hiện và tuân theo mô hình chuẩn
BCI2000. Đây là bộ dữ liệu phổ biến được các nhà nghiên cứu sử dụng trong các
nghiên cứu về các phương pháp xử lý tín hiệu và các ứng dụng là hệ thống khác
nhau phục vụ nghiên cứu và các ứng dụng lâm sàng. Các bước thiết kế hệ thống, thu
thập dữ liệu, mô hình, giao thức kết nối, định dạng dữ liệu hỗ trợ phân tích offline
được thực hiện theo hướng dẫn của BCI2000 để đảm bảo bộ dữ liệu có độ tin cậy và
có thể so sánh, đánh giá. Một phép đo được chia thành nhiều các sự kiện có xác
định thời điểm và khoảng thời gian diễn ra: Như thời gian nghỉ (màn hình không có

67
hướng dẫn), thời gian có hướng dẫn, thời gian thực hiện vận động. Các sự kiện
được đánh dấu để quá trình phân tích offline có thể theo đúng các diễn biến sự kiện
trong thời gian thực. Trong đó các tín hiệu có liên quan đến sự kiện vận động hay
tưởng tượng vận động sẽ được phân tách đặc trưng và đánh giá. Đây là bộ cơ sở dữ
liệu của các đối tượng đo thực hiện vận động và tưởng tượng vận động các chi.

Đặc điểm của bộ dữ liệu: Các đối tượng được đo bằng hệ thống đo điện não
64 kênh (hình 2.3) theo chuẩn 10/20. Trong số các thí nghiệm của các đối tượng,
trong phạm vi nghiên cứu, luận án chỉ sử dụng các thí nghiệm có liên quan đến
tưởng tượng vận động chi trên. Các dữ liệu được lấy mẫu ở tần số 160Hz. Dữ liệu
được lưu dưới dạng edf kèm nhãn sự kiện phục vụ nghiên cứu và phân tích. Trong
luận án tác giả sử dụng bộ dữ liệu của 20 đối tượng đo đầu tiên trong bộ dữ liệu 109
đối tượng của Physionet.

Thiết kế thí nghiệm: Các đối tượng đo đều tuân theo một quy trình đo chuẩn
như sau:

Mỗi đối tượng sẽ thực hiện 14 thí nghiệm được mô tả chi trên trong [8]. Mỗi
thí nghiệm kéo dài trong khoảng thời gian 2 phút. Trong đó, mỗi đối tượng thực
hiện 3 thí nghiệm chuyển động tưởng tượng chi trên (R04, R08, R12). Trong một
lần thí nghiệm người đo sẽ thực hiện các các sự kiện (E) sau:

E= {T1, T2,T0} trong đó T1 – Tưởng tượng nắm tay trái, T2 – Tưởng tượng nắm tay
phải, T0 – Nghỉ.

Khoảng thời gian của các sự kiện T0, T1, T2 theo thiết kế thí nghiệm của
Physionet là 4.1 giây. Mỗi một đoạn dữ liệu liên quan đến vận động sẽ chứa 64
kênh đo EEG và được xem như một mẫu để phục vụ cho phân tách đặc trưng và
phân loại. Do mục đích của nghiên cứu tập trung vào mô hình phân loại các trạng
thái điều khiển vận động của chi trên nên các yếu tố như tuổi tác, giới tính, trạng

68
thái của đối tượng không được xét đến trong phạm vi nghiên cứu. Dữ liệu phân tích
được thực hiện offline và bằng các hàm công cụ trong phần mềm Matlab.

Chuẩn hóa dữ liệu

Các giá trị đo của các đối tượng được chuẩn hóa để đưa tất cả các phép đo các
thí nghiệm khác nhau về cùng một thang đo. Trong đó công thức chuẩn hóa:

fe a  fe a m in (2.23)
fe a n o r m 
f e a m a x - f e a m in

Trong đó fea là giá trị thuộc tính của tín hiệu IHMv, fe a m in là giá trị nhỏ nhất
của thuộc tính thu được trong toàn bộ các đoạn IHMv tương ứng của đối tượng đo.
fe a m a x là giá trị lớn nhất của thuộc tính thu được trong toàn bộ các đoạn IHMv tương
ứng của đối tượng đo. Với cách tính như trên, các dữ liệu sẽ được đưa về các giá trị
trong khoảng [-1, +1].

69
 Hình 2.3. Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực tuân theo
chuẩn 10/20

Tính toán giá trị các thuộc tính trên bộ dữ liệu mẫu của Physionet

Bảng 2.2 thể hiện ngắn gọn kết quả giá trị trung bình và phương sai của của
các chỉ số định lượng tương ứng với từng phân lớp trạng thái trên toàn bộ mẫu. Giá
trị của toàn bộ 72 đặc trưng sẽ được mô tả đầy đủ ở trong Phụ lục 1 của luận án.

Bảng 2.2. Tóm tắt giá trị trung bình (µ) và phương sai (ϭ) của các thuộc tính
theo các phân lớp IHMv khác nhau.

C3 C4
Lf_IHMv Ri_IHMv Re_IHMv Lf_IHMv Ri_IHMv Re_IHMv
RMS_Theta 0.347 (µ) 0.341 0.487 0.335 0.348 0.484
0.054 (ϭ) 0.058 0.065 0.065 0.061 0.069
RMS_Alpha 0.355 0.322 0.483 0.334 0.379 0.472
0.049 0.050 0.067 0.058 0.063 0.071
RMS_Beta 0.352 0.298 0.485 0.293 0.356 0.452
0.053 0.043 0.068 0.049 0.056 0.069
WL_Theta 0.350 0.331 0.475 0.347 0.376 0.489
0.054 0.055 0.067 0.060 0.060 0.069
WL_Alpha 0.365 0.319 0.479 0.322 0.386 0.464
0.054 0.049 0.072 0.052 0.062 0.069
WL_Beta 0.372 0.320 0.509 0.309 0.387 0.484
0.049 0.046 0.064 0.047 0.056 0.068

Phân bố của dữ liệu và so sánh giữa các trạng thái IHMv trên toàn bộ quần thể
mẫu được thể hiện trên đồ thị hộp (hình 2.4). Trên hình 2.4 là đồ thị hộp mô tả 6
thuộc tính (2 kênh x 3 băng tần) thu được dựa trên việc áp dụng giải thuật tính giá

70
trị RMS trên hai kênh C3, C4 trên ba băng tần theta, alpha và beta. (Đồ thị boxplot
đầy đủ các đặc trưng được thể hiện ở trong Phụ lục 1 của luận án)

Hình 2.4. Đồ thị Boxplot mô tả phân bố dữ liệu các phân lớp theo từng đặc trưng

Từ kết quả thực nghiệm trên, ta có thể nhận xét về các nhóm thuộc tính mô tả
các phân nhóm IHMv thu được như sau:

71
 - Có sự khác biệt giữa giá trị trung vị của các phân nhóm IHMv, trong đó các
giá trị của phân nhóm Re_IHMv thường có giá trị trung bình khác biệt so với
nhóm còn lại. Giữa nhóm Lf_IHMv và nhóm Ri_IHMv sự khác biệt nhỏ hơn
so với sự khác biệt của nhóm vận động với nhóm nghỉ.
- Biến số của từng nhóm IHMv có phân bố rộng trong khoảng giữa bách phân
vị 25% và 75%
- Dựa vào phân bố của biến ta cũng có thể nhận thấy giữa các phân nhóm vẫn
có nhiều giá trị thuộc phân nhóm này nằm trong vùng giá trị của phân nhóm
kia.

Như vậy có thể thấy việc sử dụng một thuộc tính định lượng sẽ khó đảm bảo
độ chính xác phân loại ba trạng thái tốt. Do đó quá trình xây dựng vector đặc trưng
cần sử dụng tổ hợp của nhiều nhóm thuộc tính có chất lượng để tăng khả năng chính
xác phân loại của hệ thống.

2.4. Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phƣơng pháp
phân tích phƣơng sai một chiều ANOVA theo chỉ số F và p

Đồ thị boxplot trên hình 2.4 đã cho thấy phân bố giá trị của các đặc trưng của
từng trạng thái. Có thể nhận thấy các đặc trưng chưa thể hiện sự khác biệt lớn giữa
các nhóm tín hiệu IHMv và có sự chồng lấn về giá trị các thuộc tính của ba phân
lớp. Do đó việc chỉ sử dụng một đặc trưng cho quá trình phân loại khó có khả năng
cho độ chính xác phân loại cao. Việc sử dụng kết hợp nhiều đặc trưng sẽ có thể
nâng cao độ chính xác của quá trình phân loại. Tuy nhiên, việc có nhiều các đặc
trưng có thể là quá dư thừa hoặc không liên quan đến nhiệm vụ phân loại [72]. Do
đó, quá trình lựa chọn bộ đặc trưng có ý nghĩa làm giảm bớt các thuộc tính ít có ý
nghĩa trong bài toán phân loại. Một thuộc tính có ý nghĩa nếu nó thể hiện được khả
năng phân biệt giữa các nhóm tín hiệu IHMv trên một tập dữ liệu lớn qua đó nâng
cao độ tin cậy của đặc trưng sử dụng. Có nhiều phương pháp để lựa chọn đặc trưng
sử dụng các tiêu chí khác nhau trong đó phương pháp lọc là lựa chọn ra một bộ nhỏ
trong các đặc trưng được biết trước đó để phục vụ cho quá trình phân loại. Và việc

72
lựa chọn này là hoàn toàn độc lập với thiết kế bộ phân loại. Phương pháp wrapper
[81] được sử dụng để thiết kế cho bộ phân loại chuyên biệt nhưng chúng rất chậm
do bộ phân loại cần phải được thiết kế trước và được đánh giá sử dụng kỹ thuật
kiểm tra chéo (cross-validate) cho mỗi bộ nhỏ trong toàn thể đặc trưng. Một kỹ
thuật khác được áp dụng để lựa chọn bộ đặc trưng đó là kỹ thuật MI (xác định thông
tin chung) trong đó sẽ mô tả mức độ thông tin chung giữa hai đặc trưng khi mô tả
tín hiệu. Kỹ thuật MI cho phép xếp hạng được các đặc trưng theo mức độ chứa
thông tin liên quan đến các phân lớp tuy nhiên việc lựa chọn bao nhiêu đặc trưng
trên bảng xếp hạng cần phải được khảo sát kỹ. Tuy nhiên, các thuộc tính được lựa
chọn cần phải thể hiện sự phân biệt tối đa giữa các trạng thái để có thể nâng cao độ
chính xác phân loại của hệ thống. Các phương pháp lựa chọn đề cập ở trên vẫn còn
nhược điểm đó là chưa chứng minh được khả năng phân biệt trạng thái của các
thuộc tính trên toàn bộ bộ dữ liệu.

Do sự phân bố rộng và hỗn loạn của các đặc trưng nên khó có thể phát hiện
bởi các quan sát trực tiếp. Việc đưa ra một cơ sở để giúp lựa chọn các thuộc tính có
khả năng phân biệt sẽ giúp tăng được độ chính xác và tin cậy của hệ thống phân
loại. Mặt khác, dữ liệu sinh học khác nhiều so với các dữ liệu vật lý kinh điển được
coi tuyệt đối là ổn định. Dữ liệu sinh học có phân bố phức tạp hơn do sự ảnh hưởng
của nhiều trạng thái, môi trường trong quá trình thu thập tín hiệu. Trạng thái gần ổn
định yêu cầu người nghiên cứu muốn xác định một đầu ra cụ thể sẽ được lấy ra từ
một phân bố xung quanh một trung bình cụ thể của trạng thái đó. Do đó bất kỳ sự
can thiệp nào vào kết quả đầu ra đều phải dựa trên thống kê liên quan đến ảnh
hưởng của yếu tố quan tâm tới biến đổi hỗn loạn tương ứng. Phân tích phương sai
ANOVA có thể sử dụng để giải quyết vấn đề này. Bằng cách áp dụng phương pháp
này, ta có thể chỉ ra được một số các thuộc tính cho thấy sự khác biệt giữa các trạng
thái IHMv trên bộ cơ sở dữ liệu. ANOVA là một phép kiểm định thống kê cho phép
kiểm định liệu có hay không trung bình của nhiều nhóm là bằng nhau và do đó khái
quát hóa kiểm định t cho nhiều hơn hai nhóm. Việc tiến hành nhiều kiểm định t cho
hai nhóm có thể tăng khả năng mắc sai số loại 1 [45]. Do đó ANOVA rất hữu ích

73
khi so sánh 2, 3 hoặc nhiều nhóm [77]. Bằng cách áp dụng kiểm định ANOVA trên
các đặc trưng, ta có thể đánh giá được các đặc trưng có khả năng phân biệt 3 trạng
thái IHMv. Bên cạnh đó, do tín hiệu EEG có tính thống kê nên đối với một đặc
trưng thì ngoài việc đánh giá khả năng phân biệt các trạng thái thì cần thiết phải
quan tâm đến độ tin cậy của đặc trưng khi thực hiện trên bộ cơ sở dữ liệu. Trong kỹ
thuật ANOVA kết luận sự khác biệt giữa các nhóm theo các thuộc tính có thể đạt
được với độ tin cậy 95%. Trong luận án, tác giả đề xuất sử dụng kỹ thuật phân tích
phương sai một chiều ANOVA để lựa chọn các đặc trưng có khả năng phân biệt các
phân lớp của các thuộc tính riêng.

2.4.1 Phƣơng pháp phân tích phƣơng sai một chiều ANOVA

Các phân lớp IHMv được luận án đề cập bao gồm: phân lớp tưởng tượng vận
động tay trái (Lf_IHMv), tưởng tượng vận động tay phải (Ri_IHMv) và trạng thái
nghỉ (Re_IHMv). Trong trường hợp này ta có 3 phân lớp trạng thái J = {Lf_IHMv,
Ri_IHMv, Re_IHMv}. Gọi µj là giá trị trung bình của phân lớp. Kỹ thuật ANOVA
là kỹ thuật phân tích cho phép kiểm chứng và đánh giá độ khác nhau các đặc trưng
giữa 3 nhóm. Việc mô tả sự khác nhau giữa các phân lớp phụ thuộc vào việc kiểm
định giả thuyết đảo H0 là trung bình của 3 phân lớp là bằng nhau.

H0 :  Lf _ IH M v
  R i _ IH M v   R e _ IH M v (2.24)

Đặc trưng nào theo phương pháp kiểm định trên có thể phủ định giả thuyết H0
nghĩa là có tồn tại sự khác nhau mang tính thống kê thì đặc trưng đó sẽ được sử
dụng trong quá trình phân loại các trạng thái.

Ta ký hiệu đặc trưng Featureij là đặc trưng của đoạn tín hiệu IHMv thứ i và
thuộc nhóm trạng thái j

Ta có thể xác định được trung bình bình phương cho từng nhóm là:

74
  ( n j  1) s j
2
(2.25)
j
M SW 
(N  k)

Và trung bình bình phương giữa các nhóm được tính như sau:

 n j (x j  x) (2.26)
2

j
M SB 
k 1

Trong đó xj là giá trị trung bình của phân lớp j còn x là giá trị trung bình của

toàn bộ mẫu. n j
và sj lần lượt là số đoạn tín hiệu và phương sai trong nhóm j,

N  n Lf _ IH M v
 n R i _ IH M v  n R e _ IH M v , k là số nhóm (k = 3)

Fđặc trưng được xác định theo biểu thức:

(2.27)

Nếu chỉ số Fđặc trưng xác định được lớn hơn Fngưỡng thì đặc trưng đó sẽ có khả
năng phân biệt giữa nhóm IHMv hay chúng ta có thể loại bỏ giả thuyết không là
không thể phân biệt các trạng thái với đặc trưng. Điều này có nghĩa là một phân lớp
IHMv có sự khác biệt với ít nhất 1 phân lớp còn lại. Các kết quả tiếp tục được kiểm
tra độ tin cậy mang tính chất thống kê thông qua giá trị p. Tùy theo việc lựa chọn độ
tin cậy theo p thì ta sẽ thiết lập được một giá trị Fngưỡng. Giá trị Fngưỡng sẽ được tra
bảng dựa trên giá trị bậc tự do giữa các nhóm và bậc tự do trong nhóm. Nếu F mà
lớn hơn giá trị ngưỡng thì ta có thể phủ định giả thuyết không. Và sẽ tiếp tục gợi ý
cho việc khảo sát kỹ hơn các thuộc tính về sự khác biệt giữa các nhóm. Kết quả có
độ tin cậy 95% nếu đạt p < 0.05.

2.4.2. Đề xuất xây dựng bộ đặc trƣng lựa chọn bằng phƣơng pháp kiểm định
ANOVA theo chỉ số F và p

Trong phương pháp này, các thuộc tính mô tả tín hiệu IHMv sẽ được lựa chọn
dựa trên chỉ số F của phân tích phương sai. Các đặc trưng sau khi được tính toán
trên bộ dữ liệu sẽ được đánh giá khả năng phân biệt theo trị số F. Đồng thời, việc
quyết định lựa chọn đặc trưng sử dụng để xây dựng vector đặc trưng sẽ được kết

75
hợp với độ tin cậy của đặc trưng trên tập dữ liệu thông qua chỉ số p. Với cơ chế lựa
chọn đặc trưng này, ta có thể loại bỏ được các đặc trưng không cho sự phân biệt
giữa các phân lớp giúp giảm sai số cho các hệ thống học máy và làm tăng độ chính
xác phân loại của hệ thống.

Chi tiết kỹ thuật lựa chọn đặc trưng theo chỉ số F và p dựa trên phân tích
phương sai ANOVA được mô tả như hình 2.5:

Bƣớc 1: Áp dụng phân tích phương sai ANOVA cho từng thuộc tính để kiểm
tra khả năng phân biệt các nhóm trạng thái.

Bƣớc 2: So sánh chỉ số F của đặc trưng với Fngưỡng. Nếu đặc trưng nào cho chỉ
số F > Fngưỡng thì sẽ được lựa chọn.

Bƣớc 3: Chỉ số p<0.05 cho phép khẳng định thuộc tính đó có khả năng phân
biệt với độ tin cậy 95%

Dữ liệu đầu vào

(tất cả các đặc trưng)

RMS
WL

ShanEn
Theta LogEn
Đánh giá khả năng
RMS
C3
C4
Alpha WL phân biệt của các Lựa chọn đặc trưng
Kênh Beta
ShanEn
LogEn
đặc trưng theo kiểm theo chỉ số F và p
RMS
định ANOVA
Băng tần WL

ShanEn
LogEn

Hình 2.5. Các bước lựa chọn đặc trưng theo phân tích phương sai ANOVA.

Áp dụng phƣơng pháp trên bộ dữ liệu và lựa chọn bộ đặc trƣng đề xuất

Dựa trên nghiên cứu về phương pháp lựa chọn bộ đặc trưng đề xuất, ta thử
nghiệm tính toán các đặc trưng của IHMv trên tập dữ liệu mẫu và thực hiện tính
toán chỉ số F và p của từng đặc trưng theo kỹ thuật ANOVA. Với bộ dữ liệu thử
nghiệm có bậc tự do 1559 ta xác định được giá trị Fngưỡng = 3.0014. Kiểm định trên
từng đặc trưng ta thu được chỉ F và p được mô tả trên Bảng 2.3.

76
 Bảng 2.3. Bảng giá trị ANOVA F và p với các đặc trưng trong dải α và β của kênh C3
và C4

C3 RMS C3_θ RMS C3_α RMS C3_β WL C3_θ WL C3_α

F 66.43 71.58 91.15 59.13 62.55
P 0 0 0 0 0
SSI C3_θ SSI C3_α SSI C3_β ZC C3_θ ZC C3_α
F 59.96 67.97 88.18 0.93 11.08
P 0 0 0 0.39 0
ShanEn C3_θ ShanEn C3_ α ShanEn C3_β LogEn C3_θ LogEn C3_α
F 58.50 66.23 85.18 38.67 51.34
P 0 0 0 0 0
HjAct_ θ HjAct C3_ α HjAct C3_ β HjMobi C3_ θ HjMobi C3_ α
F 59.96 67.97 88.18 19.85 3.60
P 0 0 0 0 0.0273

C3 WL C3_β MMAV C3_θ MMAV C3_α MMAV C3_β

F 97.87 59.76 81.46 114.98
P 0 0 0 2.43E-47
ZC C3_β SSC C3_θ SSC C3_α SSC C3_β
F 9.22 15.61 16.17 26.86
P 0.0001 0 0 0
LogEn C3_β WAMP C3_ θ WAMP C3_ α WAMP C3_β
F 80.34 38.00 38.22 60.01
P 0 0 0 0
HjMobi C3_ β HjComplex C3_ θ HjComplex C3_ α HjComplex C3_ β
F 0.322 0.43 1.43 1.01
P 0.724 0.65 0.23 0.36

77
 C4 RMS C4_θ RMS C4_α RMS C4_β WL C4_θ WL C4_α
F 61.14 43.00 58.87 50.79 43.81
P 0 0 0 0 0
SSI C4_θ SSI C4_α SSI C4_β ZC C4_θ ZC C4_α
F 53.96 39.37 54.65 3.716 3.241
P 0 0 0 0.024 0.039
ShanEn C4_θ ShanEn C4_ α ShanEn C4_β LogEn C4_θ LogEn C4_α
F 53.20 37.98 51.34 39.44 39.03
P 0 1.11E-16 0 0 0
HjAct C4_ θ HjAct C4_ α HjAct C4_ β HjMobi C4_ θ HjMobi C4_ α
F 53.96 39.37 54.65 16.78 3.895
P 0 0 0 6.12E-08 0.02

C4 WL C4_β MMAV C4_θ MMAV C4_α MMAV C4_β

F 70.113 61.04 54.27 80.83
P 0 0 0 0
ZC C4_β SSC C4_θ SSC C4_α SSC C4_β
F 2.453 10.19 17.70 16.07
P 0.086 3.99E-05 2.49E-08 1.22E-07
LogEn C4_β WAMP C4_ θ WAMP C4_ α WAMP C4_β
F 68.36 36.70 37.28 48.15
P 0 2.22E-16 1.11E-16 0
HjMobi C4_ β HjComplex C4_ θ HjComplex C4_ α HjComplex C4_ β
F 0.656 0.629 1.562 0.558
P 0.518 0.533 0.209 0.571

Bảng 2.3 mô tả kiểm định ANOVA với từng đặc trưng trên bộ dữ liệu mẫu. Ta
thấy hầu hết các đặc trưng đề xuất đã cho thấy chỉ số Fđặc trưng lớn hơn giá trị Fngưỡng
(Ftrung bình đạt = 49.33) trong đó Fmax = 114.98 với đặc trưng MMAVC3_β và Fmin =
3.06 với đặc trưng HjMobiC3_ α. Độ lớn của Fđặc trưng càng cao thì khả năng phân biệt

78
giữa các nhóm IHMv càng cao và đặc trưng đó sẽ có được mức độ ưu tiên cao hơn
khi lựa chọn vào bộ đặc tính định lượng cho đoạn IHMv. Bảng 2.3 cũng cho thấy
khả năng phân biệt các trạng thái của các đặc trưng trên các băng tần alpha và beta
có hệ số F cao hơn điều này có thể lý giải do sự tham gia nhiều của hai băng tần này
vào quá trình điều khiển tưởng tượng vận động tay. Các đặc trưng thể hiện năng
lượng tín hiệu cũng cho chỉ số F cao trong khi đặc trưng liên quan đến ZC hay SSC
thì có chỉ số F xấp xỉ Fngưỡng. Nó cũng cho thấy các đặc trưng phổ, năng lượng cho
chỉ số phân biệt F cao trong bộ dữ liệu điện não Physionet liên quan đến vận động
chi trên và đã được nghiên cứu và sử dụng nhiều trong các hệ thống BCI [52], [90].
Chỉ số Entropy giữa các trạng thái IHMv cũng cho thấy sự khác biệt. Do đó nó cũng
có thể bổ sung thông tin hỗ trợ quá trình phân nhóm các IHMv. Đặc trưng
Hj_Complex trên cả 3 băng tần x 2 kênh có trị số F < Fngưỡng chưa đủ để phủ định
giả thuyết đảo H0 về có sự khác biệt giữa các phân nhóm.

Áp dụng quy tắc lựa chọn đặc trưng đề xuất trên bộ dữ liệu mẫu, ta lựa chọn ra
được nhóm 62 thuộc tính thỏa mãn điều kiện F> Fngưỡng và p<.005%. Đây là những
đặc trưng đã thể hiện được khả năng phân biệt các trạng thái trên bộ dữ liệu mẫu và
có độ tin cậy đạt 95%. Như vậy từ bộ đặc trưng 72 thuộc tính (12 phép toán định
lượng tín hiệu trên 6 hệ số chi tiết) ta có thể lựa chọn ra 62 thuộc tính thỏa mãn điều
kiện. Độ tin cậy của bộ 62 thuộc tính đạt 95% (p< 0.05). Như vậy, dựa trên việc áp
dụng kỹ thuật kiểm định ANOVA, với số lượng các thuộc tính được lựa chọn để
xây dựng bộ đặc trưng định lượng tín hiệu IHMv đã giảm 14% so với số lượng các
thuộc tính tính toán.

Để so sánh bộ đặc trưng được lựa chọn bởi hai phương pháp MI và phương
pháp lựa chọn đặc trưng theo chỉ số F và p của kiểm định thống kê ANOVA, tác giả
đã bổ sung thêm các đặc trưng cơ bản mô tả tín hiệu như Kurtosis, Skewness, số
lượng cực trị tín hiệu để nâng số đặc trưng lên 90 (2 kênh x 3 băng tần x 15 đặc
trưng) và xếp hạng theo hai phương pháp. Kết quả 62 đặc trưng được lựa chọn bằng

79
phương pháp ANOVA chỉ có sự sai khác 4 đặc trưng so với 62 đặc trưng được xếp
đầu của kỹ thuật xếp hạng MI.

So với kỹ thuật MI, kỹ thuật lựa chọn đặc trưng bằng kiểm định phương sai
ANOVA được thực hiện đơn giản hơn đồng thời có thể đánh giá được độ tin cậy và
khả năng phân biệt trạng thái của đặc trưng. Điều này cho thấy hiệu quả của phương
pháp lựa chọn đề xuất so với kỹ thuật MI.

2.5. Kết luận chƣơng

Chương 2 đã phân tích và trình bày phương pháp xây dựng bộ đặc trưng dựa
trên phương pháp phân tích trên miền thời gian – tần số dựa trên wavelet. Để nâng
cao độ chính xác phân loại các phân nhóm IHMv, các thuộc tính được đánh giá khả
năng phân biệt các phân lớp. Từ đó, luận án sử dụng phương pháp lựa chọn đặc
trưng dựa trên kiểm định phương sai ANOVA theo chỉ số F và p.

Luận án đã đề xuất được bộ đặc trưng mới sử dụng cho quá trình phân loại tín
hiệu IHMv với số lượng là 62 thuộc tính. Trong đó, 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 bao gồm: 2 kênh đo C3 và C4 trên khu
vực vỏ não vận động. Bộ đặc trưng mới bao gồm 62 thông số Feaij được mô tả chi
tiết trên bảng 2.4. Trong đó Ci
j
thể hiện đặc trưng được xác định trên kênh đo i = {3,
4} và hệ số chi tiết j trên hệ số chi tiết của biến đổi wavelet với j = {cD3, cD4,
cD5}. Các hệ số chi tiết tương ứng với các băng tần beta, alpha và theta của tín hiệu
điện não. Các thuộc tính được lựa chọn bao gồm: RMS, WL, MMAV, SSI, ZC,
SSC, ShanEn, LogEn, WAMP, HjAct, HjMobi. Bộ thuộc tính được đề xuất để xây
dựng véc tơ đặc trưng IHMv đã cho thấy khả năng phân biệt các phân lớp IHMv với
độ tin cậy 95% dựa trên phương pháp kiểm định phương sai ANOVA.

80
 Kết quả nghiên cứu đề cập trong chương 2 được công bố trên bài báo:

[4]. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Văn Bình, Nguyễn Duy Tùng, Vũ
Thị Hạnh, Nguyễn Đức Thuận (2015). ―Developement of features set for
classification of imagery hand movement - related EEG signals‖. ISSN
2354-1083. 109. pp43-48.

Bảng 2.4. 62 các thuộc tính đề xuất lựa chọn theo phương pháp lựa chọn đặc trưng
dựa trên ANOVA sử dụng cho xây dựng vector đặc trưng phân lớp IHMv

     
C3 C3 C3 C 4
C 4
C4

RMS f1 f2 f3 f4 f5 f6

WL f7 f8 f9 f10 f11 f12

MMAV f13 f14 f15 f16 f17 f18

SSI f19 f20 f21 f22 f23 f24

ZC f25 f26 f27 f28

SSC f29 f30 f31 f32 f33 f34

ShanEn f35 f36 f37 f38 f39 f40

LogEn f41 f42 f43 f44 f45 f46

WAMP F47 F48 F49 f50 f51 f52

HjAct f53 f54 f55 f56 f57 f58

HjMobi f59 f60 f61 f62

81
 CHƢƠNG 3. PHƢƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP
IHMv
Chương 3 đề xuất phương pháp sử dụng bộ đặc trưng 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 phương
pháp phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ
đặc trưng đề xuất. Phần cuối chương mô tả khả năng thực hiện của hệ thống trên
bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình.

Các thiết bị ngoại vi hỗ trợ vận động (hệ thống robot, ứng dụng máy tính) sẽ
hoạt động thông qua hệ thống phân loại quyết định trạng thái cần điều khiển dựa
trên sóng não. Phân loại tự động được các trạng thái IHMv sẽ cung cấp một công cụ
để hỗ trợ các nhà nghiên cứu chức năng vận động và có thể sử dụng được các thông
tin phục vụ điều khiển các thiết bị ngoại vi một cách hiệu quả. Hệ thống phân loại
được xây dựng bao gồm các giải thuật với mục đích biến đổi bộ đặc trưng đầu vào
tách ra từ quá trình phân tách đặc trưng để thành các quyết định ở đầu ra được sử
dụng trong nhiều lĩnh vực của xử lý tín hiệu và đóng vai trò cầu nối giữa dữ liệu thu
nhận và các hệ thống đánh giá hoặc các thiết bị ngoại vi cần điều khiển ứng dụng
trong BCI. Kỹ thuật phân loại tín hiệu có hai đặc điểm quan trọng. Thứ nhất là nó
có khả năng thích ứng với sự khác nhau về các đặc trưng tín hiệu của những người
khác nhau. Thứ hai là kỹ thuật này phải giảm được hiệu ứng thay đổi mang tính
thống kê có thể xảy ra trên chuỗi dữ liệu đặc trưng để có thể có được hiệu quả phân
loại tốt [124]. Đối với bài toán phân lớp tín hiệu IHMv, hai vấn đề sau cần phải
được quan tâm:

- Lựa chọn các thuộc tính hoặc nhóm thuộc tính đầu vào
- Thiết lập mô hình thuật toán và xây dựng bộ phân loại dựa trên việc huấn
luyện mạng để có được bộ ma trận trọng số phục vụ bài toán phân loại.

Dựa trên bộ thuộc tính mô tả phía trên, ta đã có thể thấy được khả năng phân
biệt được các phân lớp IHMv của từng thuộc tính trong bộ đặc trưng đề xuất. Tuy

82
nhiên, phân bố dữ liệu của các thuộc tính đề xuất vẫn cho thấy các thuộc tính vẫn
chưa hoàn toàn tách biệt được giữa các nhóm phân lớp IHMv. Do đó, việc sử dụng
1 đặc trưng để phân biệt nhiều trạng thái sẽ khó có thể đạt được độ chính xác phân
loại cao. Trong mô hình phân loại các phân lớp IHMv trên hình 3.1 ta thấy để đạt
được độ chính xác cao sẽ phụ thuộc vào hai yếu tố đó là vector đặc trưng của tín
hiệu và mô hình học máy sử dụng trong quá trình phân loại.

Chuyển động tay trái

Vector đặc trưng Bộ phân loại Chuyển động tay phải

Nghỉ
C3 C4

Hình 3.1. Mô hình phân loại ba phân lớp IHMv.

Trên thế giới đã có nhiều phương pháp phân loại dữ liệu tưởng tượng vận
động chi người của não bộ được đề cập:

+ Tác giả Alomari [89] xây dựng bộ phân loại sử dụng NN với vector đặc
trưng được cấu tạo bởi 9 thuộc tính đầu vào (3 kênh C3, C4, CZ x 3 băng tần). Các
thuộc tính được tính toán theo phương pháp [89] bao gồm: Giá trị hiệu dụng, MAV,
IEEG, SSI, phương sai, AAC được tính toán trên các hệ số chi tiết wavelet. Bộ phân
loại do Alomari đề xuất thực hiện mô hình phân loại 2 lớp đầu ra bao gồm hai trạng
thái tƣởng tƣợng nắm cả hai tay và nắm hai chân. Trong nghiên cứu, tác giả đã thử
nghiệm với các hàm wavelet và số lượng các lớp ẩn khác nhau trên bộ dữ liệu của
Physionet. Kết quả phân loại cao trong khoảng 66% - 89.11%.

83
 + Tác giả Alomari [88] trong nghiên cứu năm 2013 xây dựng mô hình NN và
SVM để phân loại vận động thật của tay trái và tay phải và cho kết quả phân loại
tốt nhất là 89,8 và 97,1 tương ứng. Trong đề xuất, tác giả sử dụng bộ 8 kênh (FC3,
FCz, FC4, C3, C1, C2, Cz, C4) và sử dụng ICA để tách thành 8 ICs phục vụ tính
đặc trưng. Các thành phần độc lập được đại diện bởi 3 thuộc tính: Giá trị trung bình
(M), công suất (P) và năng lượng (E). Vector đặc trưng có kích thước 24 (8ICs x 1
thuộc tính x 3 đoạn chứa ERD, ERS, MRCP) hoặc 48 (8ICs x 2 thuộc tính x 3 đoạn
chứa ERD, ERS, MRCP). Bộ dữ liệu sử dụng S001 – S006 của Physionet

+ Wang and He [121] đề xuất phân loại tƣởng tƣợng tay trái và tay phải dựa
trên việc sử dụng nhiều bộ lọc Butterworth tách tín hiệu cần phân loại thành nhiều
thành phần tín hiệu có dải tần hẹp. Các dải thông có một phần trùng nhau. Toàn bộ
dải thông từ 6-30Hz được phân nhỏ thành nhiều băng thông hẹp hơn trong đó có
chứa cả mu và beta band. Sau đó tác giả sử dụng biến đổi Hilbert để tách đường bao
của tín hiệu làm đặc trưng (đặc trưng này được tác giả cho là sẽ thể hiện quá trình
ERD/ERS xảy ra trong khi điều khiển tưởng tượng vận động của tín hiệu trong từng
băng thông). Cửa sổ đoạn tín hiệu MI được tác giả lựa chọn có chiều dài 2250ms
tính từ thời điểm bắt đầu hình hướng dẫn chuẩn bị cho tới khi kết thúc tưởng tượng.
Để thực hiện phân giải hai phân lớp tưởng tượng vận động trên, tác giả cũng sử
dụng mô hình lọc CSP sử dụng nhóm 15 đến 20 điện cực. Kết quả phân loại thử
nghiệm trên 9 đối tượng đạt xấp xỉ 80%.

+ Tác giả Goeorge Townsend [42] cũng đề xuất sử dụng CSP cho quá trình
phân loại 2 lớp chuyển động tƣởng tƣợng tay trái và tay phải. Đây là phương pháp
sử dụng hiệp biến giữa các kênh để thiết kế các thành phần không gian chung CSP.
Quá trình này biến đổi EEG thành chuỗi tín hiệu thời gian mới mà đã được tối ưu
cho việc phân loại hai lớp đối tượng. Những đặc trưng (patterns) được thiết kế để
tín hiệu EEG đã được lọc có phương sai lớn nhất cho các thí nghiệm chuyển động
tay trái và phương sai nhỏ nhất cho các thí nghiệm chuyển động tay phải. Như vậy
thì sự khác nhau giữa hai phân lớp chuyển động tay trái và tay phải được tối đa và

84
như vậy chỉ những thông tin chứa trong những đặc trưng này là có phương sai của
EEG biến đổi nhiều nhất khi so sánh hai quần thể. Trong nghiên cứu này tác giả chỉ
sử dụng 3 sinh viên nam đã từng làm quen với hệ thống BCI để tham gia thí
nghiệm. Dữ liệu của mỗi người trong hai phiên đầu được sử dụng để xây dựng bộ
lọc CSP và các vector trọng số của nó. Tiền xử lý bằng bộ lọc FIR để lấy băng tần 8
– 30Hz có chứa mu và beta band. Sử dụng cửa sổ tín hiệu 4s (giây thứ 4 – giây thứ
8 ngay sau khi kết thúc hướng dẫn trên máy tính). Các bước như sau: Sử dụng cả 27
kênh để lọc FIR. Sau đó qua bộ lọc CSP để lấy được 4 chuỗi giá trị (2 hàng đầu và 2
hàng cuối của ma trận sau CSP). Sau đó tính phương sai 4 chuỗi giá trị được 4 giá
trị (VARp). Sau đó chuẩn hóa các giá trị này theo công thức:
lo g n (V A R p / s u m (V A R p ) với p =1,…,4. Như vậy tác giả đã tạo ra vector đặc trưng
gồm 4 giá trị và sử dụng LDA để phân loại. Trong đó 1 đối tượng đạt TPR: 84%,
FPR 17%, AUC: 0.92 (Tưởng tượng vận động tay phải) và TPR:86%,FPR:16%
AUC: 0.93 (Tưởng tượng vận động tay trái). Đối tượng thứ hai có TPR: 72%,
FPR:29%, AUC: 0.78 (Tưởng tượng vận động tay phải) và TPR:66%,FPR:35%
AUC: 0.72 (Tưởng tượng vận động tay trái). Đối tượng thứ ba: TPR: 69%, FPR:
34%, AUC: 0.73 (Tưởng tượng vận động tay phải) và TPR:67%,FPR:34% AUC:
0.72 (Tưởng tượng vận động tay trái). Như vậy chỉ có đối tượng đầu tiên cho kết
quả tốt nhất còn hai đối tượng còn lại cho kết quả tương đương

+ Tác giả Cheolsoo Park [29] đề xuất phân loại các vận động tƣởng tƣợng tay trái
và tay phải sử dụng bộ đặc trưng theo phương pháp MEMD (Multivariate Empirical
Mode Decomposion). Tác giả đề xuất sử dụng 11 kênh bao gồm FC3, FC4, CZ, C3,
C4, C5, C6, T7, T8, CCP3, CCP4 (bộ dữ liệu BCI Competition IV dataset 1) và FC3,
FC4, CZ, C3, C4, C5, C6, T7, T8, CP3, CP4 (Physiobank Motor/Imagery database). Để
thực hiện phân loại vận động tưởng tượng, tác giả xây dựng 2 bộ lọc f=[f1,f11] và f =
[f1,f2,f10,f11] dựa trên mô hình CSP và phân loại theo mô hình SVM. Độ phân loại
cao nhất tác giả đạt được với 1 đối tượng thực hiện tưởng tượng chuyển động tay
trái và tay phải là 75.6±5.2 trong trường hợp sử dụng 1 filter f1 và f11 và 73.9±5.8
trường hợp sử dụng 2 filter f1,f2,f10,f11.

85
 + Một cách tiếp cận đó là mô hình tự động hồi quy (AR) hoặc tự động hồi quy
trung bình dịch (ARMA) áp dụng trên các đoạn EEG chồng lấp nhau [25]. Tác giả
Bao-Guo Xu (Bao-Gou Xu, 2008) sử dụng bộ đặc trưng bao gồm 12 hệ số AR trên
hai kênh C3 và C4 kết hợp với 12 đặc trưng wavelet (2 kênh x hai hệ số chi tiết D3,
D2 (phân chia 4 mức wavelet với Daubechies bậc 10) x 3 đặc trưng thống kê (trung
bình, độ lệch chuẩn, và công suất trung bình – Các đặc trưng này mô tả sự thay đổi
phân bố tần số và lượng thay đổi trong phân bố tần số) để đưa vào bộ phân loại
LDA. Kết quả được thử nghiệm trên một đối tượng nữ 25 tuổi. Kết quả phân loại
tác giả đạt được khoảng 90% với Daubechies 10.

Các nghiên cứu hiện nay tập trung áp dụng các tiêu chuẩn khác nhau để quyết
định trạng thái điều khiển tưởng tượng vận động. Trong đó, các tác giả áp dụng
nhiều phương pháp khác nhau để xây dựng bộ đặc trưng kết hợp với các mô hình
phân loại để đạt độ chính xác cao hơn. Một số bộ đặc trưng tín hiệu tưởng tượng
vận động chi trên được xây dựng trong các nghiên cứu [42], [29], [133] bằng kỹ
thuật CSP có sự tham gia của nhiều điện cực đo. Trong khi đó, phương pháp của
[89] sử dụng số lượng điện cực ít hơn bao gồm C3, C4 và Cz. Việc sử dụng nhiều
điện cực đo có thể đạt được độ chính xác cao hơn do chứa đựng được nhiều thông
tin trong bộ đặc trưng nhưng sẽ gây ra nhiều hạn chế nếu muốn áp dụng trong các
hệ thống BCI cơ động. Một vấn đề khác liên quan đến độ chính xác của hệ thống
phân loại đó là lựa chọn bộ dữ liệu huấn luyện và mô hình học máy. Các mô hình
học máy LDA, NN đã được đề cập ở trên để phân loại tín hiệu IHMv đã cho một số
kết quả phân loại tốt. Tuy nhiên các mô hình này vẫn còn tồn tại một số nhược điểm
như LDA phù hợp với phân chia hai lớp với điều kiện dữ liệu tuyến tính trong khi
đó mô hình NN có thể giúp phân loại được nhiều trạng thái nhưng độ phức tạp của
mô hình phụ thuộc vào số lượng đặc trưng và cần nhiều thời gian nghiên cứu và
khảo sát để có một cấu hình mạng nơ ron phù hợp. Mô hình học máy SVM là một
phương pháp rất hiệu quả trong phân loại. Trong mô hình SVM, thuật toán sẽ thực
hiện tìm mẫu thuộc một phân lớp gần nhất với các mẫu thuộc phân lớp kia và tìm
được một siêu phẳng để phân biệt theo phương thức tối đa hóa khoảng cách giữa

86
các mẫu với siêu phẳng. SVM đặc biệt phù hợp khi áp dụng cho tín hiệu điện não
EEG để thực hiện với bài toán không gian đặc trưng nhiều chiều và có số mẫu nhỏ
(SSS) [118]. Bên cạnh đó, khác với các mô hình học máy khác, độ phức tạp của mô
hình SVM không phụ thuộc vào số chiều hay số lượng các đặc trưng. Quá trình tối
ưu được thực hiện thông qua việc sử dụng các hàm Kernel để biến đổi dữ liệu sang
một không gian đặc trưng nhiều chiều. Do đó khi ta tiến hành giảm số lượng các
điện cực thu nhận và tăng số lượng đặc trưng cho bài toán phân loại IHMv không
làm tăng độ phức tạp của mô hình. Tuy nhiên SVM chủ yếu được phục vụ trong bài
toán phân lớp 2 phân nhóm. Hiện nay trong bài toán phân loại các phân lớp IHMv
còn có khá ít nghiên cứu đề cập tới mô hình phân loại nhiều phân lớp đầu ra. Khi
đối tượng điều khiển một thiết bị hỗ trợ vận động bằng sóng não thì trước hết hệ
thống cần phải phân biệt được khi nào người điều khiển ở trạng thái nghỉ và trạng
thái muốn điều khiển vận động. Sau đó, trong khi hệ thống hoạt động thì hệ thống
tiếp tục phải giải mã để xác định mong muốn vận động của người điều khiển. Như
vậy trong một hệ thống hỗ trợ vận động bằng sóng não khi áp dụng thực tế cần thiết
phải có khả năng phân giải tối thiểu ba phân lớp trạng thái đầu ra. Để giải quyết vấn
đề này đồng thời đảm bảo độ chính xác của hệ thống phân loại các phân lớp chuyển
động tưởng tượng chi trên và tối giản nhóm kênh đo, ta hoàn toàn có thể giải bài
toán ba phân lớp dựa trên việc kết hợp nhiều mô hình phân tách 2 phân lớp của
SVM. Dựa trên cơ sở mô hình SVM, luận án đề xuất phương pháp phân loại ba
phân lớp IHMv mới trong đó tập trung giải quyết hai vấn đề của phương pháp phân
loại đề xuất đó là:

- Xây dựng vector đặc trưng đầu vào phục vụ huấn luyện bộ phân loại
- Xây dựng mô hình phân loại dựa trên SVM thực hiện phân lớp ba trạng thái
điều khiển vận động tưởng tượng chi trên.

Khả năng thực hiện và độ chính xác phân loại của hệ thống được đánh giá thử
nghiệm trên bộ cơ sơ dữ liệu mẫu của Physionet.

87
3.1 Xây dựng vector đặc trƣng mô tả tín hiệu điện não IHMv từ bộ đặc trƣng
đề xuất và cấu trúc các lớp

Xây dựng vector đặc trưng cho tập dữ liệu huấn luyện

Như đã phân tích ở chương trước, bộ các thuộc tính xây dựng theo phương
pháp định lượng trên miền thời gian – tần số dựa trên biến đổi wavelet cho phép mô
tả tín hiệu điện não EEG liên quan đến vận động theo nhiều chiều khác nhau trong
không gian đặc trưng.

Trong các bộ phân loại thì quá trình huấn luyện mạng đóng vai trò quan trọng.
Quá trình huấn luyện mạng phụ thuộc vào vector đặc trưng cho bộ dữ liệu đầu vào
của bộ phân loại. Việc lựa chọn được các thuộc tính đại diện và có khả năng phân
biệt được các trạng thái điều khiển vận động đã được giải quyết ở chương 2 của
luận án. Theo đó, luận án đề xuất sử dụng các thuộc tính được lựa chọn theo
phương pháp ANOVA để cấu trúc thành một vectơ đặc trưng nhiều chiều đại diện
cho nhóm tín hiệu điện não liên quan đến vận động chi trên IHMv. Như vậy vector
đặc trưng sẽ bao gồm: 62 thuộc tính theo phương pháp lựa chọn ANOVA

Quy trình tạo vectơ đặc trưng cho bộ dữ liệu IHMv được thực hiện như sau:

Bƣớc 1: Tạo ra tập mẫu huấn luyện và nhãn huấn luyện. Các đoạn tín hiệu
IHMv sẽ được đặc trưng bởi vector đặc trưng 62 đầu vào theo ANOVA. Các thuộc
tính được lần lượt sắp xếp vào vector đặc trưng kích thước 1 x m với m là số lượng
các thuộc tính đề xuất feai với i từ 1-m. Tập n mẫu huấn luyện được cấu trúc như
hình dưới đây:

Với toàn bộ các đặc trưng đề xuất được sử dụng, vector đặc trưng có chiều dài
là m bao gồm: nhóm các đặc trưng đề xuất trên ba băng tần u (cD3) và beta (cD4) x
2 kênh [C3 + C4]. Từ bộ dữ liệu Physionet, số mẫu n = 1579 mẫu bao gồm 782 mẫu
nghỉ, 401 mẫu tưởng tượng chuyển động tay trái, 396 mẫu tưởng tượng chuyển
động tay phải.

88
 Bƣớc 2: Quá trình dán nhãn mẫu huấn luyện

- Ma trận nhãn có kích thước 1579x1. Mỗi một mẫu sẽ được gán nhãn như
sau: đoạn tưởng tượng chuyển động tay trái: 1, đoạn tưởng tượng chuyển
động tay phải: -1, đoạn nghỉ: 0

Hình 3.2. Mô tả ma trận dữ liệu huấn luyện

Ma trận nhãn huấn luyện SVM

(1 x 1579 mẫu)

Hình 3.3. Mô tả ma trận nhãn

3.2 Mô hình máy vector hỗ trợ nhị phân SVM

89
 SVM là mô hình phân loại có khả năng phân loại cao được sử dụng trong
nhiều nghiên cứu. Trong mô hình SVM, các dữ liệu đầu vào sẽ được ánh xạ sang
không gian nhiều đặc trưng để dữ liệu có thể phân chia được một cách tuyến tính.
Mô hình phân loại dựa trên SVM được cấu trúc dựa trên việc giải bài toán lập trình
bậc hai. Thuật toán huấn luyện SVM sẽ đồng thời tối đa khả năng phân loại nhưng
vẫn tối thiểu hóa khả năng của mô hình để đảm bảo hệ thống không bị quá khớp với
dữ liệu huấn luyện với bộ thuộc tính cho trước. Giả thiết dữ liệu IHMv được phân
thành hai phân lớp bao gồm dữ liệu tưởng tượng vận động (non-rest) và không có
tưởng tượng vận động (rest), ta sẽ có bộ dữ liệu Ω={(x1,y1),(x2,y2),…,(xn,yn)}; Các
điểm dữ liệu nằm trong một không gian hai chiều có xi là dữ liệu đầu vào thứ i
(xi∈Rd) và yi∈{−1,1} là đầu ra thứ i, chỉ ra phân lớp của dữ liệu trong đó ynon-rest= 1
và yrest= −1

Bộ phân loại dựa trên SVM sẽ tìm ra mặt siêu phẳng để phân tách toàn bộ dữ
liệu thuộc phân nhóm dữ liệu tưởng tượng có vận động và phân nhóm nghỉ. Mặt
siêu phẳng tốt nhất sẽ là mặt phẳng có lề lớn nhất giữa hai phân lớp. Như vậy các
vectơ hỗ trợ là các điểm dữ liệu gần nhất với siêu phẳng. Hình 3.4 mô tả định nghĩa
với các hình tròn màu đen chỉ các điểm dữ liệu ở phân lớp dữ liệu có vận động 1 và
các đường tròn màu trắng là dữ liệu ở phân lớp nghỉ -1.

90
Hình 3.4. Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM cho các mẫu
thuộc hai phân lớp.

Nhiệm vụ của quá trình phân loại đó là phải tìm ra một mặt siêu phẳng có lề
tối đa và chia các điểm có ynon-rest= 1 với các điểm thuộc phân lớp kia có yrest= −1.
Bất kỳ một siêu phẳng nào có thể được viết dưới dạng một bộ các điểm x thỏa mãn

(3.1)

Trong đó mô tả tích vô hướng : là vector pháp tuyến của mặt siêu phẳng.

b
Thông số mô tả độ lệch của siêu phẳng so với gốc dọc trục của vector
w

2
pháp tuyến . Khoảng cách giữa hai siêu phẳng được xác định bằng 
. Do đó để
w

tối đa hóa khoảng cách lề ta cần phải tối thiểu hóa w [1].

Để hạn chế bộ phân loại dựa trên mô hình SVM quá khớp huấn luyện với các
dữ liệu có nhiễu (hoặc tạo ra một lề mềm), biến nới lỏng ξi và hằng số C>0 được bổ
sung vào hàm. Trong đó ξi cho phép một vài điểm dữ liệu nằm trong lề và hằng số
C có nhiệm vụ điều chỉnh cân bằng giữa việc tối đa lề và số các điểm dữ liệu huấn
luyện nằm trong lề (và do đó là các lỗi huấn luyện). Như vậy mục tiêu của bộ phân
loại SVM là công thức tối thiểu hóa sau:

2
 b
(3.2)
m in
 , b , i 2
 C  i
i 1

Thỏa mãn ràng buộc:

y i (  ( x i )  b )  1   i cho tất cả các giá trị

T
i  1, ..., n

i  0 cho tất cả các giá trị i  1, ..., n

Trong đó, : là vector pháp tuyến của siêu phẳng.

91
 Do tín hiệu IHMv là dạng tín hiệu phức tạp nên tín hiệu thường được thể hiện
dưới dạng không gian đặc trưng nhiều chiều. Hơn nữa, sự phân bố không tuyến tính
của các trạng thái dẫn đến việc cần thiết phải biểu diễn dữ liệu sang một cách khác
để quá trình học đơn giản hơn. Do đó phương pháp phổ biến đó là hoán đổi dữ liệu
từ không gian đầu vào sang một không gian đặc trưng nhiều chiều hơn, giúp thực
hiện phân lớp tuyến tính đạt hiệu suất cao.

Không gian đầu vào Không gian đặc trưng

Hình 3.5. Hàm Kernel sẽ ánh xạ các điểm từ mô hình 2D sang không gian 3D

Hình 3.5 minh họa biến đổi Kernel ánh xạ các điểm đầu vào sang một không
gian đặc trưng nhiều chiều. Ưu điểm của nó là không gian đặc trưng này có số chiều
không giới hạn và do đó mặt siêu phẳng sẽ rất phức tạp [109].

Vấn đề quan trọng của phương pháp này đó là chúng ta cần phải quyết định
việc ánh xạ:

 : x   (x) (3.3)

Từ đó, chúng ta cần tìm ra hàm Kernel K. Như đã biết, bộ phân loại tuyến tính
phụ thuộc vào tích vô hướng giữa các vector:

K ( xi , x j )  xi x
T
j
(3.4)

Trong luận án, tác giả sử dụng hàm Radial Base Function (RBF) [108]:

92
 2
x  x
'
(3.5)
K ( x, x )  exp(
'
)
2
2

Trong đó, σ ∈ R: hệ số kernel,

||x−x'||: phép đo độ không đồng nhất.

Khi vấn đề tối thiểu hóa được giải quyết sử dụng nhân tử Lagrange thì hàm
quyết định (classification) cho một dữ liệu x sẽ trở thành:

n
(3.6)
f ( x )  sg n (  i yi K ( x , xi )  b )
i 1

Trong đó αi: Nhân tử Lagrange

yi: Nhãn phân lớp {-1,1}

b: độ dịch

K(x,xi): Hàm Kernel

Vấn đề quá vừa huấn luyện

Vấn đề quá vừa huấn luyện là một vấn đề trong dữ liệu nhiều chiều, nghĩa là
vector nhiều đặc trưng. Với dữ liệu điện não, vấn đề vector nhiều đặc trưng là khá
phổ biến và dẫn đến nhu cầu phải giảm, ví dụ giảm số tần số [7]. Vấn đề huấn luyện
quá khớp cũng là một vấn đề của dữ liệu nhiều nhiễu, do sự biến đổi ngẫu nhiên của
dữ liệu dẫn đến các mô hình không chính xác. Trong một vài trường hợp xấu thì
quá vừa huấn luyện dẫn đến độ chính xác phân loại bằng không. Điều này có thể
xảy ra trong trường hợp cả hai lớp (tưởng tượng vận động và nghỉ) có số lượng các
trials bằng nhau. Giả sử ta có số lượng là N. Với phương pháp leave-one-out cross-
validation thì một mẫu x của lớp A được phân loại và tất cả các mẫu khác của lớp A
và lớp B làm dữ liệu huấn luyện. Dữ liệu huấn luyện gồm N mẫu của lớp B và N-1
mẫu của lớp A. Do vấn đề quá vừa huấn luyện, bộ phân loại phân nhầm lớp B cho
mẫu x. Như vậy, mỗi mẫu được phân lớp nhầm và độ chính xác phân loại là 0.

93
Cũng tương tự như vậy, vấn đề quá vừa huấn luyện có thể dẫn đến độ chính xác cao
nếu có sự bất cân bằng lớn trong dữ liệu.

Có một lý do nữa của quá vừa huấn luyện đó là do dữ liệu có chứa các thông
tin không liên quan đến nhiệm vụ. Với bộ phân loại các thông tin không liên quan
đến nhiệm vụ tương đương với nhiễu. Trên thực tế thì nếu một bệnh nhân không
thực hiện tưởng tượng vận động thì không có mô hình nào được xây dựng để phân
biệt các tác vụ tưởng tượng vận động với các mẫu nghỉ.

Khác với phương pháp k-fold thường sử dụng khi có một lượng mẫu giới hạn,
phương pháp hold – out được sử dụng với bộ dữ liệu lớn. Bộ dữ liệu sẽ được chia
làm 3 thành phần theo tỷ lệ.

+ Tập dữ liệu huấn luyện để xây dựng mô hình tiên lượng

+ Tập dữ liệu xác thực để đánh giá khả năng thực hiện của mô hình trong pha
huấn luyện. Nó sẽ giúp điều chỉnh các thông số của mô hình để lựa chọn ra mô hình
thực hiện tốt nhất

+ Tập kiểm tra là các mẫu chưa biết của bộ dữ liệu sử dụng để đánh giá khả
năng thực hiện trong tương lai của mô hình. Nếu một mô hình chỉ phù hợp với tập
huấn luyện nhiều hơn tập kiểm tra thì có thể xảy ra do vấn đề quá vừa huấn luyện

+ Sắp xếp mẫu huấn luyện theo thứ tự ngẫu nhiên.

+ Chia mẫu huấn luyện thành 2 phần theo tỷ lệ

+ Cho biến i = 1. . . k: trong đó i là mô hình

++ Sử dụng mẫu thuộc tập huấn luyện để huấn luyện mô hình.

++ Tối ưu các tham số C và gamma của bộ phân loại thứ ith để tối thiểu hóa
sai số bộ phân loại.

94
 Theo đó bộ dữ liệu n mẫu được chia thành 2 nhóm theo tỷ lệ (Hình dưới mô tả
tỷ lệ của tập dữ liệu huấn luyện/tập dữ liệu kiểm tra là 90/10). Tập dữ liệu huấn
luyện được sử dụng để huấn luyện mô hình phân loại. Sau đó tập dữ liệu kiểm tra sẽ
được sử dụng để đánh giá mô hình và tối ưu hóa tham số C và gamma của bộ phân
loại. Trong bước tiếp theo, toàn bộ dữ liệu lại được sắp xếp ngẫu nhiên và được
phân ra 2 nhóm theo tỷ lệ và lại thực hiện xây dựng bộ phân loại và tối ưu các tham
số. Quá trình được thực hiện 10 lần. Độ chính xác cuối cùng sẽ là trung bình của tất
cả các lần quét. Ta sẽ chọn mô hình có các thông số tốt nhất có khả năng tạo ra sai
số nhỏ nhất khi kiểm tra bằng bộ nhỏ [70].

Hiệu quả của mô hình phân loại dựa trên quá trình tối ưu hai giá trị C và
gamma. Với tham số C lớn thì quá trình tối ưu sẽ lựa chọn một siêu phẳng có lề hẹp
hơn nếu siêu phẳng đó thực hiện phân loại tốt tất cả các điểm huấn luyện. Tuy nhiên
việc làm này có thể sẽ làm giảm tính khái quát của bộ phân loại. Bên cạnh đó C lớn
sẽ dẫn đến bộ phân loại sẽ cố gắng phân loại tất cả các điểm trong tập huấn luyện
(bao gồm cả những sai số có thể của tập dữ liệu) nên thường làm tăng thời gian
huấn luyện. Ngược lại nếu giá trị C nhỏ thì quá trình tối ưu sẽ lựa chọn siêu phẳng
có lề rộng, thậm chí siêu phẳng đó có thể phân loại nhầm nhiều điểm hơn.

Tham số gamma là tham số của hàm kernel sử dụng khi biến đổi dữ liệu sang
một không gian nhiều chiều hơn để có thể phân biệt tuyến tính. Việc điều chỉnh C
và gamma đóng vai trò quan trọng khi sử dụng SVM.

Trong luận án, giá trị C và gamma của mô hình SVM được lựa chọn dựa trên
việc xác định cực tiểu của MSE theo phương pháp Nelder-Mead Simplex [62].
Phương pháp này có độ tin cậy và hiệu quả so với phương pháp phổ biến grid-
search và có thể thực hiện dễ dàng với bộ công cụ Matlab.

Trên hình 3.6 mô tả thuật toán tối ưu giá trị C và gamma, trong đó các giá trị
C và gamma tương ứng với MSE cực tiểu sẽ được sử dụng cho mô hình SVM1 và
SVM2 tương ứng. Hình 3.7 mô tả phương pháp kiểm tra chéo theo kỹ thuật hold-

95
out áp dụng lên bộ dữ liệu Physionet để lựa chọn mô hình tốt nhất phục vụ quá trình
phân loại.

-Input1: Ma trận đặc trưng (đã chuẩn

hoá) của 3 lớp: nghỉ; trái và phải
-Input2: Vector nhãn (label = 0; 1; -1)

Khởi tạo kiểm định chéo loại Hold-one-out:

- Chọn tỉ lệ split: train/test : M% / (100 – M)%
- Chọn hàm Kernel (f) (100 – M)%
- Chọn số vòng tìm cực tiểu tối ưu (N)

M%

Tách đăc trưng và

label thuộc 2 lớp
trái-phải (1; -1)

TRAINING Stage 1: TRAINING Stage 2:

Nghỉ - không nghỉ (0; 1) Trái - phải (1; -1) Tập Test: (100 – M)%
Khởi tạo: Box Constraint Khởi tạo: Box Constraint
[C], và Kernel Scale [Sigma] [C], và Kernel Scale
với giá trị ngẫu nhiên [Sigma] với giá trị ngẫu
nhiên Đánh giá thống kê

Dựng hàm huấn luyện thử: Dựng hàm huấn luyện

Input = C; gamma; thử:
Output = Sai số trung bình Input = C; gamma;
bình phương(MSE) Output = Sai số trung bình
bình phương (MSE) N times
N times

Phương pháp Nelder-Mead Phương pháp Nelder-

Simplex tìm cực tiểu của Mead Simplex tìm cực
MSE tiểu của MSE

Lấy giá trị C và Gamma Lấy giá trị C và Gamma

tương ứng với MSE cực tiểu tương ứng với MSE cực
tiểu

Bộ phân loại
SVM 2 tầng

Hình 3.6. Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2 tầng
3IHMv_SVM2 có sử dụng thuật toán tối ưu C và gamma

96
 Tập dữ
liệu
mẫu

Hình 3.7. Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân loại SVM.
Xây dựng 10 mô hình để lựa chọn ra các mô hình tốt nhất

3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình
vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tƣởng tƣợng
vận động tay trái, tay phải và nghỉ

Như đã đề cập ở phần cơ sở lý thuyết, mô hình SVM là mô hình phân chia nhị
phân rất mạnh. Trong bài toán phân loại trạng ba thái điều khiển vận động yêu cầu
phải phân tách được ba phân lớp ở đầu ra. Các phân lớp đầu ra bao gồm: Lf_IHMv,
Ri_IHMv, Re_IHMv. Để nâng cao số phân lớp phân loại, có nhiều phương pháp
như sử dụng trong thực tế. Trong đó, phương pháp của [59] sử dụng song song
nhiều bộ phân loại hai lớp. Mỗi một bộ phân loại sẽ thực hiện phân nhóm giữa 1
trạng thái với các trạng thái còn lại. Như vậy nếu cần phân loại K lớp thì sẽ cần thiết
phải thiết kế K bộ phân loại nhị phân cho bài toán 2 lớp. Như vậy bộ phân loại thứ
K sẽ được gán nhãn dương cho các mẫu thuộc về lớp K và nhãn âm cho các mẫu
thuộc về các lớp còn lại. Kết quả đầu ra của các bộ phân loại sẽ được đưa đến khối
quyết định trạng thái đầu ra. Việc thiết kế theo mô hình này trong trường hợp phân
lớp ba trạng thái khá phức tạp. Một phương pháp phân loại khác đó là sử dụng
mạng NN, với mô hình này khá phù hợp với các bài toán phân lớp phi tuyến và có
thể cho đầu ra nhiều trạng thái. Tuy nhiên cần phải tốn nhiều thời gian để khảo sát
số lượng các nút ẩn và hàm biến đổi để xây dựng được mô hình phù hợp với bài
toán phân loại. Dựa trên phân bố năng lượng giữa các trạng thái IHMv và phân bố

97
các đặc trưng có thể nhận thấy có sự khác biệt khá rõ giữa các tín hiệu điện não liên
quan đến trạng thái nghỉ so với tín hiệu có tưởng tượng vận động. Do đó việc lựa
chọn được những đặc trưng tốt kết hợp với mô hình phân loại nhị phân có thể ước
lượng được mô hình phân loại hai trạng thái nghỉ và có tượng tưởng vận động có độ
chính xác cao. Như vậy dữ liệu trước khi được phân loại ở trạng thái có tưởng
tượng vận động tay trái hoặc tay phải sẽ được phân loại trước để phân biệt giữa
trạng thái có tưởng tượng vận động và trạng thái nghỉ và do đó có thể làm tăng độ
chính xác phân loại các phân lớp IHMv. Luận án đề xuất cải tiến mô hình phân loại
2 lớp dựa trên SVM thành mô hình phân loại 3 lớp theo mô hình nối tiếp như sau:
Dữ liệu sẽ được phân chia đầu tiên thành hai phân nhóm tín hiệu nghỉ (Re_IHMv)
và tín hiệu có vận động tưởng tượng (non-Rest IHMv). Dữ liệu được đưa vào bộ
phân loại thứ hai để thực hiện phân giải thành nhóm vận động tưởng tượng tay trái
và nhóm vận động tưởng tượng tay phải. Kết quả ở đầu ra bộ phân loại được quyết
định theo quy tắc mô tả ở Bảng 3.1. Theo mô hình đề xuất này, số lượng tầng phân
loại cần thiết kế chỉ là 2 tầng ít hơn so với mô hình phân loại nhị phân song song 1
phân lớp – các phân lớp còn lại

Như vậy bộ phân loại 3 lớp IHMv có cấu trúc bao gồm hai tầng phân loại
SVM (Hình 3.8). Mô hình sẽ sử dụng phương pháp học có theo dõi tức là phương
pháp học mà toàn bộ dữ liệu huấn luyện sẽ được giám sát và gán nhãn. Tập đặc
trưng đầu vào được tạo ra từ tín hiệu EEG gốc sử dụng để huấn luyện. Mỗi tầng
phân loại sẽ được huấn luyện theo mô hình SVM để tạo ra một siêu phẳng cho hai
phân lớp khác nhau.

Trong đó ta quy ước, phân lớp chuyển động tưởng tượng tay trái Lf_IHMv
được phân nhóm 1, chuyển động tưởng tượng tay phải Ri_IHMv được phân nhóm -
1, và thư giãn Re_IHMv được phân nhóm 0. Các bước xây dựng tầng phân loại
được thực hiện như sau:

98
 Mô hình phân loại 3IHMv_SVM2

Tầng phân loại 1

IHMvs Thƣ giãn
SVM1

Tầng phân loại 2 Tƣởng tƣợng vận động tay trái

SVM2
Tƣởng tƣợng vận động tay phải

Hình 3.8. Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa trên mô hình
2 tầng SVM phi tuyến

- Tầng SVM phi tuyến thứ 1: Có nhiệm vụ phân tách nhóm Re_IHMv và
non-rest IHMv

Trong bước huấn luyện mô hình, luận án thực hiện quá trình phân chia dữ liệu
giữa phân lớp có thông tin tưởng tượng vận động tay (nhãn 1) và phân lớp không có
tưởng tượng vận động (trạng thái nghỉ) (nhãn 0). Tầng SVM thứ nhất sẽ sử dụng
toàn bộ mẫu để huấn luyện. Trong đó các mẫu nghỉ sẽ được đánh nhãn nghỉ và các
mẫu có tưởng tượng vận động tay trái và tưởng tượng vận động tay phải được đánh
nhãn có vận động. Kết quả đầu ra của tầng SVM thứ nhất là vector y1.

90% tổng số mẫu

SVM 1
Mô hình phân lớp vận
động/không vận động
10% tổng số mẫu
SVM1

Kiểm tra

Hình 3.9. Mô hình huấn luyện của tầng phân loại SVM1

Trong mô hình tầng thứ nhất sử dụng toàn bộ các mẫu của 3 phân lớp trong đó
90% dữ liệu dùng để huấn luyện và 10% dữ liệu thực hiện quá trình kiểm tra

99
(phương pháp kiểm tra chéo hold-out). Số vòng lặp để tìm ra mô hình phân lớp tốt
nhất giúp phân biệt trạng thái có vận động và không có vận động

- Tầng SVM phi tuyến thứ 2: Nhiệm vụ phân lớp dữ liệu Lf_IHMv và
Ri_IHMv

Trong bước huấn luyện mô hình, toàn bộ tập dữ liệu điện não có vận động (số
lượng mẫu là 800) được đưa vào mô hình thứ hai để huấn luyện. Tập dữ liệu huấn
luyện bao gồm nhóm dữ liệu chuyển động tưởng tượng tay trái Lf_IHMv và nhóm
dữ liệu chuyển động tưởng tượng tay phải Ri_IHMv. Bộ phân loại sẽ thực hiện
phân lớp thông tin vận động tưởng tượng tay trái và thông tin vận động tưởng tượng
tay phải. Kết quả đầu ra sẽ là ma trận nhãn y2.

90% tổng số mẫu

SVM 2
Mô hình phân lớp tưởng tượng
vận động tay trái/tay phải
SVM2
10% tổng số mẫu

Kiểm tra

Hình 3.10. Mô hình huấn luyện tầng phân loại SVM2

- Quyết định phân lớp đầu ra

Quyết định phân lớp đầu ra sẽ phụ thuộc vào đầu ra của cả hai bộ phân loại.
Trong đó tầng SVM1 thực hiện phân nhóm giữa trạng thái nghỉ và có tưởng tượng
vận động chi trên. Tầng SVM2 sẽ tiếp tục phân lớp các dữ liệu có tưởng tượng vận
động chi trên thành hai phân lớp có tưởng tượng vận động tay trái và tưởng tượng
vận động tay phải. Kết quả phân loại cuối cùng là ma trận nhãn y được tính theo
công thức:

y=y1.y2 (3.7)

100
 Như vậy chỉ những đoạn dữ liệu được gán nhãn 1 từ tầng SVM thứ nhất mới
được đánh nhãn 1 hoặc -1 ở tầng thứ hai còn lại thì được gán là 0 tức là trạng thái
nghỉ. Bảng 3.1 mô tả quyết định trạng thái ở đầu ra của bộ phân loại

Bảng 3.1. Mô tả quyết định trạng thái phân lớp đầu ra

Tầng phân loại SVM1 Tầng phân loại SVM 2 Kết quả Kết quả phân
phân loại loại đầu ra
(Non-rest)/ Re_IHMv) (Lf_IHMv/Ri_IHMv)
1 1 1 Tưởng tượng
chuyển động
tay trái
1 -1 -1 Tưởng tượng
chuyển động
tay phải
0 1/-1 0 Nghỉ

3.4 . Mô phỏng và đánh giá khả năng phân loại của bộ phân loại 3IHMv_SMV2

Dựa trên mô hình bộ phân loại 3IHMv_SVM2 đề cập ở trên, tác giả xây dựng
bộ phân loại sử dụng bằng phần mềm Matlab và Hàm kernel RBF [108] phục vụ
quá trình xây dựng bộ phân loại. Để ước lượng các chỉ số của siêu phẳng SVM
(trong đó C để điều khiển chống quá vừa huấn luyện và γ để điều khiển độ rộng của
Gaussian kernel) trong luận án sử dụng phương pháp Nelder-Mead Simplex.

Bảng 3.2. Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3

Thông số Giá trị

Mô hình SVM

Số tầng 2

Số phân lớp đầu ra 3

101
 Hàm chuyển RBF Kernel

Số đặc trưng đầu vào ANOVA: 62 đặc trưng

Bảng 3.3 mô tả độ chính xác phân loại của bộ phân loại 3IHMv_SVM2 trong
10 mô hình thu được từ kỹ thuật hold – out với các đoạn tín hiệu đầu vào được đặc
trưng bởi bộ 62 thuộc tính lựa chọn theo ANOVA. Bảng 3.3 thể hiện độ nhạy (tỷ lệ
dương tính thật TPR), độ đặc hiệu (tỷ lệ âm tính thật – TNR) và diện tích khu vực
dưới đường cong ROC của 3 phân lớp. Mô hình phân loại đề xuất đạt độ chính xác
tối đa đạt được là 92%. Độ chính xác trung bình là 80.75%.

Bảng 3.3. Độ chính xác phân loại của mô hình 3IHMv_SVM2

Thống
kê Độ chính Độ nhạy (TPR) Độ đặc hiệu (TNR) AUC
xác
Mô hình Tay trái Tay phải Nghỉ Tay trái Tay phải Nghỉ Tay trái Tay phải Nghỉ
1 0.8815 0.79293 0.80299 0.96675 0.9273 0.92105 0.98996 0.77642 0.80457 0.99896

2 0.92084 0.85101 0.84539 0.99488 0.94505 0.94907 1 0.80335 0.83279 1

3 0.82141 0.80303 0.80798 0.8376 0.91378 0.92275 0.88833 0.86371 0.88216 0.94406

4 0.91007 0.85101 0.8803 0.95524 0.95351 0.93973 0.97992 0.86081 0.88026 0.99615

5 0.75301 0.72222 0.73815 0.77621 0.89687 0.89898 0.81305 0.85822 0.88248 0.88778

6 0.80177 0.64899 0.70823 0.92711 0.89603 0.87182 0.95107 0.68442 0.73203 0.98647

7 0.80177 0.80808 0.81796 0.79028 0.91885 0.93294 0.82685 0.92403 0.92134 0.90274

8 0.72641 0.74242 0.77057 0.69565 0.90448 0.89389 0.75659 1 1 0.8136

9 0.71818 0.73485 0.75062 0.69309 0.88673 0.90492 0.75031 0.95732 0.96602 0.80878

10 0.74098 0.73737 0.75062 0.73785 0.89434 0.90153 0.78921 0.92381 0.93723 0.85951

Trung bình 0.807594 0.769191 0.787281 0.837466 0.913694 0.913668 0.874529 0.865209 0.883888 0.919805

Bảng 3.4 mô tả độ chính xác phân loại của bộ phân loại SVM 2 tầng được
thiết kế với đầu vào bộ phân loại là vector đặc trưng (6 thuộc tính) xây dựng từ các
thuật toán khác nhau. Trong đó i là kênh C3, C4 và j là ba băng tần Alpha, Beta,
Theta.

Bảng 3.4. Độ chính xác phân loại của mô hình phân loại SVM 2 tầng với vector
đặc trưng 6 thuộc tính (2 kênh x 3 băng tần)

102
 Đặc trƣng Độ chính xác Độ đặc hiệu (TNR)
trung bình
(AvAcc)%
Nhóm tưởng Nhóm tưởng Nghỉ
tượng vận động tượng vận động (Re_IHMv)
tay trái tay phải
(Lf_IHMv) (Ri_IHMv)
RMSij 56,97% 80.13% 80.16% 73.55%
WLij 58,56% 80.06% 82.24% 74.02%
MMAV 57,94% 83,06% 80,45% 70,71%
SSI 56% 78,97% 79,37% 74,60%
ZC 50,18% 87,12% 69,48% 65,52%
SSC 58,90% 84,26% 81,69% 68,98%
WAMP 52,60% 79,89% 79,42% 66,34%
ShanEn 55,64% 79,02% 79,73% 73,21%
LogEn 53,22% 78,60% 78,65% 70,63%
HjAct 58,60% 80,54% 80,07% 76,29%
HjMobi 52,60% 81,14% 78,14% 66,37%

Ta có thể thấy, với các nhóm thuộc tính riêng rẽ áp dụng lên 2 kênh đo và 3
băng tần đều đạt tỷ lệ phân loại chính xác trung bình (lớn hơn 52,6%). Trong khi đó
độ đặc hiệu của các nhóm phân lớp đạt tỷ lệ cao. Với phân nhóm Lf_IHMv độ đặc
hiệu trong khoảng từ 78,6% cho đến 84,26%, nhóm Ri_IHMv có độ đặc hiệu trong
khoảng 78,65% cho đến 82,24% và nhóm Re_IHMv có độ đặc hiệu từ 66,34% cho
đến 74,6%.

Bảng 3.5 thể hiện kết quả của 10 mô hình phân loại giữa hai trạng thái nghỉ và
trạng thái có tưởng tượng vận động sử dụng vector đặc trưng đầu vào được xây
dựng từ 62 thuộc tính đề xuất và mô hình phân loại SVM. Có thể nhận thấy với bộ
đặc trưng đề xuất kết hợp với mô hình phân loại SVM, bộ phân loại giữa hai trạng
thái nghỉ và trạng thái có tưởng tượng vận động dựa trên tín hiệu điện não cho kết

103
quả cao với độ chính xác phân loại tối đa là 0.9943%. Thử nghiệm với 10 mô hình
phân loại cho độ chính xác trung bình đạt 0.91%.

Bảng 3.5 Độ chính xác phân loại giữa non-rest IHMv và Re_IHMv

Mô hình Độ chính xác phân Độ nhạy Độ đặc hiệu AUC

loại (TPR) (TNR)

1 0.97847 0.989962 0.966752 0.99896

2 0.82204 0.841907 0.80179 0.91682
3 0.9943 1 0.988491 0.99885
4 0.99113 0.998745 0.983375 0.9998
5 0.86067 0.884567 0.836317 0.94552
6 0.81507 0.834378 0.795396 0.91029
7 0.79987 0.820577 0.778772 0.89493
8 0.99493 1 0.989769 0.99992
9 0.8708 0.893350 0.847826 0.94574
10 0.98417 0.993726 0.974424 0.99936
Trung bình 0.911145 0.925721 0.896291 0.961019
Độ lệch 0.079953 0.073677 0.086463 0.040897
chuẩn

Theo bảng 3.6, ta thấy độ chính xác phân loại trung bình của phương pháp đề
xuất có giá trị cao hơn so với phương pháp NA –MEMD của Cheolsoo Park [29] và
PLV của Ana Loboda [10] khoảng 2%. Độ nhạy (TPR) của từng trạng thái so với
kết quả phân loại của (Ana Loboda, 2014) cho kết quả cao hơn. So với kết quả của
[42] thì độ nhạy của chuyển động tưởng tượng tay trái có mô hình đạt kết quả phân
loại cao hơn tuy nhiên ở trường hợp này, tác giả mới chỉ thử nghiệm trên số lượng ít
người, đã được làm quen với hệ thống. Trong các nghiên cứu so sánh, số đầu ra của

104
bộ phân loại là hai trạng thái tưởng tượng vận động tay trái và tưởng tượng vận
động tay phải.

Bảng 3.6. So sánh kết quả phân loại các phân lớp IHMv của bộ phân loại đề
xuất 3IHMv_SVM2 với các nghiên cứu tương đương

Phƣơng Cheolsoo Park Ana Loboda Goeorge

pháp đề xuất (năm 2013) (năm 2014) [10] Townsend
[29] (năm 2004)
[42]
AvAcc 80,75% MEMD: 75,6% 71,55% (13-
±5.2 và NA- 30Hz); 65,55%
MEMD: (8-13Hz)
78.7±3.7
TPR L: 76,91% L:68%, R:75,1% Ri: 69 - 84%,
L, Ri Ri: 78,72% (beta band), L: 67% - 86%
Re: 88,74% L:60,5%
R:70,6% (mu
band)
AUC L: 86,52% Ri: 73 - 92%
L, Ri Ri: 88,38% L: 72 - 93%
Re: 91,98
Số trạng thái 3 2 2 2
đầu ra

Với bộ phân loại 3IHMv_SVM2 đề xuất, luận án đã nâng được số đầu ra lên
ba trạng thái bao gồm chuyển động tưởng tượng tay trái, chuyển động tưởng tượng
tay phải và trạng thái nghỉ và đã đạt được độ chính xác phân loại cao và tương
đương với các bộ phân loại 2 trạng thái. Điều này rất có ý nghĩa trong việc ứng
dụng các bộ phân loại để giải mã các thông tin điện não liên quan đến vận động và
tăng khả năng ứng dụng trong các mô hình điều khiển thiết bị ngoại vi bằng sóng
điện não. Việc so sánh chỉ mang tính chất tương đối do các tác giả sử các hệ thống
phân loại khác nhau trong đó sử dụng bộ đặc trưng, mô hình phân loại cũng như các
đối tượng thử nghiệm khác nhau.

105
 Độ chính xác của các phương pháp có sự khác nhau có thể do một vài yếu tố
như kiểu tín hiệu sinh học sử dụng, vị trí đặt các điện cực, số lượng các đối tượng,
khoảng tuổi của các đối tượng, mức độ tập trung, độ tương đồng của giao thức tiến
hành.

Việc ghép hai tầng nối tiếp phân loại có vấn đề đó là độ chính xác của toàn hệ
thống sẽ là tích độ chính xác của hai tầng hệ thống do đó sai số chung của một tầng
sẽ ảnh hưởng đến kết quả chung của toàn bộ hệ thống. Tuy nhiên so với cách ghép
hệ thống theo kiểu song song thì trong bài toán phân loại 3 lớp mô hình ghép nối
tiếp đơn giản và dễ thực hiện đồng thời đạt được độ chính xác phân loại chấp nhận
được.

3.5 Kết luận chƣơng

Trong chương 3, luận án đã đề xuất phương pháp sử dụng bộ đặc trưng đề

xuất giúp thực hiện phân 3 nhóm tín hiệu IHMv. Phương pháp thực hiện dựa trên
việc thiết kế bộ phân loại phân nhóm 3IHMv_SVM2 sử dụng bộ đặc trưng đề xuất
để xây dựng vector đầu vào và mô hình phân loại SVM cải tiến. Kết quả mô phỏng
trên bộ cơ sở dữ liệu mẫu Physionet cho thấy khả năng phân loại 3 phân lớp chuyển
động chi trên của bộ phân loại với các thuộc tính đề xuất và phương pháp phân loại
có độ chính xác cao (>80%). Ưu điểm của phương pháp đó là cấu trúc của mô hình
được thiết kế đơn giản đồng thời có khả năng tăng được số phân lớp đầu ra lên 3
phân lớp. Kết quả so sánh cũng cho thấy việc sử dụng nhiều thuộc tính được trích
xuất trên ba băng tần cho độ chính xác cao hơn. Kết hợp với bộ đặc trưng đề xuất,
mô hình phân loại đã cho độ chính xác phân loại tương đương và cao hơn khi so
sánh với các phương pháp khác.

Các kết quả nghiên cứu đề xuất đề cập trong chương 3 đã được công bố trên
bài báo:

[5]. Phạm Phúc Ngọc, Phạm Văn Bình (2015). ―Classification of three class
hand imagery movement with the application of 2-stage SVM model‖.

106
 Tạp chí Khoa Học & Công nghệ các trường Đại Học Kỹ thuật. ISSN
2354-1083 [Vol 112 – được chấp nhận đăng].

CHƢƠNG 4. XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv

CỦA ĐỐI TƢỢNG NGƢỜI VIỆT NAM
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 xây dựng bộ dữ liệu điện não
IHMv của đối tượng là người Việt Nam. Phần cuối chương trình bày kết quả mô
phỏng của bộ phân loại đề xuất trên bộ dữ liệu tự thiết kế và đánh giá kết quả.

4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động của
ngƣời Việt Nam
Trong quá trình xây dựng mô hình phân loại tín hiệu, có thể nhận thấy tầm
quan trọng của tập dữ liệu điện não IHMv đóng một vai trò quan trọng trong việc
huấn luyện mô hình để đạt được độ chính xác và tin cậy hệ thống phân loại. Do bản
chất thống kê của tín hiệu EEG, tín hiệu IHMv thu nhận có thể thay đổi dưới các
điều kiện khác nhau như tuổi tác, giới tính, tình trạng sức khỏe, nhiệt độ…Vì vậy,
việc xây dựng được các tập mẫu từ các đối tượng dưới các điều kiện xác định có thể
hỗ trợ trích xuất được các thông tin, kiến thức có ích và thông qua các kỹ thuật phân
tích dữ liệu có thể tạo ra các quyết định có độ chính xác cao từ các dữ liệu thực tế.
Các dữ liệu điện não thu từ các hệ thống thực tế có thể đóng góp vào bộ cơ sở dữ
liệu chung giúp nghiên cứu được những đặc tính mới của tín hiệu trên một bộ cơ sở
dữ liệu lớn hơn. Hiện nay trên thế giới có một số nguồn dữ liệu chuẩn phổ biến
phục vụ cho các nghiên cứu về đặc trưng tín hiệu IHMv và các mô hình phân loại
đó là bộ cơ sở dữ liệu của Physionet và cơ sở dữ liệu của BCI Competition. Các dữ
liệu trên được đo trên các đối tượng khác nhau và được cộng đồng các nhà nghiên
cứu xây dựng các giải thuật tính toán khác nhau để khai thác những thông tin có ích.

107
Có một thực tế là tín hiệu điện não có vẫn có sự khác biệt nhất định giữa các đối
tượng và điều kiện đo khác nhau. Một số phương pháp trích chọn đặc trưng và mô
hình phân loại đề xuất của các nhóm nghiên cứu có xu hướng phù hợp với các đối
tượng đo đã được huấn luyện hoặc chỉ đúng với một số đối tượng. Do đó, việc xây
dựng được tập dữ liệu sẽ đóng góp vào bộ cơ sở dữ liệu IHMv chung của thế giới
và giúp các nghiên cứu có thể thử nghiệm, đánh giá được các thuật toán trích chọn
đặc trưng hoặc độ chính xác phân loại của mô hình. Mặt khác, vấn đề xây dựng
được các bộ cơ sở dữ liệu liên quan trực tiếp đến đặc điểm, cấu trúc, sinh lý của
người Việt nam có ý nghĩa rất lớn để đề ra những nghiên cứu, giải pháp phục vụ
chính đối tượng người Việt nam. Từ các nghiên cứu về mô hình thiết kế bộ dữ liệu
liên quan đến tưởng tượng và vận động thật chi trên, luận án thực hiện xây dựng
một bộ dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi
trên trong điều kiện và đối tượng người Việt Nam. Để xây dựng tập dữ liệu mẫu, tác
giả sử dụng mô hình BCI2000 [111] trong đó quy định về việc xây dựng tập dữ liệu
phục vụ phân tích offline. Trong đó dữ liệu lưu trữ phải được lưu dưới nhiều dạng
phổ biến của tín hiệu điện não, chứa các thông tin về các kênh, tần số lấy mẫu, giao
thức hoạt động và lưu trữ các khoảng thời gian sự kiện theo thiết kế thí nghiệm. Với
mục tiêu tạo ra bộ dữ liệu IHMv trên đối tượng là người Việt Nam đồng thời có thể
đánh giá mô hình phân loại ba trạng thái IHMv đề xuất, luận án xây dựng một bộ cơ
sở dữ liệu trên 12 đối tượng người Việt Nam khỏe mạnh có độ tuổi từ 20-32 và
không gặp vấn đề về não bộ. Trong chương này, luận án sẽ mô tả các bước trong
quá trình xây dựng bộ dữ liệu điện não liên quan đến vận động được thực hiện trên
đối tượng đo người Việt nam và kết quả đánh giá phương pháp phân loại các trạng
thái đề xuất trên bộ dữ liệu tự xây dựng.

4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/ tƣởng tƣợng
vận động của đối tƣợng đo ngƣời Việt nam
- Thiết lập điều kiện đo

Hệ thống đo: Sử dụng hệ thống đo 19 điện cực của Exea Ultra của Tây ban
nha theo chuẩn sắp xếp điện cực quốc tế 10/20. Hệ thống có tần số lấy mẫu

108
250Hz và được trang bị phần mềm XGPLab phục vụ thu và hiển thị tín hiệu
theo thời gian thực. Các tín hiệu đều được lưu dưới dạng offline với các định
dạng tiêu chuẩn ASCII, TXT, XGP, EDF để phục vụ nghiên cứu và xử lý.
Cấu hình hệ thống được trình bày chi tiết ở Phụ lục 4.

Hình 4.1. Hình ảnh hệ thống Exea Ultra

Hệ thống điện cực đo: Sử dụng mũ tiêu chuẩn 19 điện cực theo chuẩn quốc
tế 10/20

Hình 4.2. Mũ điện cực theo chuẩn quốc tế 10-20

109
 Hình 4.3. Ký hiệu của chuấn quốc tế 10-20.

Phối hợp trở kháng: Các điện cực phải được kiểm tra trở kháng để đảm bảo
chúng có trở kháng <5KOhm trong quá trình đo.

Hình 4.4. Kiểm tra trở kháng tiếp xúc. Hình ảnh trích xuất từ màn hình của
phần mềm XGPLab được trang bị cùng hệ thống máy đo Bitmed Exea Ultra

Gel dẫn điện: Do giữa da đầu và điện cực có một khoảng cách nhất định có
không khí nên cần thiết phải sử dụng các chất dẫn điện để tăng độ dẫn điện
từ vỏ da đầu tới điện cực. Lượng gel này chỉ cần 1 lượng vừa đủ nhỏ để tạo
độ dẫn điện và các kết nối đạt yêu cầu phối hợp trở kháng <5KOhm từ hệ
thống kiểm tra của máy đo. Tuy nhiên không nên sử dụng quá nhiều vì có thể
dẫn đến sự dẫn điện giữa các vùng khác nhau của não bộ lên điện cực.

110
 Hình 4.5. Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi tiến
hành phép đo

Đối tƣợng đo: Trong bộ dữ liệu được tác giả xây dựng, đối tượng đo là
những người khỏe mạnh có độ tuổi từ 20-32 tuổi, giới tính nam và nữ với tỷ
lệ (50-50). Khuyến cáo các đối tượng đo cần có điều kiện sức khỏe tốt do
một phiên thí nghiệm điện não đo các thông tin về vận động diễn ra trong
khoảng thời gian dài khoảng 3 tiếng và người đo phải ngồi trong thời gian
dài. Đối tượng đo cần phải ngủ tốt trước thời gian đo do việc buồn ngủ có thể
dẫn tới việc mất tập trung trong quá trình đo và xảy ra nháy mắt nhiều, ảnh
hưởng đến chất lượng tín hiệu. Tất cả các thông tin cá nhân, kích thước đầu,
chiều cao, cân nặng, tay, chân thuận, tình trạng thị lực của các đối tượng đo
đều được ghi chép đầy đủ.

Bảng 4.1. Mô tả thông tin các đối tượng trong bộ dữ liệu tự thiết kế

Đối tƣợng Giới tính Tuổi Tình trạng sức khỏe

P001 Nữ 21 Tốt
P002 Nam 22 Tốt
P003 Nam 22 Tốt
P004 Nam 21 Tốt

111
P005 Nam 32 Tốt
P006 Nữ 21 Tốt
P007 Nam 21 Tốt
P008 Nam 21 Tốt
P009 Nữ 21 Tốt
P010 Nữ 20 Tốt
P011 Nam 21 Tốt
P012 Nữ 20 Tốt

Hình 4.6. Các thông số của đối tượng đo được kiểm tra và ghi chép khi
chuẩn bị phép đo. Trên hình là đối tượng đo được kiểm tra khoảng cách giữa
hai vị trí dáy tai để điều chỉnh các điện cực của mũ điện cực về đúng chuẩn
10/20

Hình 4.7 mô tả một số hình ảnh thí nghiệm thu nhận dữ liệu điện não liên
quan đến vận động và tưởng tượng vận động.

112
 a) Đối tƣợng P001

b) Đối tƣợng P004

c) Đối tƣợng P011

Hình 4.7. Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối tượng
người Việt Nam bằng thiết bị Exea Ultra

Về điều kiện môi trƣờng đo: Tất cả các thí nghiệm được đo trong một
phòng kín không có tiếng ồn và ánh sáng vừa đủ hoặc hơi tối (tăng độ tương
phản của màn hình hướng dẫn) để tránh gây khó chịu cho người đo. Thời

113
gian đo thường được tiến hành vào khoảng 9 -10 giờ sáng hoặc 2- 4h chiều
để đảm bảo người đo ở trạng thái tốt nhất.

Bên cạnh đó hệ thống cảm giác của người khi thu nhận các thông tin đều
dẫn đến các phản ứng của não bộ do đó thông thường đối tượng đo thường
được thiết kế thực hiện các tác vụ trong môi trường không có tiếng ồn xung
quanh, ánh sang vừa phải để loại bỏ các thông tin không có ích trong bản ghi
điện não.

Thiết kế thí nghiệm liên quan đến điều khiển vận động sóng não:

Để có thể tạo ra bộ dữ liệu điện não có chứa các thông tin về vận động
chi trên, bộ dữ liệu được xây dựng tuân theo các bước thiết kế thí nghiệm
như sau:

1. Đối tượng sẽ được bố trí ngồi thoải mái trước một màn hình máy tính.
Thả lỏng các cơ và chú ý vào các hướng dẫn của màn hình.
2. Trên màn hình sẽ lần lượt hiện ra các hướng dẫn để người đo thực hiện
theo một khung thời gian được lập kế hoạch trước. Khi có mũi tên sang
trái thì đối tượng sẽ thực hiện tưởng tượng nắm tay trái. Khi có mũi tên
sang phải thì đối tượng sẽ thực hiện tưởng tượng nắm tay phải. Các đối
tượng sẽ thực hiện tưởng tượng trong thời gian mũi tên xuất hiện. Một
phiên thí nghiệm kéo dài trong thời gian 2 phút.

Khung thời gian đƣợc bố trí nhƣ sau:

Theo đó người thực hiện thí nghiệm sẽ phải thực hiện theo mô hình được
thiết lập sẵn. Tiếng beep phát ra từ hướng dẫn sẽ chỉ thị đối tượng bắt đầu
quá trình đo. Sau đó cứ sau một khoảng thời gian xác định sẽ có hướng dẫn
để đối tượng thực hiện tác vụ. Các tác vụ thường có thời gian từ 1-3s. Xen
lẫn vào đó là các khoảng thời gian nghỉ. Việc xác định rõ các khoảng thời
gian đối tượng đo thực hiện tác vụ sẽ có ý nghĩa rất lớn trong quá trình phân
giải các đoạn tín hiệu điện não liên quan đến vận động.

114
 Các đối tượng đo cần thiết phải thực hiện các phép đo sau để thu được bộ
dữ liệu phục vụ huấn luyện hệ thống sóng não vận động:

- Phép đo cơ bản số 1: đối tượng đo ngồi nhắm mắt thư giãn

- Phép đó cơ bản số 2: Đối tượng đo mở mắt thư giãn

- Phép đo thứ 3: Đối tượng đo thực hiện vận động thật theo hướng dẫn

- Phép đo thứ 4: Đối tượng đo thực hiện tượng tượng vận động theo hướng
dẫn

- Nghỉ giải lao

- Phép đo thứ 5: Giống phép đo thứ 3

- Phép đo thứ 6: Giống phép đo thứ 4

a)

115
 BẮT ĐẦU

KẾT THÚC

b)

Hình 4.8. a) Hướng dẫn đối tượng thực hiện tưởng tượng chuyển động tay trái
hoặc tay phải. b) Các mũi tên lần lượt được xuất hiện trong các thời điểm định sẵn
và ngẫu nhiên

Hình 4.9. Thứ tự các sự kiện được thiết lập sẵn. Các sự kiện này được sắp xếp
ngẫu nhiên để tránh đối tượng ghi nhớ quá trình

Lƣu trữ và phân tích dữ liệu

Dữ liệu đo được quan sát và lưu trữ bằng phần mềm XGPLab đi kèm hệ thống
đo điện não. Các dữ liệu sau thí nghiệm sẽ được lưu trữ dưới các định dạng chuẩn
của điện não như txt, edf, mat để phục vụ phân tích và nghiên cứu. Các file cần
được mã hóa tên để biết được đối tượng làm thí nghiệm cũng như phiên thí nghiệm
thực hiện. Việc đặt tên phù hợp sẽ giúp quản lý dữ liệu hiệu quả hơn

116
 Ví dụ về cách đặt tên file P001E02.mat và P001E02.event

Trong đó file .mat (hoặc txt, xgp, hoặc edf) sẽ là tệp tin lưu bản ghi dữ liệu
điện não EEG đầy đủ các kênh đo và thông tin tần số lấy mẫu. Tệp tin có đuôi mở
rộng .event sẽ chứa thông tin thời gian về kịch bản thí nghiệm phục vụ phân tách
các đoạn tín hiệu quan tâm. P001 là đối tượng thứ 1 và E02 là thí nghiệm thứ 2.

4.1.2 Kết quả và đánh giá bộ dữ liệu

Bộ dữ liệu được thu đảm bảo giữa các đối tượng đo trong điều kiện tương đối
giống nhau để thuận tiện cho việc so sánh và đánh giá. Các dữ liệu thuộc các nhóm
sau sẽ không đưa vào trong bộ dữ liệu do một số lý do sau bao gồm:

- Thứ nhất là do kích thước đầu của nhiều đối tượng không phù hợp nên
khi đội mũ điện cực, một số điện cực không thể thực hiện phép đo.
- Thứ hai là một số đối tượng có tóc quá dày như các đối tượng là nữ hoặc
có phần sau gáy hẹp cũng dẫn tới việc thu nhận thông tin trên các điện
cực không đảm bảo mặc dù giữa điện cực và vỏ da đầu đã được bơm gel
dẫn điện.
- Thứ ba là trong môi trường điều kiện ẩm như tại Việt Nam, do điều kiện
phòng chưa chuẩn nên tại một số thời điểm, tín hiệu thu đã không hoạt
động đúng chức năng và gây nhiễu lớn trên các đầu thu.
- Thứ tư là do môi trường đo không được cách ly và tiếp đất đầy đủ nên
trong tín hiệu vẫn tồn tại nhiều nhiễu, vấn đề này có thể được xử lý bởi
các bộ lọc số ở các tầng tiếp theo của mô hình. Các đối tượng này đều
phải loại bỏ khỏi bộ dữ liệu

Bộ dữ liệu được lựa chọn là những dữ liệu đảm bảo quá trình thu tại các
điện cực đảm bảo, ít nhiễu và có trở kháng < 5kOhm.

Cần thiết phải thực hiện hai phép đo cơ bản trong trạng thái thư giãn
nhắm mắt và thứ giãn mở mắt là phép đo cơ bản giúp ta nhận biết được trạng
thái nền. Đối với trạng thái thư giãn nhắm mắt, sóng alpha trong phổ tín hiệu

117
 là một dấu hiệu để nhận biết bản ghi và thiết lập thí nghiệm tốt. Thứ hai là
trong trạng thái nháy mắt tự nhiên ta cũng có thể thu được các gai sóng trên
các điện cực gần mắt Fp1 và Fp2. Bộ dữ liệu đều ghi lại trạng thái nền để
đảm bảo dữ liệu đo đảm bảo cho quá trình thực hiện các phép đo phức tạp
hơn.

Kết quả: Bộ dữ liệu thu nhận bằng hệ thống Exea Ultra tại phòng thí nghiệm
được thực hiện trên 12 đối tượng đo khác nhau. Mỗi đối tượng sẽ thực hiện 7
chuyển động tưởng tượng và vận động tay trái, 8 chuyển động tưởng tượng và vận
động tay phải và xen giữa là các khoảng thời gian nghỉ.

Số lượng mẫu tưởng tượng vận động chi trên thu được từ 12 đối tượng đo bao
gồm: 240 mẫu trái, 210 mẫu phải và 420 mẫu nghỉ

Bộ dữ liệu đo tại phòng thí nghiệm được tiến hành theo sự hướng dẫn của các
chuyên gia về Điện não tại Việt nam, các vấn đề về môi trường đo và phương pháp
thí nghiệm được tác giả tuân theo mô hình của BCI2000. Các thông số về môi
trường đo, thông tin cá nhân của đối tượng đo được ghi chép phục vụ nghiên cứu và
phân tích. Hệ thống điện cực được sắp xếp theo chuẩn 10/20 và đảm bảo tiếp xúc
tốt với da đầu trong quá trình thu nhận tín hiệu (trở kháng <5KOhm).

Bộ dữ liệu được cung cấp đầy đủ các thông tin trong báo cáo thí nghiệm bao
gồm: Tên đầy đủ, Chỉ số cơ thể (cân nặng, chiều cao), tình trạng cơ thể, tình trạng
thị lực, Tay thuận, kích thước đầu (các khoảng cách từ sống mũi – xương chẩm, dáy
tai trái – dáy tai phải).

Các thông tin về điều kiện môi trường: Nhiệt độ phòng, thời gian thí nghiệm,
địa điểm, tình trạng phòng, thiết bị, hình ảnh đối tượng, video mô tả vận động tay
của đối tượng được thu và lưu trữ trong quá trình thí nghiệm. Các thông tin này
được mô tả trong Phụ lục số 2.

118
 Hình 4.10 mô tả các thí nghiệm được thiết kế với các đối tượng đo là người
Việt Nam tại thiết bị đo trong phòng thí nghiệm với sự hướng dẫn của các bác sỹ
chuyên khoa thần kinh.

Hình 4.10. Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại
phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ điện cực 19 kênh theo tiêu
chuẩn 10/20

Kết quả mô phỏng trên bộ dữ liệu thực tế đo trên hệ thống điện não Exea
Ultra 19 kênh

Các dữ liệu tưởng tượng vận động thu được của Physionet được thu nhận
trong điều kiện được kiểm soát theo tiêu chuẩn BCI và có thể không giống hoàn
toàn như được thu tại phòng thí nghiệm. Do nhiều lý do như khả năng tập trung, độ
tuổi, giới tính khác nhau giữa các đối tượng đo. Bên cạnh đó, điều kiện đo được
thiết kế ở môi trường mở hơn để bộ dữ liệu đo có kết quả gần như môi trường đo
thực. Từ đó có thể đưa ra các phương án xử lý phù hợp với điều kiện đo.

+ Tiền xử lý dữ liệu

Dữ liệu thu nhận từ bộ dữ liệu đo thực tế trên đối tượng đo người Việt bằng hệ
thống Exea Ultra 19 kênh. Dữ liệu trên thực tế vẫn có sự tồn tại của nhiễu đường
biên và nhiễu 50Hz. Do đó cần thiết phải áp dụng các bộ lọc thông dải để tách được
dải tín hiệu điện não cần thiết.

119
 Hình dưới thể hiện tín hiệu kênh đo C3 trước và sau khi lọc sử dụng bộ lọc
thông dải FIR pha bằng không tần số 1 – 40Hz được áp dụng cho tín hiệu thu trong
hai trường hợp có tưởng tượng vận động tay từ hệ thống đo Exea Ultra của phòng
thí nghiệm.

Hình 4.11. (a) Tín hiệu điện não khi tình nguyện viên P011 được đo trên kênh C3
trước khi loại bỏ nhiễu đường biên và sau khi loại bỏ nhiễu đường biên.

Hình 4.12. Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng bộ lọc FIR
(1-40Hz)(Bản ghi P011E08)

120
 Dữ liệu sau khi được tiền xử lý bằng bộ lọc thông dải sẽ được tách kênh và áp
dụng bộ lọc không gian Laplacian rộng để tăng độ phân giải không gian của tín hiệu
điện cực. Hình dưới mô tả 3 nhóm dữ liệu IHMv bao gồm: Lf_IHMv, Ri_IHMv,
Re_IHMv sau khi tiền xử lý.

 Chuyển động tưởng tượng tay trái: C3 C4

121
 Chuyển động tưởng tượng tay phải:C3 C4

122
 Đoạn nghỉ: C3 C4

123
Hình 4.13. Kết quả phân tách đoạn tín hiệu liên quan đến vận động của thí nghiệm
P011E08 (tưởng tượng chuyển động tay). Thời gian thực hiện chuyển động: 2.5s.
Thời gian nghỉ: 5s và thời gian cắt mỗi epoch: -2 đến 5.5s

Có thể nhận thấy qua phân tích các khoảng thời gian thiết lập thí nghiệm và
kết quả đo của đối tượng đã cho thấy sự tương đồng với bộ dữ liệu chuẩn của
Physionet. Trên các băng tần theta, alpha và beta cũng xuất hiện sự suy giảm tần số
trong thời gian có tưởng tượng vận động. Kết quả cho thấy các dữ liệu IHMv sau
tiền xử lý đã có kết quả khá tốt với mô hình hệ thống thu nhận thiết lập. Như vậy đã
cho thấy độ tin cậy của phương pháp và bộ dữ liệu tự xây dựng tại phòng thí
nghiệm trên các đối tượng đo là người Việt Nam.

Quá trình phân tách các đoạn tín hiệu của đối tượng đo người Việt có thể nhận
thấy một số các vấn đề sau:

- Một số đối tượng không thể thu được tín hiệu do cấu trúc đầu khác nhau
dẫn đến mũ điện cực không thể thu nhận được tín hiệu
- Phản ứng với hướng dẫn của các đối tượng cũng khác nhau do đều là
những đối tượng lần đầu tiếp xúc với hệ thống. Tuy nhiên với khoảng tín

124
 hiệu 512 mẫu cũng cho thấy có thể chứa đựng các thông tin cần thiết phục
vụ quá trình phân loại
- Băng tần hoạt động của các đối tượng đo cũng tập trung chủ yếu vào băng
tần theta, alpha và beta phụ thuộc vào từng đối tượng

Thử nghiệm phân lớp IHMv của bộ dữ liệu tự thiết kế dựa trên phương pháp
phân loại đề xuất

Trên bảng 4.2 mô tả kết quả xây dựng mô hình phân loại dựa trên phương
pháp phân loại đề xuất sử dụng 62 đặc trưng đề xuất và mô hình phân loại 2 tầng
SVM.

Áp dụng phương pháp xây dựng vector đặc trưng tín hiệu và bộ phân loại đề
xuất trên 870 mẫu tín hiệu từ 12 đối tượng đo người Việt Nam đã cho kết quả phân
loại tốt. Độ chính xác phân loại trung bình đạt 74%. Kết quả cho thấy khả năng ứng
dụng của hệ thống lên các đối tượng đo thực tế tại Việt Nam.

Bảng 4.2. Độ chính xác phân loại của mô hình đề xuất trên bộ dữ liệu tự thiết kế

SVM Độ chính xác Độ nhạy Độ đặc hiệu AUC

Model phân loại
Lf_ Ri_ Re_ Lf_ Ri_ Re_ Lf_ Ri_ Re_
IHMv IHMv IHMv IHMv IHMv IHMv IHMv IHMv IHMv
1 0.65 0.83 0.79 0.47 0.78 0.84 0.86 0.85 0.90 0.71
2 0.85 0.94 0.95 0.75 0.86 0.97 0.94 0.99 0.99 0.94
3 0.69 0.85 0.85 0.51 0.79 0.88 0.85 0.99 0.99 0.77
4 0.95 0.96 0.86 0.98 0.94 0.98 1 0.89 0.89 0.99
5 0.74 0.88 0.84 0.61 0.82 0.89 0.90 0.92 0.93 0.87
6 0.66 0.84 0.81 0.49 0.80 0.84 0.85 0.91 0.94 0.72
7 0.72 0.87 0.82 0.59 0.82 0.877 0.88 0.88 0.91 0.85
8 0.65 0.84 0.83 0.46 0.77 0.86 0.84 0.98 0.98 0.68

125
 9 0.65 0.86 0.84 0.438 0.63 0.98 0.85 0.90 0.91 0.68
10 0.86 0.94 0.95 0.77 0.85 1 0.94 0.99 0.99 0.93
Trung 0.74 0.88 0.85 0.61 0.81 0.91 0.89 0.93 0.94 0.81
bình
Độ lệch 0.102 0.045 0.052 0.169 0.074 0.060 0.050 0.051 0.039 0.110
chuẩn

4.2. Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba
phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận động

Chuyển động tay trái

Bộ phân loại 2
Vector đặc trưng
tầng SVM – 3 Chuyển động tay phải
62 thuộc tính
phân lớp đầu ra

Cánh tay robot hỗ trợ

Nghỉ
vận động
C3 C4

Hình 4.14. Mô hình hệ thống hỗ trợ vận động bằng sóng não

Để triển khai hệ thống hỗ trợ vận động điều khiển bằng sóng não vận động
trên thực tế, luận án đã thực hiện xây dựng hệ thống theo mô hình đề cập trên hình
4.14. Trong đó hệ thống thu nhận tín hiệu điện não và ra quyết định phân loại được
thực hiện theo phương pháp xây dựng bộ đặc trưng đề xuất và hệ thống phân lớp 3
trạng thái điều khiển vận động đầu ra. Hệ thống sẽ được kết hợp với mô hình cánh
tay robot để thực hiện các tác vụ điều khiển vận động của não bộ. Mô hình hoạt
động của hệ thống được mô tả như sau:

- Tín hiệu điện não thu được trên kênh C3 và C4 từ hệ thống đo EEG

- Tín hiệu được tiền xử lý bằng bộ lọc số

- Phân tách các đặc trưng đề xuất trên tín hiệu thu nhận để định lượng tín
hiệu

126
 - Sử dụng mô hình phân loại đề xuất để dịch các đặc trưng mô tả tín hiệu
thành các tín hiệu điều khiển tương ứng với tín hiệu điện não liên quan đến
vận động

Để phục vụ quá trình đánh giá khả năng thực thi của mô hình đề xuất, luận án
đã xây dựng thành công bộ phân loại (Hình 4.15) theo hướng tự động hóa các quy
trình bằng bộ công cụ MATLAB phục vụ quá trình phân loại ba phân lớp và đánh
giá kết quả. Mô tả chi tiết của hệ thống được đề cập trong phụ lục 5 của luận án.

Hình 4.15. Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu điện
não điều khiển tưởng tượng vận động chi trên dựa trên bộ phân loại đề xuất

Bên cạnh đó, tác giả đã thiết kế một mô hình cánh tay robot 1 bậc tự do có thể
thực hiện chuyển động co, duỗi mô phỏng chuyển động của khớp khuỷu tay và hệ
thống đồng bộ thông tin vận động với sóng não. Trong hướng phát triển tiếp theo
của luận án, tác giả sẽ phát triển tiếp các modun để ghép nối giữa hệ thống phát tín
hiệu điều khiển và các thiết bị ngoại vi.

Hệ thống cánh tay robot được tác giả đề cập trong công bố tại hội nghị REV
2014 (Công bố số 2 trong danh mục) và hệ thống đồng bộ thông tin vận động với
sóng não ( Đồng tác giả trong Công bố số 3 trong danh mục)

127
Hình 4.16. Khung cơ Hình 4.17. Giao diện thu nhận thông tin vận động
khí hoàn thiện

4.3 Kết luận chƣơng

Với mục tiêu xây dựng bộ dữ liệu điện não IHMv liên quan đến đối tượng là
người Việt Nam, luận án đã xây dựng thành công bộ cơ sở dữ liệu bao gồm 870
mẫu tín hiệu IHMv tại phòng thí nghiệm EEGLab & ARM Rehabilitation và sử
dụng hệ thống máy đo của Exea Ultra. Bộ dữ liệu cùng các báo cáo mô tả được
cung cấp miễn phí tại địa chỉ:

https://drive.google.com/drive/u/0/folders/0B2BjD1RM3w9GTEhqZFlUWXZTWjA

Thử nghiệm mô hình phân loại trên bộ dữ liệu tự thiết kế cho kết quả phân loại
tốt.

Bên cạnh đó, để phục vụ cho quá trình phân tích và xử lý tín hiệu điện não
đồng thời để xây dựng hệ thống hỗ trợ vận động được điều khiển bằng sóng não,
luận án đã thiết kế thành công các chương trình phân loại dựa trên mô hình đề xuất
để tạo quyết định phân lớp IHMv, hệ thống hỗ trợ tập luyện chi trên, và mô hình
đồng bộ thông tin vận động với sóng não. Bộ công cụ được sử dụng cho mục đích
nghiên cứu, phân tích tín hiệu điện não liên đến vận động người. Hướng phát triển
tương lai của đề tài là ghép nối các hệ thống này thành một hệ thống hoàn chỉnh hỗ
trợ vận động người được điều khiển bằng sóng não.

128
 Các kết quả nghiên cứu đề xuất đề cập trong chương 4 đã được công bố trên
bài báo:

[2]. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Mạnh Hùng, Nguyễn Duy Tùng,
Nguyễn Đức Thuận (2014). ―Thiết kế hệ thống hỗ trợ tập luyện 1 bậc tự
do và đo đạc thông số chuyển động ứng dụng cho phục hồi chức năng
khớp khuỷu tay‖. Hội thảo quốc gia 2014 về Điện tử, Truyền thông và
Công nghệ thông tin (REV-ECIT2014),18-19/9/2014, pp153-157.

[3]. Lại Hữu Phương Trung, Vũ Duy Hải, Phạm Mạnh Hùng, Phạm Phúc
Ngọc, Nguyễn Đức Thuận, Phạm Văn Bình. (2015). ―Một phương pháp
đồng bộ dữ liệu điện não đồ với sự kiện vận động để trích xuất thông tin
hữu ích‖. Tạp chí Y học thực hành. Bộ Y tế. ISSN 1859 – 1663. Số 960,
pp41-47.

129
KẾT LUẬN CHUNG
1. Các đóng góp mới

Nội dung của luận án đã giải quyết được các mục tiêu đề ra đó là nghiên cứu
phương pháp phân giải các tín hiệu tưởng tượng vận động chi trên có độ tin cậy và
chính xác cao dựa trên tín hiệu điện não đồ. Kết quả thực nghiệm trên bộ dữ liệu
mẫu và bộ dữ liệu tự đo đã chứng minh hiệu quả của phương pháp trên dữ liệu mẫu
chuẩn hóa và trong mô hình thực tế.

Các đóng góp chính của luận án được mô tả như sau:

- Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv nhằm nâng cao độ
chính xác phân loại cho hệ thống quyết định phân loại ba phân lớp IHMv.
Trong đó, 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 bao gồm: 2 kênh đo C3 và C4 trên khu vực vỏ não vận
động. Bộ đặc trưng mới bao gồm các thuộc tính Feaij với i = {RMS, WL,
MMAV, SSI, ZC, SSC, WAMP, LogEn, ShanEn, HjAct, HjMobi} và j =
{cD3, cD4, cD5} Trong đó j là các hệ số chi tiết của biến đổi wavelet
tương ứng với ba băng tần alpha, beta, theta. Kết quả thử nghiệm trên bộ
dữ liệu mẫu của Physionet đã cho thấy được khả năng phân biệt giữa ba
phân lớp IHMv của các đặc trưng với độ tin cậy 95%. Bộ đặc trưng mới
bao gồm 62 thuộc tính được luận án lựa chọn và đề xuất sử dụng để xây
dựng vector đặc trưng tín hiệu IHMv dựa trên phương pháp kiểm định
phương sai ANOVA theo chỉ số F và p. Phương pháp lựa chọn giúp xác
định được các đặc trưng có khả năng phân biệt mang tính thống kê giữa ba
trạng thái IHMv với độ tin cậy cao. Kết quả đƣợc công bố trong bài báo
(4)
- Đề xuất phương pháp phân loại 3 phân lớp IHMv bao gồm: Tưởng tượng
chuyển động tưởng tượng tay trái (Lf_IHMv), tưởng tượng chuyển động
tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv). Trong phần này, luận

130
 án sử dụng bộ đặc trưng đề xuất để xây dựng vector đặc trưng cho mô hình
phân loại. Để tăng số lượng đầu ra các trạng thái IHMv, luận án đề xuất mô
hình phân loại cải tiến dựa trên SVM được cấu trúc bởi hai tầng phân loại
nhị phân nối tiếp. Mô hình được thiết kế đơn giản, phù hợp với bài toán
phân loại ba phân lớp IHMv. Kết quả mô phỏng trên bộ dữ liệu mẫu cho
thấy mô hình phân loại đề xuất 3IHMv_SVM2 cho kết quả phân loại tốt
trong khi đó vẫn đảm bảo tính đơn giản và tăng số lượng phân lớp đầu ra.
Kết quả đƣợc công bố tại công trình (5).
- Xây dựng tập dữ liệu điện não EEG liên quan đến tưởng tượng vận động
chi trên và vận động thật trên đối tượng là người Việt Nam. Từ nghiên cứu
về tín hiệu IHMv và quy trình tạo tập dữ liệu điện não EEG quan đến vận
động chi trên, luận án đã thực hiện xây dựng được một cơ sở dữ liệu tín
hiệu điện não liên quan đến vận động được thực hiện trên đối tượng đo là
người Việt Nam có độ tuổi (20 - 32), tỷ lệ nam/nữ là 50/50 có tình trạng
sức khỏe tốt. và trong điều kiện đo và môi trường phòng thí nghiệm tại
Việt Nam. Mỗi đối tượng đo được đo điện não theo kịch bản thiết kế trước
với các trạng thái thư giãn, trạng thái có tưởng tượng vận động chi trên và
trạng thái vận động thật chi trên. Trong đó số lượng mẫu IHMv của tập dữ
liệu là 870 mẫu bao gồm: 240 mẫu tưởng tượng vận động tay trái, 210 mẫu
tưởng tượng vận động tay phải và 420 mẫu nghỉ. Bộ dữ liệu cùng biên bản
về điều kiện đo được cung cấp miễn phí tại địa chỉ
https://drive.google.com/drive/folders/0B2BjD1RM3w9GTEhqZFlUWXZ
TWjA
để phục vụ nghiên cứu và đào tạo.
Kết quả thực nghiệm của mô hình phân loại đề xuất trên bộ cơ sở dữ liệu
tự thiết kế đã được thực hiện thành công và cho độ chính xác phân loại
khá. Điều này cho thấy tính khả thi của mô hình phân loại đề xuất trên bộ
dữ liệu tự thiết kế đồng thời cho thấy độ tin cậy của bộ dữ liệu. Bộ cơ sở
dữ liệu được tác giả xây dựng trên đối tượng người Việt nam sẽ đóng góp

131
 chung vào bộ cơ sở dữ liệu chung của thế giới và là cơ sở để các nhà
nghiên cứu sử dụng và thực hiện các nghiên cứu liên quan về hệ thống điều
khiển vận động não bộ của người Việt.
- Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân
loại đề xuất. Mô hình phân loại được huấn luyện trên bộ cơ sở dữ liệu mẫu
và bộ dữ liệu tự thiết kế. Trong ứng dụng này, với tín hiệu đầu vào là các
đoạn IHMv khác nhau thì ở đầu ra hệ thống sẽ trả kết quả là phân lớp
tưởng tượng vận động chi trên tương ứng với đầu vào. 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. Hệ thống phân loại tự động tín hiệu tưởng tượng vận
động chi trên sẽ giúp tiếp cận gần hơn với mô hình hỗ trợ vận động các
thiết bị ngoại vi dựa trên quá trình điều khiển vận động bằng sóng não.

Luận án cũng đưa ra một số kiến nghị về vấn đề lựa chọn kênh đo, tiền xử lý
bằng bộ lọc pha bằng không, bộ lọc không gian Laplacian, 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.

Luận án đã đạt được các mục tiêu đề ra của luận án: (1) xây dựng bộ đặc trưng
mới định lượng tín hiệu IHMv, (2) phương pháp phân loại ba phân lớp IHMv mới,
(3) Xây dựng bộ dữ liệu liên quan đến tưởng tượng vận động của người Việt Nam..
Các kết quả nghiên cứu đã được công bố và công nhận trong các hội nghị và tạp chí
trong nước và quốc tế.

2. Hƣớng nghiên cứu tiếp

Trong hướng nghiên cứu tiếp theo, luận án sẽ tiếp tục nghiên cứu các thuộc
tính khác để cải thiện độ phân biệt giữa các trạng thái điều khiển vận động khác
nhau và tính khái quát của đặc trưng với nhiều đối tượng khác nhau. Tối ưu phương
pháp lựa chọn đặc trưng để có thể giảm được các thuộc tính không cần thiết.

132
- Nghiên cứu mô hình phân loại cải thiện tốc độ phân loại phục vụ các ứng
dụng online
- Nghiên cứu phương pháp phân tách các đoạn tín hiệu điện não liên quan đến
vận động trên các ứng dụng thời gian thực
- Thu thập nhiều tập mẫu thí nghiệm liên quan đến vận động của người Việt
để phục vụ cộng đồng trong công tác nghiên cứu.

133
DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ

1. Pham Phuc Ngoc, Vu Duy Hai, Nguyen Chi Bach, Pham Van Binh (2014).
―EEG SIGNAL ANALYSIS AND ARTIFACT REMOVAL BY WAVELET
TRANSFORM‖. 5th International conference on the development of biomedical
Engineering. BME HCM. Vol.46. pp.242-246.
2. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Mạnh Hùng, Nguyễn Duy Tùng, Nguyễn
Đức Thuận (2014). ―Thiết kế hệ thống hỗ trợ tập luyện 1 bậc tự do và đo đạc
thông số chuyển động ứng dụng cho phục hồi chức năng khớp khuỷu tay‖. Hội
thảo quốc gia 2014 về Điện tử, Truyền thông và Công nghệ thông tin (REV-
ECIT2014),18-19/9/2014, pp153-157.
3. Lại Hữu Phương Trung, Vũ Duy Hải, Phạm Mạnh Hùng, Phạm Phúc Ngọc,
Nguyễn Đức Thuận, Phạm Văn Bình. (2015). ―Một phương pháp đồng bộ dữ liệu
điện não đồ với sự kiện vận động để trích xuất thông tin hữu ích‖. Tạp chí Y học
thực hành. Bộ Y tế. ISSN 1859 – 1663. Số 960, pp41-47.
4. Phạm Phúc Ngọc, Vũ Duy Hải, Phạm Văn Bình, Nguyễn Duy Tùng, Vũ Thị
Hạnh, Nguyễn Đức Thuận (2015). ―Developement of features set for
classification of imagery hand movement - related EEG signals‖. Tạp chí Khoa
Học & Công Nghệ các Trường Đại học Kỹ thuật. ISSN 2354-1083. 109. pp43-48
5. Phạm Phúc Ngọc, Phạm Văn Bình (2015). ―Classification of three class hand
imagery movement with the application of 2-stage SVM model‖. Tạp chí Khoa
Học & Công nghệ các trường Đại Học Kỹ thuật. ISSN 2354-1083 [Vol 112 –
được chấp nhận đăng].

134
TÀI LIỆU THAM KHẢO
[1] Wikimedia Foundation, Inc. (2015, May 22). Wikipedia. ( Wikimedia
Foundation, Inc.) Retrieved May 14, 2015, from
http://en.wikipedia.org/wiki/Artificial_neural_network
[2] A. Phinyomark, A. N. (2012). Feature extraction and reduction of wavelet
transform coefficients for EMG pattern classification. Electr. Electr. Eng.,
122(6), 27–32. doi:http://dx.doi.org/10.5755/j01.eee.122.6.1816
[3] A. Phinyomark, C. L. (2009). A novel feature extraction for robust EMG
pattern recognition. Journal of Computing, 1(1), 71–80.
[4] A. Phinyomark, C. L. (2011). Application of wavelet analysis in EMG
feature extraction for pattern classification. Meas. Sci. Rev., 11(2), 45–
52. doi:http://dx.doi.org/10.2478/v10048-011-0009-y
[5] A.B.M. Aowlad Hossain, M. W. (2015). Left and Right Hand Movements
EEG Signals Classification Using Wavelet Transform and Probabilistic
Neural Network. International Journal of Electrical and Computer
Engineering (IJECE), 5(1), 92-101.
[6] A.S. Gevins, A. R. (1987). Handbook of electroencephalography and
clinical neurophysiology, Methods of analysis of brain electrical and
magnetic signals. Amsterdam: Elsevier.
[7] Abdollahi F, M.-N. A. (2006). Combination of frequency bands in eeg for
feature reduction in mental task classification. Conf Proc IEEE Eng Med
Biol Soc, 1146-1149. doi:doi: 10.1109/iembs.2006.260229
[8] AL Goldberger, L. A.-K. (2000). PhysioBank, PhysioToolkit, and
PhysioNet: Components of a New Research Resource for Complex
Physiologic Signals. Circulation, 101(23), 215-220.
[9] Alpaydin, E. (2009). Introduction to Machine Learning. Massachusetts:
MIT Press.
[10] Ana Loboda, A. M. (2014). Discrimination of EEG-Based Motor Imagery
Tasks by Means of a Simple Phase Information Method. (IJARAI)
International Journal of Advanced Research in Artificial Intelligence,
3(10), 11-15.
[11] Andrea Kubler, B. K. (2001). Brain - Computer Communication:
Unlocking the Locked in. Psychological Bullentin, 127(3), 358-375.

135
[12] Anne Kleppa, V. N.-R. (2015). Language–motor interference reflected in
MEG beta oscillations. NeuroImage, 109, 438–448.
[13] B, V. A. (2004). Motor imagery task classification for brain computer
interface applications using spatiotemporal principle component analysis.
Neurol. Res, 26, 282–7.
[14] B. Blankertz, R. T. (2008). Optimizing spatial filters for robust EEG
SingleTrial Analysis. IEEE Signal Proc. Mag, 25(1), 41–56.
[15] Babiloni, F. e. (1995). Performances of surface Laplacian estimators: a
study of simulated and real scalp potential distributions. Brain Topogr,
8(1), 35-45.
[16] Bao-Gou Xu, A.-g. S. (2008). Pattern recognition of motor imagery EEG
using wavelet transform. J. Biomedical Science and Engineering , 1, 64-
67.
[17] Boldrey, P. (1937). Somatic motor and sensory representation in the
cerebral cortex of man as studied by electrical stimulation. Brain, 103,
389-443.
[18] Brouziyne, M. M. (2005). Mental imagery combined with physical
practice of approach shots for golf beginners. Percept. Mot. Skills, 101,
203–211.
[19] Buch, E. W. (2008). Think to move: a neuromagnetic brain-computer
interface (BCI) system for chronic stroke. Stroke, 39(3), 910-917.
[20] Butler, A. J. (2006). Mental practice with motor imagery: evidence for
motor recovery and cortical reorganization after stroke. Arch. Phys.Med.
Rehabil., 87, S2–S11.
[21] C. Guger, G. E. (2003). How Many People are Able to Operate an EEG-
Based Brain-Computer Interface (BCI)? IEEE TRANSACTIONS ON
NEURAL SYSTEMS AND REHABILITATION ENGINEERING,
11(2), 145-7.
[22] C. Neuper, G. P. (2001). Evidence for distinct beta resonance frequencies
in human EEG related to specific sensorimotor cortical areas. Clinical
Neurophysiol, 112(11), 2084–2097.
[23] C.Vigneshwari, V. S. (2013). Analysis of Finger Movements Using EEG
Signal. International Journal of Emerging Technology and Advanced
Engineering, 3(1), 583-588.

136
[24] Caldara R, D. M. (2004). Actual and mental motor preparation and
execution: a spatiotemporal ERP study. Exp Brain Res, 159, 389–99.
[25] Cassar, T., & Camilleri, K. P. (2010). Three-mode Classification and
Study of AR Pole Variations of Imaginary Left and Right Hand
Movements. Proceedings of the Biomed. Austria.
[26] Chambers, S. S. (2007). EEG Signal Processing. Cardiff University, UK:
Centre of Digital Signal Processing.
[27] Chatrian GE, P. M. (1960). The blocking of the rolandic wicket rhythm
and some central changes related to movement. Electroencephalogr Clin
Neurophysiol , 11, 497-510.
[28] Cheng Cao, S. S. (2011). Application of a novel measure of EEG
nonstationarity as‗Shannon entropy of the peak frequency shifting‘ for
detecting residual abnormalities in concussed individuals. Clin
Neurophysiol, 122(7), 1314-1321. doi:doi:10.1016/j.clinph.2010.12.042
[29] Cheolsoo Park, D. L. (2013). Classification of motor imagery BCI Using
Multivariate Empirical Mode Decomposition. IEEE Transactions on
Neural Systems and Rehabilitation Engineering, 21(1), 10-22.
[30] Clarke, B. R. (2008). Linear Models: The Theory and Application of
Analysis of Variance. Wiley Library.
[31] D. J. McFarland, A. T. (1997). Design and operation of an EEG-based
brain-computer interface with digital signal processing technology.
Behav. Res. Meth. Instr. Comp., 29, 337–345.
[32] Davare, M. D. (2007). Role of the ipsilateral primary motor cortex in
controlling the timing of hand muscle recruitment. Cerebral Cortex, 17,
353–362.
[33] De Vries, S. T. (2011). Recovery of motor imagery ability in stroke
patients. Rehabil. Res. Pract. doi:http://dx.doi.org/10.1155/2011/283840
[34] Dechent, P. M. (2004). Is the human primary motor cortex involved in
motor imagery? Brain Res. Cogn. Brain Res., 19, 138–144.
[35] Dennis J. McFarland*, L. M. (1997). Spatial filter selection for EEG-
based communication. Electroencephalography and clinical
Neurophysiology , 103, 386-394.
[36] Elisabeth C.W. Van Straaten, C. J. (2013). Structure out of chaos:
Functional brain network analysis with EEG, MEG, and functional MRI.

137
 European Neuropsychopharmacology, 23(1), 7–18.
[37] F Pichiorri, F. D. (2011). Sensorimotor rhythm-based brain–computer
interface training: the impact on motor cortical responsiveness. Journal of
neural engineering, 8, 1-9.
[38] G. Pfurtscheller, C. N. (2001). Motor imagery and direct brain– computer
communication. Neural Engineering: Merging Engineering and
Neuroscience, Proc. IEEE (Special Issue), 89(7), 1123-1134.
[39] G., P. (2003). Induced oscillations in the alpha band: functional meaning.
Epilepsia, 44, 2–8.
[40] Gaggioli, A. M.-t. (2005). The virtual reality mirror: mental practice with
augmented reality for post-stroke rehabilitation. . Annu. Rev. Cyber Ther.
Telemed., 3, 199–205.
[41] Gao, Q. D. (54). Evaluation of effective connectivity of motor areas
during motor imagery and execution using conditional Granger causality.
Neuroimage, 1280–1288.
doi:http://dx.doi.org/10.1016/j.neuroimage.2010.08.071
[42] George Townsend, B. G. (2004). Continuous EEG Classification During
Motor Imagery—Simulation of an Asynchronous BCI. IEEE
Transactions on neural systems and rehabilitation engineering, 12(2),
258-265.
[43] Gernot R. Muller-Putz, V. K.-E. (2010). Fast set-up asynchronous brain-
switch based on detection of foot motor imagery in 1-channel EEG. Med
Biol Eng Comput, 48, 229–233.
[44] Gomez-Rodriguez, M. P.-W. (2011). Closing the sensorimotor loop:
haptic feedback facilitates decoding of motor imagery. J. Neural Eng., 8.
doi:http://dx.doi.org/10.1088/1741-2560/8/3/036005
[45] Guide, S. (n.d.). https://statistics.laerd.com/statistical-guides/one-way-
anova-statistical-guide-2.php.
[46] Guillot, A. C. (2008). Functional neuroanatomical networks associated
with expertise in motor imagery. Neuro image, 41, 1471–1483.
[47] H.L. Atwood, W. M. (1989). Essentials of neurophysiology. Hamilton,
Canada: B.C. Decker.
[48] Hayashi, M. J. (2008). Hemispheric asymmetry of frequency-dependent
suppression in the ipsilateral primary motor cortex during finger
movement: A functional magnetic resonance imaging study. Cerebral

138
 Cortex, 18, 2932–2940.
[49] Hogan, N. K. (2011). Physically interactive robotic technology for
neuromotor rehabilitation. Prog. Brain Res, 192, 59-68.
doi:http://dx.doi.org/10.1016/B978-0-444-53355-5.00004-X
[50] http://123doc.org/document/2045159-bai-giang-cau-tao-nao-bo.htm.
(2015). Bài giảng cấu tạo não bộ.
[51] http://www.dieutri.vn/sinhlynguoi/7-4-2013/S3755/Sinh-ly-than-kinh-
ban-cau-dai-nao.htm. (n.d.).
[52] Huang D, L. P.-Y. (2009). Decoding human motor activity from EEG
single trials for a discrete two-dimensional cursor control. Journal of
Neural Engineering, 6.
[53] Huang, D. K.-Y. (2011). Event-related desynchronization/
synchronization-based brain-computer interface towards volitional cursor
control in a 2D center-out paradigm. Computational Intelligence,
Cognitive Algorithms, Mind, and Brain (CCMB), 2011 IEEE Symposium
on, (pp. 1 - 8). Paris.
[54] Ietswaart, M. J. (2011). Mental practice with motor imagery in stroke
recovery: randomized controlled trial of efficacy. controlled trial of
efficacy., 134, 1373–1386. doi:http://dx.doi.org/10.1093/brain/awr077
[55] Igor Brauns, S. T.-C.-P.-C. (2014). Changes in the theta band coherence
during motor task after hand immobilization. Int Arch Med.
[56] Ince, N. G. (2009). Adapting subject specific motor imagery EEG
patterns in space–time–frequency for a brain computer interface. Biomed.
Signal Process. Control, 4, 236–246.
[57] J, W., N, B., D, M., Pfurtscheller, G., & T, V. (2002). Brain–computer
interfaces for communication and control. Clin. Neurophysiol, 113, 767–
91.
[58] J. R. Wolpaw, D. J. (1991). An EEG based brain-computer interface for
cursor control. Electroencephalogr Clin. Neurophysiol., 78, 252–259.
[59] J.J. Baker, E. S. (2010). Continuous detection and decoding of dexterous
finger flexions with implantable myoelectric sensors. IEEE Trans.
Rehabil. Eng. Neural Syst., 18(4), 424–432.
doi:http://dx.doi.org/10.1109/TNSRE.2010.2047590
[60] Jeannerod, M. (1994). The representing brain: neural correlates of motor

139
 intention and imagery. Brain Behav. Sci., 17, 187-245.
[61] Jeannerod, M. (1995). Mental imagery in the motor context.
Neuropsychologia, 33, 1419-1433.
[62] Jeffrey C. Lagarias, J. (1998). Convergence properties of the Nelder
Mead Simplex method in low dimensions. Siam J. optim, 9(1), 112-147.
[63] Jun Lv, Y. L. (2010). Decoding hand movement velocity from
electroencephalogram signals during a drawing task. BioMedical
Engineering OnLine .
[64] K. Jerbia, J. V.-P. (2011). Inferring hand movement kinematics from
MEG, EEG and intracranial EEG: From brain-machine interfaces to
motor rehabilitation. IRBM, 32(1), 8–18.
[65] Kaiser, V. K.-P. (2011). First steps toward a motor imagery based stroke
BCI: new strategy to set up a classifier. Front. Neurosci.
doi:http://dx.doi.org/10.3389/fnins.2011.00086
[66] Kharat, P. A. (2012). Daubechies Wavelet Neural Network Classifier for
the Diagnosis of Epilepsy. Wseas Transactions on Biology and
Biomedicine, 9(4), 103-113.
[67] Kiloh LG, M. A. (1981). Clinical Electroencephalography (Vol. 4).
London: Butterworth.
[68] Kimberley, T. K. (2006). Neural substrates for motor imagery in severe
hemiparesis. Neurorehabil Neural Repair, 20, 268–277.
[69] Kirsch, W. (2010). ERP correlates of linear hand movements: Distance
dependent changes. Clinical Neurophysiology , 121, 1285-1292.
[70] Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy
estimation and model selection. Proceedings of the Fourteenth
International Joint Conference on Artificial Intelligence. 2, pp. 1137–
1143. San Francisco, CA: Morgan Kaufmann Publishers Inc.
[71] Konstantin M. Sonkin, L. A. (2015). Development of
electroencephalographic pattern classifiers for real and imaginary thumb
and index finger movements of one hand. Artificial Intelligence in
Medicine, 63(2), 107–117.
[72] Koprinska, I. (2009). Feature selection for brain–computer interfaces.
Lecture Notes in Computer Science International Workshop on New
Frontiers in Applied Data Mining (PAKDD), 5669, 106–117.

140
[73] L Deecke, H. W. (1982). Magnetic fields of the human brain
accompanying voluntary movements: Bereitschaftsmagnetfeld. Exp Brain
Res, 48, 144–148.
[74] L.J. Herrera, C. F. (2013). Combination of heterogeneous eeg feature
extraction methods and stacked sequential learning for sleep stage
classification. International Journal of Neural system, 23(3).
[75] Lee PL, W. Y. (2003). ICA-based spatiotemporal. Neuroimage, 20, 2010-
2030.
[76] Lei Qin, B. H. (2005). A wavelet-based time–frequency analysis
approach for classification of motor imagery for brain–computer interface
applications. J. Neural Eng, 2, 65–72. doi:doi:10.1088/1741-2560/2/4/001
[77] Lichen Xun, G. Z. (2013). ECG Signal Feature Selection for Emotion
Recognition. TELKOMNIKA, 11(3), 1363 ~ 1370.
[78] Liou, C.-Y., & Kuo, Y.-T. (2002). Data Flow Design for the
Backpropagation Algorithm. National Taiwan University, Computer
Science and Information Engineering. Taipei: National Taiwan
University Press.
[79] Lotze, M. H. (2006). Motor imagery. J. Physiol., 99, 386–395.

[80] Ludwig KA, M. R. (2009). Using a common average reference to

improve cortical neuron recordings from microelectrode arrays.
Neurophysiol, 101, 1679–89.
[81] M. Sabeti, R. B. (2007). Selection of relevant features for EEG signal
classification of schizophrenic patients. Biomed. Signal Process. Control,
2(2), 122-134.
[82] Malouin, F. R. (2004). Training mobility tasks after stroke with combined
mental and physical practice: a feasibility study. Neurorehabil. Neural
Repair, 18, 66–75.
[83] Mani Adib, E. C. (2013). Wavelet-Based Artifact Identification and
Separation Technique for EEG Signals during Galvanic Vestibular
Stimulation. Computational and Mathematical Methods in Medicine, 1-
13. doi:http://dx.doi.org/10.1155/2013/167069
[84] Martin Lotze, U. H. (2006). Motor imagery. Journal of Physiology, 386-
395.
[85] MedCalc Software. (2015, June 2). MedCalc, 15.6. (MedCalc Software)
Retrieved May 6, 2015, from https://www.medcalc.org/manual/roc-

141
 curves.php
[86] Mia Liljeströma, C. S. (2015). Task- and stimulus-related cortical
networks in language production: Exploring similarity of MEG- and
fMRI-derived functional connectivity. NeuroImage, 120, 75–87.
[87] Mohamed, A.-K. (2011). Towards improved EEG interpretation in a
sensorimotor BCI for the control of a prosthetic or orthotic hand.
Johannesburg: : Faculty of Engineering, Master of Science in
Engineering, Universityof Witwatersrand.
[88] Mohammad H. Alomari, A. S. (2013). Automated Classification of L/R
Hand Movement EEG Signals using Advanced Feature Extraction and
Machine Learning. International Journal of Advanced Computer Science
and Applications,, 4(6), 207-212.
[89] Mohammad H. Alomari, E. A. (2014). wavelet-based feature extraction
for the analysis of EEG signals associated with imagined fists and feet
movements. Computer and Information Science, 7(2), 17-27.
doi:10.5539/cis.v7n2p17
[90] Morash V, B. O. (2008). Classifying EEG signals preceding right hand,
left hand, tongue, and right foot movements and motor imageries.
Clinical Neurophysiology, 2570–2578, 2570–2578.
[91] Müller-Putz GR, K. V.-E. (2010). Fast set-up asynchronous brain-switch
based on detection of foot motor imagery in 1-channel EEG. Med Biol
Eng Comput, 48, 229–33.
[92] N. Birbaumer, N. G. (1999). A spelling device for the paralyzed. Nature,
398, 297–298.
[93] Nam CS, J. Y.-J. (2011). Movement imagery-related lateralization of
event-related (de)synchronization (ERD/ERS): motor-imagery duration
effects. Clin Neurophysiol , 122, 567–577.
[94] Nawel Jmail, M. G.-M.-G. (2011). A comparison of methods for
separation of transient and oscillatory signals in EEG. Journal of
Neuroscience Methods, 199, 273–289.
[95] Neuper C, W. M. (2006). ERD/ERS patterns reflecting sensorimotor
activation and deactivation. Prog Brain Res., 159, 211-222.
[96] Neuper, C. ,. (1999). Motor imagery and ERD. In Handbook of
Electroencephalography and Clinical Neurophysiology (Vol. 6, pp. 303–
325). Elsevier, Amsterdam.

142
[97] Neuper, C. S. (2008). Event-related EEG characteristics during motor
imagery. Int. J. Psychophysiol., 69, 181–182.
[98] Nuri F. Ince, F. G. (2009). Adapting subject specific motor imagery EEG
patterns in space–time–frequency for a brain computer interface.
Biomedical Signal Processing and Control, 4, 236–246.
[99] Oppenheim, A. V. (1999). Discrete-Time Signal Processing. 2nd Ed.
Upper Saddle River, NJ: Prentice Hall.
[100] Page, S. J. (2007). Mental practice in chronic stroke: results of a
randomized, placebo-controlled trial. Stroke, 38, 1293–1297.
[101] Penfield W, R. T. (1950). The Cerebral Cortex of Man: A Clinical Study
of Localization of Function. New York: Macmillan.
[102] Pfurtscheller, G., & Graimann, B. &. (2006). EEG-Based Brain-
Computer Interface System. Wiley: Wiley Encyclopedia of Biomedical
Engineering.
[103] Pineda JA, A. B. (2000). The effects of self-movement, observation, and
imagination on mu rhythms and readiness potentials (RP's): toward a
brain-computer interface (BCI). IEEE Trans Rehabil Eng., 8, 219-222.
[104] PL, N. (1981). Electric Fields of the Brain: The Neurophysics of EEG. ,
New York: Oxford University Press.
[105] PL, W. (1989). Gray's Anatomy. Churchill Livingstone, Edinburgh:
Warwick R. 37th ed., 1598 pp. .
[106] Ramos-Murguialday, A. B.-C. (2013). Brain–machine-interface in
chronic stroke rehabilitation: a controlled study. Ann. Neurol.
doi:http://dx.doi.org/10.1002/ana.23879
[107] Rojas, R. (1996). The Backpropagation Algorithm. In Neural Networks
(pp. 151-184). Berlin: Springer-Verlag.
[108] S.S. Keerthi, C. L. (2003). Asymptotic behavior of support vector
machines with Gaussian Kernel. Neural Comput, 15(7), 1667-1689.
[109] Sabordo, M., Shong, C. Y., Berryman, M. J., & Abbott, D. (2004). Who
Wrote the Letter to the Hebrews? – Data Mining for Detection of Text
Authorship. Proceedings of SPIE - The International Society for Optical
Engineering, (pp. 513-524). Tarndarnya.
[110] Saeid Sanei, J. A. (2007). EEG Signal Processing. John Wiley & Sons
Ltd.

143
[111] Schalk, G. M. (2004). BCI2000: A General-Purpose Brain-Computer
Interface (BCI) System. IEEE Transactions on Biomedical Engineering ,
51(6), 1034-1043.
[112] Scholkopf, B. a. (2002). Learning with Kernels. Cambridge MA: MIT
Press.
[113] Sharma, N. P.-C. (2006). Motor imagery: a back door to the motor system
after stroke? Stroke, 37, 1941–1952.
[114] Shindo K, K. K. (2011). Effects of neurofeedback training with an
electroencephalogram-based brain–computer interface for hand paralysis
in patients with chronic stroke: a preliminary case series study. Rehabil
Med, 43, 951-957.
[115] Slobounov S, R. M. (2000). EEG correlates of finger movements as a
function of range of motion and pre-loading conditions. Clin
Neurophysiol , 111, 1997-2007.
[116] Stack Exchange Inc. (2013, December 4). Stackoverflow. (Stack
Exchange Inc) Retrieved April 12, 2015, from
http://stackoverflow.com/questions/20331468/how-to-avoid-overfitting-
in-training-data
[117] Stippich C, O. H. (2002). Somatotopic mapping of the human primary
sensorimotor cortex during motor imagery and motor execution by
functional magnetic resonance imaging. Neurosci Lett, 331, 50-54.
[118] Suicheng Gu, Y. T. (2010). Discriminant analysis via support vectors.
Neurocomputing, 73, 1669-1675.
[119] Szameitat, A. S. (2007). Motor imagery of complex everyday
movements. An fMRI study. . Neuroimage, 34, 702–713.
[120] Tae-Eui Kam, H.-I. S.-W. (2013). Non-homogeneous spatial filter
optimization for ElectroEncephaloGram (EEG)-based motor imagery
classification. Neurocomputing, 108, 58-68.
[121] Tao Wanga, J. D. (2004). Classifying EEG-based motor imagery tasks by
means of time–frequency synthesized spatial patterns. Clinical
Neurophysiology, 115, 2744–2753.
[122] Teo, W.-P. C. (2014). s motor-imagery brain–computer interface feasible
in stroke rehabilitation. PM R , 1-6.
[123] Tolić, M. &. (2013). Classification of Wavelet Transformed EEG Signals
with Neural Network for Imagined Mental and Motor Tasks. International

144
 Journal of Fundamental and Applied Kinesiology, 45(1), 130-138.
[124] Vallabhaneni, A., T., W., & He, B. (2007). Brain-Computer Inteface. In
B. He, Neural Engineering (Vol. 3, pp. 93-106). New York: Kluwer
Academic/Plenum Publishers.
[125] Vera Kaiser, A. K.-P. (2011). First steps toward a motor imagery based
stroke BCI: new strategy to set up a classifier. Frontiers in neuroscience,
5(86), 1-10.
[126] W.-K. Tam, K.-Y. T. (2011). A minimal set of electrodes for motor
imagery BCI to control an assistive device in chronic stroke subjects: a
multi-session study. IEEE Transactions on Neural Systems and
Rehabilitation Engineering, 19(6), 617–627.
[127] Ward, N. (2011). Assessment of cortical reorganisation for hand function
after stroke. J. Physiol., 589(23), 5625–5632.
[128] Wei-Tang Changa, I. P.-Y. (2015). Combined MEG and EEG show
reliable patterns of electromagnetic brain activity during natural viewing.
NeuroImage, 114, 49–56.
[129] Wikimedia Foundation, Inc. (2015, June 4). Wikipedia. ( Wikimedia
Foundation, Inc.) Retrieved May 5, 2015, from
http://en.wikipedia.org/wiki/Support_vector_machine
[130] Xiaoou Li, X. C. (2014). Classification of EEG Signals Using a Multiple
Kernel Learning Support Vector Machine. Sensors, 14, 12784-12802.
doi:doi:10.3390/s140712784
[131] Xinyang Yu, P. C.-B. (2014). Analysis the effect of PCA for feature
reduction in non-stationary EEG based motor imagery of BCI system.
Optik, 125, 1498–1502.
[132] Yasunari Hashimoto, J. U. (2013). EEG-based classification of imaginary
left and right foot movements using beta. Clinical Neurophysiology.
doi:http://dx.doi.org/10.1016/j.clinph.2013.05.006
[133] Zhongxing Zhou, B. W. (2012). Wavelet packet-based independent
component analysis for feature extraction from motor imagery EEG of
complex movements. Clinical Neurophysiology, 123, 1779–1788.

145
 PHỤ LỤC 1

KẾT QUẢ KIỂM ĐỊNH ĐÁNH GIÁ CÁC ĐẶC TRƢNG TRÊN BỘ DỮ LIỆU
MẪU PHYSIONET

Phụ lục 1 mô tả bộ dữ liệu được định lượng lần lượt bằng 1 trong 62 thuộc tính
trong bộ đặc trưng đề xuất và kiểm định ANOVA để đánh giá khả năng phân biệt
các trạng thái của các đặc trưng.

Với mỗi từng thuộc tính phụ lục sẽ trình bày bao gồm:

- Số lượng mẫu thu được từ bộ dữ liệu Physionet bao gồm 782 mẫu tín hiệu
EEG nghỉ Re_IHMv, 401 mẫu tín hiệu EEG chuyển động tưởng tượng tay
trái và 396 mẫu tín hiệu chuyển động tưởng tượng tay phải.
- Các tín hiệu EEG liên quan đến tưởng tượng vận động sẽ được sắp xếp vào
từng cột tương ứng với các nhóm:

Column 1 = Nhóm mẫu nghỉ

Column 2 = Nhóm mẫu tưởng tượng chuyển động tay phải

Column 3 = Nhóm mẫu tưởng tượng chuyển động tay trái

- Bảng 1 mô tả số lượng mẫu, tổng các mẫu, trung bình các mẫu và phương
sai các mẫu của từng nhóm điện não EEG
- Bảng 2 mô tả kết quả kiểm định sự khác nhau giữa các phân nhóm dựa trên
việc áp dụng phương pháp kiểm định ANOVA lên 3 nhóm mẫu. Khả năng
phân biệt các trạng thái của đặc trưng được thể hiện qua chỉ số F > Fcrit và
độ tin cậy đạt 95% qua chỉ số p của phương pháp

Với số lượng mẫu của bộ dữ liệu Fcrit = 3.001434

- Đồ thị Boxplot mô tả phân bố và so sánh giữa các nhóm trạng thái.

- Bảng 3 mô tả chi tiết thông số của các biểu đồ hình hộp. Trong đó q1 = bách
phân vị 25%, q2 = bách phân vị 50%, q3 = bách phân vị 75%

146
Các thuộc tính định lƣợng đƣợc kiểm định bằng phƣơng pháp ANOVA

     
C3 C3 C3 C 4
C 4
C4

RMS f1 f2 f3 f43 f44 f45

WL f4 f5 f6 f46 f47 F48

MMAV f7 f8 f9 F49 f50 f51

SSI f10 f11 f12 f52 f53 f54

ZC f13 f14 f15 f55 f56 f57

SSC f16 f17 f18 f58 f59 f60

ShanEn f19 f20 f21 f61 f62 F63

LogEn f22 f23 f24 F64 f65 f66

WAMP f25 f26 f27 f67 f68 f69

HjAct f28 f29 f30 f38 f39 f40

HjMobi f31 f32 f33 f70 f71 f72

Hj_Complex f34 f35 f36 f73 f74 f75

Skewness f37 f38 f39 f76 f77 f78

Kutorsis f40 f41 f42 f79 f80 f81

Bảng kết quả đầy đủ đƣợc lƣu trữ và truy cập tại địa chỉ:

https://drive.google.com/drive/folders/0B1utvGp5936OWFUwSlV5LWowa3c

147
 KẾT QUẢ KIỂM ĐỊNH ANOVA

+ Thuộc tính 1: RMS Theta C3

Groups Count Sum Average Variance

Column 1 782 381.1719 0.487432 0.06543
Column 2 401 136.7595 0.341046 0.058386
Column 3 396 137.7304 0.347804 0.054265

ANOVA
Source of Variation SS df MS F P-value F crit
Between Groups 8.083801 2 4.041901 66.43064 0 3.001434
Within Groups 95.89001 1576 0.060844
Total 103.9738 1578

RMS_C3_Theta Rest Right left

min 0 0 0
1.2
q1 0.299979 0.166956 0.169352
1
q2 0.461172 0.302578 0.318549
0.8 q3 0.658484 0.474856 0.484327
0.6 max 1 1 1
0.4 boxlow 0.299979 0.166956 0.169352
0.2 boxmid 0.161194 0.135622 0.149196
box hi 0.197312 0.172278 0.165778
0
Rest IM_Right hand IM_Left hand err down 0.461172 0.302578 0.318549
err up 0.538828 0.697422 0.681451

148
+ Thuộc tính 2: RMS Alpha C3

Groups Count Sum Average Variance

Column 1 782 377.7707 0.483083 0.067188
Column 2 401 129.4307 0.32277 0.050556
Column 3 396 140.929 0.355881 0.049697

ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 8.387457 2 4.193729 71.58607 0 3.001434
Within Groups 92.32685 1576 0.058583
Total 100.7143 1578

RMS_C3_Alpha Rest Right left

1.2
min 0 0 0
q1 0.279119 0.140683 0.195366
1
q2 0.449365 0.305138 0.334525
0.8 q3 0.667238 0.486017 0.495423
0.6 max 1 1 1
0.4 boxlow 0.279119 0.140683 0.195366
boxmid 0.170245 0.164455 0.139159
0.2
box hi 0.217873 0.180879 0.160897
0 err
Rest IM_Right hand IM_Left hand
down 0.449365 0.305138 0.334525
err up 0.550635 0.694862 0.665475

149
+ Thuộc tính 3: RMS C3 beta

Groups Count Sum Average Variance

Column 1 782 379.6539 0.485491 0.068981
Column 2 401 119.8919 0.298982 0.043089
Column 3 396 139.6762 0.352718 0.05319

ANOVA
Source of
Variation SS df MS F P-value F crit
3.47E-
Between Groups 10.65595 2 5.327974 91.15135 38 3.001434
Within Groups 92.12027 1576 0.058452
Total 102.7762 1578

Rest Right left

RMS_C3_Beta
min 0 0 0
1.2 q1 0.282251 0.14041 0.187453
1 q2 0.45679 0.285888 0.325968
0.8 q3 0.657027 0.41033 0.497496
0.6 max 1 1 1
0.4
boxlow 0.282251 0.14041 0.187453
boxmid 0.174539 0.145478 0.138515
0.2
box hi 0.200236 0.124442 0.171528
0 err
Rest IM_Right IM_Left hand
down 0.45679 0.285888 0.325968
hand
err up 0.54321 0.714112 0.674032

+ Thuộc tính 4: WL C3 Theta

Groups Count Sum Average Variance

Column 1 782 371.8818 0.475552 0.067601
Column 2 401 132.9852 0.331634 0.055363
Column 3 396 138.6088 0.350022 0.054462

ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 7.237806 2 3.618903 59.13053 0 3.001434
Within Groups 96.45426 1576 0.061202
Total 103.6921 1578

150
 Rest Right left
WL_C3_Theta
min 0 0 0
1.2 q1 0.283022 0.152435 0.169408
1 q2 0.44948 0.289484 0.322061
0.8 q3 0.640039 0.484759 0.486025
max 1 1 1
0.6
boxlow 0.283022 0.152435 0.169408
0.4 boxmid 0.166459 0.137049 0.152653
0.2 box hi 0.190559 0.195274 0.163965
err
0 down 0.44948 0.289484 0.322061
Rest IM_Right hand IM_Left hand
err up 0.55052 0.710516 0.677939

+ Thuộc tính 5: WL C3 Alpha

Groups Count Sum Average Variance

Column 1 782 374.8023 0.479287 0.072887
Column 2 401 128.2945 0.319936 0.049044
Column 3 396 144.8348 0.365744 0.05442

ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 7.782225 2 3.891112 62.5513 0 3.001434
Within Groups 98.03782 1576 0.062207
Total 105.82 1578

Rest Right left

WL_C3_Alpha
min 0 0 0
1.2 q1 0.274523 0.139342 0.190384
1 q2 0.436427 0.311647 0.343668
0.8 q3 0.665173 0.453791 0.503009
0.6 max 1 1 1
0.4 boxlow 0.274523 0.139342 0.190384
0.2 boxmid 0.161904 0.172305 0.153284
0
box hi 0.228746 0.142144 0.159341
Rest IM_Right hand IM_Left hand err
down 0.436427 0.311647 0.343668
err up 0.563573 0.688353 0.656332

151
+ Thuộc tính 6: WL C3 Beta

Groups Count Sum Average Variance

Column 1 782 398.3748 0.509431 0.064873
Column 2 401 128.4772 0.320392 0.046196
Column 3 396 147.5633 0.372635 0.049998

ANOVA
Source of
Variation SS df MS F P-value F crit
8.56E-
Between Groups 11.0414 2 5.520702 97.87719 41 3.001434
Within Groups 88.89331 1576 0.056404
Total 99.93471 1578

Rest Right left

WL_C3_Beta
min 0 0 0
1.2 q1 0.324458 0.156122 0.214817
1
q2 0.473044 0.306627 0.353065
0.8
0.6
q3 0.677505 0.46178 0.512669
0.4 max 1 1 1
0.2 boxlow 0.324458 0.156122 0.214817
0 boxmid 0.148586 0.150505 0.138248
Rest IM_Right IM_Left hand box hi 0.204461 0.155154 0.159604
hand
err down 0.473044 0.306627 0.353065
err up 0.526956 0.693373 0.646935

+ Thuộc tính 7: MMAV C3 Theta

Groups Count Sum Average Variance

Column 1 782 377.9941 0.483368 0.066837
Column 2 401 139.9801 0.349077 0.059857
Column 3 396 136.4358 0.344535 0.053043

ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 7.363698 2 3.681849 59.76229 0 3.001434
Within Groups 97.09456 1576 0.061608
Total 104.4583 1578

152
 Rest Right left
MMAV_C3_Theta
min 0 0 0
1.2 q1 0.287632 0.16594 0.185328
1 q2 0.457409 0.30405 0.300531
0.8 q3 0.670477 0.500119 0.475917
0.6 max 1 1 1
0.4 boxlow 0.287632 0.16594 0.185328
boxmid 0.169777 0.13811 0.115204
0.2
box hi 0.213068 0.196069 0.175386
0
Rest IM_Right hand IM_Left hand
err
down 0.457409 0.30405 0.300531
err up 0.542591 0.69595 0.699469

+ Thuộc tính 8: MMAV C3 Alpha

Groups Count Sum Average Variance

Column 1 782 386.6597 0.49445 0.068597
Column 2 401 129.9772 0.324133 0.053282
Column 3 396 138.8777 0.350701 0.052464

ANOVA
Source of
Variation SS df MS F P-value F crit
Between Groups 9.884365 2 4.942183 81.46496 0 3.001434
Within Groups 95.61019 1576 0.060666
Total 105.4946 1578

MMAV_C3_Alpha Rest Right left

min 0 0 0
1.2
q1 0.290912 0.146062 0.177889
1
q2 0.456952 0.298312 0.316149
0.8 q3 0.679553 0.481307 0.492663
0.6 max 1 1 1
0.4 boxlow 0.290912 0.146062 0.177889
0.2
boxmid 0.166039 0.15225 0.13826
box hi 0.222601 0.182995 0.176514
0
Rest IM_Right hand IM_Left hand err down 0.456952 0.298312 0.316149
err up 0.543048 0.701688 0.683851

153
 +

Groups Count Sum Average Variance Thuộc

Column 1 782 387.6356 0.495698 0.065498 tính 9:
Column 2 401 118.3537 0.295146 0.040469
Column 3 396 136.6143 0.344986 0.049718
MMA
V C3
ANOVA
Beta
Source of
Variation SS df MS F P-value F crit
2.43E-
Between Groups 12.69215 2 6.346076 114.9855 47 3.001434
Within Groups 86.97982 1576 0.05519
Total 99.67197 1578

MMAV_C3_Beta
Rest Right left
1.2
min 0 0 0
1
q1 0.310818 0.155164 0.188674
0.8
q2 0.459667 0.278704 0.310536
0.6
q3 0.660991 0.410599 0.498193
0.4
max 1 1 1
0.2
boxlow 0.310818 0.155164 0.188674
0 boxmid 0.148849 0.12354 0.121862
Rest IM_Right hand IM_Left hand
box hi 0.201324 0.131895 0.187657
err
down 0.459667 0.278704 0.310536
err up 0.540333 0.721296 0.689464

…..

…..

…..

154
…..

+ Thuộc tính 66: Hj_Mobi C4 Theta

Groups Count Sum Average Variance

Column 1 782 320.4496 0.409782 0.065564
Column 2 401 196.6523 0.490405 0.062676
Column 3 396 189.2649 0.477942 0.070479

ANOVA
Source of
Variation SS df MS F P-value F crit
6.13E-
Between Groups 2.217614 2 1.108807 16.78421 08 3.001434
Within Groups 104.1145 1576 0.066062
Total 106.3321 1578

Rest Right left

HjMobi_C4_theta
min 0 0 0
1.2 q1 0.219422 0.304071 0.29092
1 q2 0.379448 0.48449 0.464674
0.8 q3 0.582452 0.67086 0.663047
max 1 1 1
0.6
boxlow 0.219422 0.304071 0.29092
0.4 boxmid 0.160026 0.180419 0.173754
0.2 box hi 0.203003 0.18637 0.198372
0 err down 0.379448 0.48449 0.464674
Rest IM_Right hand IM_Left hand err up 0.620552 0.51551 0.535326

PHỤ LỤC 2
BIÊN BẢN THÍ NGHIỆM ĐO EEG

155
Phụ lục mô tả biên bản thí nghiệm đo của các đối tượng đo người Việt nam được
thực hiện bằng hệ thống máy đo điện não EEG máy eXea ULTRA của BITMED
Tây Ban Nha.
Mỗi biên bản sẽ bao gồm các nội dung:
1. Thông tin cá nhân của các đối tượng tham gia thí nghiệm
2. Thông tin môi trường đo
3. Tiến trình và kịch bản từng thí nghiệm
4. Hình ảnh và video các đối tượng đo
Thông tin chung về các thí nghiệm được thực hiện trên các đối tượng đo người Việt
Nam
Thông tin Nội dung
Số lượng đối tượng tham gia thí 12 người
nghiệm
Mã đối tượng P001 – P012
Tỷ lệ nam/nữ 6 nam/6 nữ
Tuổi 19-21
Số lượng thí nghiệm của một đối tượng 6 thí nghiệm
+ E01:Thư giãn nhắm mắt
+ E02: Thư giãn mở mắt
+ E03: Nắm mở tay trái/phải
+ E04: Tưởng tượng nắm mở tay trái/phải
+ E05: Nắm mở tay trái/phải
+ E06: Tưởng tượng nắm mở tay trái/phải
Hệ thống máy đo BITMED eXea ULTRA
Số lượng kênh đo 19 kênh
Tần số lấy mẫu 250Hz
Biên bản đầy đủ 12 đối tượng thí nghiệm được đăng tại địa chỉ:
https://drive.google.com/drive/u/0/folders/0B2BjD1RM3w9GTEhqZFlUWXZTWj
A

156
 BIÊN BẢN THÍ NGHIỆM ĐO EEG
P001
Ngày 25/09/2014
I. Đối tƣợng thí nghiệm
Kích thƣớc hộp sọ
Chiều cao Cân nặng Tình trạng Tay
ID Thị lực (cm)
(cm) (kg) sức khoẻ thuận
Trán-chẩm 2 dái tai
Sử dụng
thuốc đau
Cận 3
đầu trước
P001 167 54 diop 2 Phải 38 46
khi thí
nghiệm 1
mắt
ngày

II. Môi trƣờng thí nghiệm

 Địa điểm: Phòng 414 – C9 Môi trƣờng Mô tả
 Thời gian thực hiện: Từ 15h45 đến Tiếng ồn Ít
16h35 Cường độ sáng Trung bình
 Thiết bị: máy eXea ULTRA của Nhiệt độ 32oC
BITMED Tây Ban Nha và phần mềm XGPLab v 2.32b

III. Tiến trình thí nghiệm đo EEG

 Ghi chú: - Tần số lấy mẫu là 250 Hz
- Kênh Pz, F3 tuy có màu xanh (trở kháng tốt) nhưng lại
không đo được tín hiệu (tín hiệu yếu hơn mức bình thường)

1. Thí nghiệm 1: Nhắm mắt thư giãn

Thời gian Ghi chú Filename(.txt, .xgp)
Chuẩn bị: 7.0 s Pz, F3 không có tín P001E01.txt

157
 Thí nghiệm: 1 min hiệu P001E01.XGP

2. Thí nghiệm 2: Mở mắt thư giãn/ Nháy mắt tự do

Thời gian Ghi chú Filename(.txt,.xgp)
Chuẩn bị: 8.0s Pz, F3 không có tín P001E02.txt
Thí nghiệm: 1 min hiệu P001E02.XGP

3. Thí nghiệm 3: Nắm-mở tay trái phải

Events Trạng thái Thời gian Ghi chú Filename

(.txt,.xgp)
0 Chuẩn bị 4s
Cue Nháy mắt 3s
Pz, F3
1-30 15 Nghỉ Nghỉ 5s
không có P001E03.txt
8 Nắm-mở tay trái Vận động 2.5s
tín hiệu P001E03.XGP
7 Nắm-mở tay phải
31 Nghỉ 5s
End 2s

4. Thí nghiệm 4: Tưởng tượng nắm-mở tay trái phải

Events Trạng thái Thời gian Ghi chú Filename

(.txt,.xgp)
0 Chuẩn bị 4s
Cue Nháy mắt 3s
Pz, F3
1-30 15 Nghỉ Nghỉ 5s
không có P001E04.txt
8 Nắm-mở tay trái Vận động 2.5s
tín hiệu P001E04.XGP
7 Nắm-mở tay phải
31 Nghỉ 5s
End 2s

5. Thí nghiệm 5: Nắm-mở tay trái phải

158
Events Trạng thái Thời gian Ghi chú Filename
(.txt,.xgp)
0 Chuẩn bị 4s
Cue Nháy mắt 3s
Pz, F3
1-30 15 Nghỉ Nghỉ 5s
không có P001E05.txt
8 Nắm-mở tay trái Vận động 2.5s
tín hiệu P001E05.XGP
7 Nắm-mở tay phải
31 Nghỉ 5s
End 2s

6. Thí nghiệm 6: Tưởng tượng nắm-mở tay trái phải

Events Trạng thái Thời gian Ghi chú Filename

(.txt,.xgp)
0 Chuẩn bị 4s
Cue Nháy mắt 3s
Pz, F3
1-30 15 Nghỉ Nghỉ 5s
không có P001E06.txt
8 Nắm-mở tay trái Vận động 2.5s
tín hiệu P001E06.XGP
7 Nắm-mở tay phải
31 Nghỉ 5s
End 2s

 Thứ tự các sự kiện liên quan đến vận động hoặc tưởng tượng nắm mở tay trái
phải và các đoạn nghỉ (Thí nghiệm 3 trở đi) có thứ tự theo biểu đồ dưới đây:

159
 PHỤ LỤC 3

MÔ TẢ KẾT QUẢ XỬ LÝ DỮ LIỆU ĐIỆN NÃO ĐỒ THU

ĐƢỢC TỪ CÁC ĐỐI TƢỢNG ĐO NGƢỜI VIỆT TRÊN
THIẾT BỊ BITMED EXEA ULTRA 19 KÊNH
1. Đối tượng P004
a) Thí nghiệm P004E04 (tưởng tượng chuyển động tay)
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

160
b) Thí nghiệm P004E06 (tưởng tượng chuyển động tay)
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3, C4

 Phải: C3, C4

 Nghỉ: C3, C4

161
2. Đối tượng P005
a) Thí nghiệm P005E04 (tưởng tượng chuyển động tay)
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

162
b) Thí nghiệm P005E06 (tưởng tượng chuyển động tay)
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3, C4

 Phải: C3, C4

 Nghỉ: C3, C4

163
3. Đối tượng P007
a) Thí nghiệm P007E04 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
- Thuận tay trái
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

164
b) Thí nghiệm P007E06 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
- Thuận tay trái
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

165
c) Thí nghiệm P007E08 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
- Thuận tay trái
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

166
4. Đối tượng P009
a) Thí nghiệm P009E04 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

167
b) Thí nghiệm P009E06 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

168
c) Thí nghiệm P009E08 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

169
5. Đối tượng P011:
a) Thí nghiệm P011E04 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

170
b) Thí nghiệm P011E06 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

171
c) Thí nghiệm P011E08 (tưởng tượng chuyển động tay):
- Thời gian thực hiện chuyển động: 2.5s
- Thời gian nghỉ: 5s
- Thời gian cắt mỗi epoch: -2 đến 5.5s
 Trái: C3 C4

 Phải: C3 C4

 Nghỉ: C3 C4

172
 PHỤ LỤC 4
CẤU HÌNH HỆ THỐNG ĐO ĐIỆN NÃO BITMED EXEA ULTRA 19 KÊNH
Nguồn ngoài Nguồn y tế tuân theo EN60601-1
Đầu vào: 100-240V, 50-60Hz, 0.8A
Đầu ra: +6VDC, 5A
Nguồn ngoài +6VDC, cực tính: dương, âm.
Nguồn Pin Pin Li-Ion có thể sạc, 5600mAh/tối đa
9h45 phút phụ thuộc vào số kênh
Thời gian nạp <4 giờ
Công suất tiêu thụ tối đa 2.5A/15W
Mức độ bảo vệ IPX1
Bộ nhớ trong Flash, 512MB (tối đa 4G)
Phân loại thiết bị ( theo UNE- Unit class II
EN60601-1) Các thành phần có thể tiếp cận loại BF,
không bảo vệ chống rung
Kiểu sử dụng (theo UNE- Liên tục
EN60601-1)
Các chế độ hoạt động + Residential: Lưu trữ tại thanh ghi bộ
nhớ trong. Có thể đo trở kháng phần cứng
+ Thời gian thực hoặc kết nối trực tiếp:
Theo dõi thanh ghi trên màn hình máy
tính khi dữ liệu được thu. Đồng thời ghi ở
bộ nhớ trong. Có thể chuẩn trực và đo trở
kháng (phần cứng, phần mềm)
Dòng vào các kênh <5nA mỗi kênh
Trở kháng điện cực >20MΩ
Giảm nhiễu 50 Hz (lọc 50Hz) >40dB
CMRR >100 dB với điện cực Neutral được kết nối

173
Khử nhiễu crosstalk giữa >50dB
các kênh
Nhiễu đầu vào <0.5uVrms (lên đến 70Hz)
Tần số lƣu trữ
 EXG và các kênh Lựa chọn: 500,250,100,50,20 mẫu/giây mỗi
polygraphic kênh

10 mẫu/giây mỗi kênh

 Các kênh DC và các
kênh chuyên dụng
( Độ bão hòa oxy,
ánh sáng, đánh dấu
sự kiện)

Dải biên độ
 Các kênh sinh lý
thần kinh/polygraph
+ Độ lệch DC ±400mV
+ Dải đầu vào (FSR) ±8333uV
+ Bit lấy mẫu 22 bits
+ Số lượng <80nV

 Các kênh DC ±5V

+ Dải 11 bits
+ Độ phân giải
Bộ lọc cứng
+ Bộ lọc thông cao 0.2Hz (tối đa)
+ Bộ lọc thông thấp 220Hz (tối thiểu)
Các bộ lọc mềm (lựa Lọc thông cao: 0.2 Hz, 0.5Hz, 1 Hz, 2 Hz,
chọn) 10Hz

174
 Lọc thông thấp: 10Hz, 15Hz, 25Hz, 35Hz,
45Hz, 70Hz
Giao tiếp với máy tính USB 1.1
Điều kiện môi trƣờng Khi hoạt động:
Nhiệt độ môi trường: từ 00C → +400C. Độ ẩm:
25% - 95%. Áp suất: từ 700 đến 1060 hPa
Khi lƣu giữ và vận chuyển:
Nhiệt độ môi trường: từ 100C → +600C. Độ
ẩm: 10% - 95%. Áp suất: từ 500 đến 1060 hPa
Kích thƣớc 232x165x42mm
Trọng lƣợng bộ khuếch 980g
đại
Cấu hình máy tính tối + Pentium III 500 MHz hoặc cấu hình cao hơn
thiểu với các hệ thống từ 15 hoặc số kênh nhiều hơn
+ 64MB RAM
+ 5MB ô nhớ trống tối thiểu trên ổ cứng
(khuyến cáo 110MB)
+ CD-ROM
+ Độ phân giải màn hình 1024x768
+ Cổng USB
Cấu hình thực tế hệ thống + Intel Core 2 Dual
máy tính + Windows 7 32 bit
+ RAM 1G
+ 300GB
+ Độ phân giải màn hình 1366 x 768
+ DVD-ROM
+ Cổng USB
+ Máy in

175
 PHỤ LỤC 5
CHƢƠNG TRÌNH PHÂN TÍCH VÀ XỬ LÝ TÍN HIỆU ĐIỆN
NÃO LIÊN QUAN ĐẾN VẬN ĐỘNG

Để phục vụ quá trình phân tích và xử lý tín hiệu điện não liên quan đến vận động,
tác giả đã xây dựng một chương trình dựa trên Matlab GUI và theo mô hình xử lý
điện não được đề xuất trong luận án để phân tích và xử lý số liệu. Một số chương
trình sẵn có như EEGLAB, OpenVibe được cung cấp miễn phí có thể thực hiện
được quá trình phân tách kênh, tách đoạn một số bộ lọc cơ bản, lọc nhiễu mắt tuy
nhiên việc tích hợp thuật toán để tự động hóa quy trình định lượng tín hiệu khá khó
khăn để thực hiện do cần nhiều thời gian nắm bắt được hết toàn bộ cấu trúc lớn của
chương trình. Bên cạnh đó chương trình tự xây dựng còn có thể áp dụng nhiều thuật
toán lên các đoạn tín hiệu phục vụ nghiên cứu và phân tích đồng thời có thể lưu ra
các tệp tin theo định dạng tự thiết kế phục vụ nghiên cứu và đánh giá dữ liệu
Trong luận án tác giả sử dụng thuật toán để lựa chọn tự động tối ưu giá trị C và
gamma đảm bảo tối thiểu hóa MSE. So với các chương trình thực hiện phân loại dữ
liệu có sẵn thì người sử dụng cần thiết phải lựa chọn thủ công giá trị C và gamma.
Việc lựa chọn này tùy thuộc vào kinh nghiệm và ứng dụng thực hiện

Công cụ phân tích dữ liệu điện não và tính toán đặc trưng IHMv

176
Công cụ xử lý và phân loại ba phân lớp tín hiệu IHMv theo mô hình phân loại

177