Thạc Sĩ ứng dụng phân tích thành phần độc lập trong phân tích tín hiệu não bộ

MỞ ĐẦU
Phân tích thành phần độc lập ICA (Independent Component Analysis) là một kỹ thuật tính toán và thống kê để phát hiện những thừa số tìm ẩn tồn tại dưới những tập hợp biến, phép đo hay tín hiệu ngẫu nhiên. ICA chỉ rõ tính chất một mô hình tổng quát cho dữ liệu đa biến quan sát được, mà dạng đưa ra điển hình là một bộ cơ sở dữ liệu mẫu rộng lớn. Trong một mô hình, những biến dữ liệu được cho rằng là những hỗn hợp tuyến tính hay phi tuyến tính của một vài biến tìm ẩn chưa biết, và phương thức trộn cũng chưa biết. Những biến tìm ẩn được cho rằng phi gauss và độc lập với nhau, và chúng được gọi là những thành phần độc lập của dữ liệu quan sát được. Những thành phần độc lập này cũng được gọi là những nguồn hay những thừa số có thể được tìm thấy bằng ICA.
ICA có thể được xem là sự mở rộng của phân tích thành phần chính và phân tích thừa số. ICA là một kỹ thuật mạnh hơn rất nhiều về khả năng tìm kiếm những thừa số hay nguồn tìm ẩn mà những phương pháp cổ điển thất bại hoàn toàn. Dữ liệu được phân tích bằng ICA có thể bắt nguồn từ nhiều lĩnh vực ứng dụng khác nhau, bao gồm ảnh kỹ thuật số, cơ sở dữ liệu tài liệu, cũng như chỉ số kinh tế và số đo thần kinh. Trong nhiều trường hợp, những số đo được đưa ra là một tập hợp những tín hiệu tương tự hay chuỗi thời gian; phân chia nguồn mù sử dụng đặc tính của vấn đề này. Một ví dụ tiêu biểu là trộn lẫn những tín hiệu thoại cùng lúc được phát ra từ một vài micro, những sóng não bộ thu từ những đầu dò, những tín hiệu vô tuyến đến từ một điện thoại di động, hay những chuỗi thời gian song song nhận được từ một vài quá trình kỹ nghệ.
Kỹ thuật ICA là một phát minh mới gần đây. Nó đã được giới thiệu lần đầu tiên vào đầu thập niên 80 trong nội dung về mô hình mạng nơron. Vào giữa thập niên 90, một vài thuật toán mới thành công lớn được giới thiệu bởi một vài nhóm nghiên cứu, cùng với những chứng minh ấn tượng căn cứ vào những bài toán như buổi tiệc cocktail, ở đó những dạng sóng hội thoại riêng biệt có thể được tìm thấy từ những trộn lẫn của chúng. ICA trở thành một trong những chủ đề mới hấp dẫn, kể cả trong lĩnh vực mạng nơron, nhất là nghiên cứu chưa được quan tâm, và tổng quát hơn trong ứng dụng xử lý tín hiệu và thống kê. Báo cáo về những ứng dụng thực tế của ICA dựa trên xử lý tín hiệu sinh học, tách tín hiệu âm thanh, viễn thông, chuẩn đoán sự hư hỏng, trích đặc trưng, phân tích chuỗi thời gian tài chính và sự khai thác dữ liệu bắt đầu xuất hiện.
Nhiều bài báo về ICA được công bố suốt hơn 30 năm qua trong rất nhiều tạp chí và hội nghị bắt nguồn từ nhiều lĩnh vực như xử lý tín hiệu, mạng nơron nhân tạo, khoa học thống kê, lý thuyết thông tin và nhiều lĩnh vực ứng dụng khác. Một vài hội thảo và cuộc họp đặc biệt về ICA cũng được tổ chức gần đây. Tập hợp những bài báo cũng như công trình nghiên cứu về ICA, phân chia nguồn mù và những chủ đề liên quan cũng đã xuất hiện. Tuy nhiên, lợi ích đối với những đọc giả là những đề tài hiện nay tập trung vào một vài khía cạnh chọn lựa của những phương pháp ICA. Trong những bài báo khoa học ngắn và những chương sách, toán học và cơ bản thống kê thường lại không bao hàm, điều này làm rất khó để có một tiếp cận rộng rãi và am hiểu tường tận chủ đề kỹ thuật này một cách rõ ràng.
Một trong những ứng dụng thực tế và cụ thể của ICA là ứng dụng ICA trong phân tích tín hiệu não bộ. Tín hiệu não bộ được đo bằng một điện não đồ EEG (Electroencephalogram) với các tần số khác nhau. Điện cực được đặt ở vị trí thích hợp trên da đầu để ghi các xung động xuất phát từ não. Tín hiệu thu được từ các điện cực là tổng hợp từ nhiều tín hiệu não riêng biệt và bao gồm cả nhiễu. Có hai loại nhiễu chính: nhiễu do bệnh nhân gây ra với các quá trình sinh lý của cơ thể, nhiễu do yếu tố bên ngoài như dụng cụ, dòng điện, Một số loại nhiễu thường gặp như: nháy mắt liên tục, mắt vận động sang bên, vận động của lưỡi, nhiễu do co cơ, nhiễu do mạch, khịch mũi, nhiễu mồ hôi, do điện cực tiếp xúc kém, nhiễu kim loại, nhiễu do chạm điện cực kim loại, nhiễu do dòng tĩnh điện. Bài toán đặt ra là phải tìm ra các tín hiệu não bộ riêng biệt ban đầu từ các tín hiệu thu được ở các điện cực. Phân tích thành phần độc lập đã giải được bài toán trên bằng cách loại trừ các tín hiệu nhiễu và tách ra các tín hiệu não cần tìm.
Một trong những công cụ mạnh mẽ được sử dụng để thực hiện cho nhiệm vụ trên đó là phần mềm GroupICA, GroupICA là một hộp công cụ và có giao diện hình ảnh, chạy trên môi trường MATLAB cho những thu thập xử lý thử nghiệm riêng và/hay dữ liệu EEG chuẩn của bất kỳ số kênh truyền. Những chức năng có thể dùng được bao gồm dữ liệu EEG, nhập kênh truyền và thông tin sự kiện, sự hình dung dữ liệu, xử lý (bao gồm loại trừ nhiễu, lọc, chọn miền, và chuẩn hóa), phân tích thành phần độc lập (ICA) và những phân tích thời gian/tần số bao gồm kênh truyền và thành
phần tạp giao với nhau hỗ trợ bởi những phương pháp thống kê bậc cao từ việc lấy mẫu dữ liệu.

MỤC LỤC


MỤC LỤC 1
Danh mục các ký hiệu, các chữ viết tắt 3
Danh mục các hình vẽ, đồ thị .4
MỞ ĐẦU 6
Chương 1 – PHẦN GIỚI THIỆU 9
1.1. GIỚI THIỆU 9
1.2. BỐ CỤC CÁC CHƯƠNG .11
Chương 2 – PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP ICA 13
2.1. ĐỘNG LỰC THÚC ĐẨY SỰ PHÁT TRIỂN CỦA ICA 13
2.2. ĐỊNH NGHĨA ICA 19
2.2.1. ICA dưới dạng xấp xỉ của mô hình sản sinh .19
2.2.2. Các điều kiện cho ICA 21
2.2.3. Tính không xác định của ICA .22
2.2.4. Quy tâm các biến 23
2.3. MINH HỌA ICA 24
2.4. ICA VÀ TRẮNG HÓA 28
2.4.1. Phi tương quan và trắng hóa .28
2.4.2. Làm trắng hóa chỉ là một nửa của ICA .30
2.5. CÁC BIẾN GAUSS .32
2.6. TIỀN XỬ LÝ CHO ICA 34
2.6.1. Tính độc lập của các thành phần .34
2.6.2. Cơ bản về ước lượng ICA .38
2.6.3. Tiền xử lý cho ICA .46
Chương 3 – ỨNG DỤNG ICA TRONG PHÂN TÍCH TÍN HIỆU NÃO BỘ 50
3.1. CƠ BẢN VỀ ĐIỆN NÃO ĐỒ 50
3.1.1 Cách mắc điện cực và các kiểu đạo trình 52
3.1.2. Phân biệt các sóng 59
3.1.3. Xác định sóng dựa vào tần số .60
3.1.4. Xác định sóng dựa vào hình dạng .62
3.1.5. Các dạng sóng phức hợp 63
3.1.6. Nhiễu 65
3.1.7. Các biến thể bình thường 67
3.1.8. Khác biệt theo vùng trên bản ghi điện não .69
3.1.9 Các phương thức hoạt hóa 71
3.2. CÁC BƯỚC THỰC HIỆN CỦA CHƯƠNG TRÌNH 73
3.2.1. Nhập dữ liệu 73
3.2.2. Thiết lập thông số ICA .77
3.2.3. Phân tích dữ liệu .84
3.2.4. Mô phỏng kết quả qua giao diện ảnh 85
3.3. GIẢI THUẬT CỦA CHƯƠNG TRÌNH .89
3.3.1. Các bước thực hiện chính của chương trình .89
3.3.2. Giải thuật của chương trình 92
Chương 4 – MỘT SỐ KẾT QUẢ THỰC HIỆN 93
Chương 5 – KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN .111
TÀI LIỆU THAM KHẢO 114