Tổ hợp Wica cùng mô hình lọc thích nghi nhằm cải thiện khả năng loại bỏ nhiễu cơ từ EEG

Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 51 TỔ HỢP WICA CÙNG MÔ HÌNH LỌC THÍCH NGHI NHẰM CẢI THIỆN KHẢ NĂNG LOẠI BỎ NHIỄU CƠ TỪ EEG Nguyễn Quốc Trung1, Bùi Huy Hải2*, Nguyễn Mai Anh2, Nguyễn Nam Phúc3 Tóm tắt: ICA đã chứng minh là một công cụ hiệu quả để loại bỏ nhiễu phát sinh từ EEG. Tuy nhiên, việc đánh giá các thành phần độc lập (IC) không mong muốn và loại chúng bỏ đôi khi vẫn làm mất thông tin hữu ích. Để khắc phục vấn đề này, WT đã được sử dụng trên mỗi IC, các IC sẽ tiếp tục được phân rã thành các hệ số wavelet, một mức ngưỡng được sử dụng cho mỗi hệ số wavelet nhằm loại bỏ những biến dạng bất thường, sau đó, sẽ tái tổ hợp để thu lại những tín hiệu sạch (phương pháp wICA). Dù wICA đã cho kết quả khả quan, tuy nhiên, với nhiễu có biên độ, tần số biến thiên liên tục và bất thường, như nhiễu cơ, thì wICA bắt đầu xuất hiện những hạn chế từ mức ngưỡng cố định. Nhóm tác giả đã đề xuất một tiếp cận mới, đó là sử dụng mô hình lọc thích nghi kết hợp với wICA nhằm linh hoạt mức ngưỡng theo sự biến thiên của nhiễu. Các thực nghiệm cho thấy một kết quả hết sức khả quan, chất lượng triệt nhiễu được cải thiện rõ rệt so với phương pháp wICA. Từ khóa: Triệt nhiễu, Lọc thích nghi, Biến đổi wavelet, Wavelet nâng cấp ICA (wICA), EEG. 1. ĐẶT VẤN ĐỀ Tín hiệu EEG là một trong những chỉ số quan trọng nhất đối với các ứng dụng chuẩn đoán lâm sàng. Như tất cả các kỹ thuật khác về hình ảnh não, nó cung cấp cho chúng ta cái nhìn về hoạt động của não, hơn nữa EEG còn biểu lộ các mẫu bất thường như những sự thay đổi về biên độ, hay dịch chuyển tức thời về mặt tần số. Bằng cách quan sát hoạt động tín hiệu não, các nhà nghiên cứu có thể có cái nhìn sâu sắc về sức khỏe cũng như trạng thái tâm sinh lý của con người [1]. Tuy nhiên, việc thu nhận hoạt động não qua tín hiệu điện não đồ thu nhận vẫn còn nhiều hạn chế, hoạt động điện chỉ được ghi nhận từ các điện cực đặt tại bề mặt của vỏ não, nguyên do các hoạt động điện được ghi giữ từ các điện cực đặt ở các lớp da ngoài hoặc ở vỏ não phải được đặt trên một diện tích đủ rộng để ghi nhận được tối đa những năng lượng điện phát ra từ cơ thể, chính vì vậy, việc thu nhận tín hiệu này luôn bị tác động bởi nhiều thành phần điện y sinh xuất phát từ những nguồn không mong muốn. Cùng với việc ghi lại những hoạt động tại một điện cực trên cơ thể thì đồng thời điện cực cũng bị tác động bởi những tín hiệu điện y sinh khác như điện mắt đồ, điện cơ đồ, điện tâm đồ, đặc biệt là nhiễu cơ và nhiễu xuất phát từ các vận động hay do sự dịch chuyển của cơ thể [2]. Tuy nhiên, dạng nhiễu có ảnh hưởng lớn nhất đến EEG chính là nhiễu cơ, đó là các thành phần tín hiệu không mong muốn xuất phát từ các mô hay cơ hay do sự dịch chuyển cơ thể, nhiễu này thường xuất hiện với biên độ biến thiên trong dải rộng và tần số biến dạng bất thường nên có thể làm che mờ các tín hiệu hữu ích. Nhiều nhà nghiên cứu đã tập trung vào việc loại bỏ nhiễu với nhiều hướng tiếp cận khác nhau như kỹ thuật phân tích tương quan chia tách các nguồn mù (BSS- CCA), kỹ thuật phân tích các thành phần độc lập (ICA), kỹ thuật wavelet mù (BWDA and WDA), kỹ thuật phân tích thành phần chính (PCA), phân tách tuyến tính (LDA) và biến đổi hình thái (MCA), lọc thích nghi (AF), kỹ thuật kết hợp phân nguồn mù và máy phân tích vec tơ, lọc thích nghi, các bộ lọc không gianvv. Mỗi phương pháp đều có thế mạnh riêng của nó, nhưng các công cụ liên Kỹ thuật điều khiển & Điện tử N. Q. Trung, B. H. Hải, , “Tổ hợp wICA cùng mô hình lọc bỏ nhiễu cơ từ EEG.” 52 quan đến việc đánh giá và phân tách nguồn mù (BSS) tỏ ra đặc biệt hiệu quả để tách các thành phần nhiễu phát sinh từ sự tổ hợp tín hiệu ghi EEG, đặc biệt là phương pháp ICA đã được sử dụng rộng rãi trong những năm gần đây. Tuy nhiên, hoạt động của ICA lại phụ thuộc vào kích cỡ của hệ dữ liệu. Thông thường số nguồn phát tín hiệu trong cơ thể luôn vượt qua số kênh ghi dữ liệu và trong trường hợp này ICA sẽ không có khả năng tách nhiễu ra khỏi các thành phần còn lại, hoặc các thành phần bị coi là nhiễu, khi bị loại bỏ vẫn chứa đựng những thông tin hữu ích. Việc kết hợp ICA và WT (wICA) sẽ giải quyết được vấn đề này, trong giải pháp kết hợp, những thành phần độc lập (IC) tiếp tục được phân rã thành các hệ số wavelet, một giá trị ngưỡng được sử dụng cho mỗi hệ số wavelet để loại bỏ những biến dạng bất thường, rồi sau đó, tái tổ hợp wavelet và ICA để thu lại những tín hiệu sạch và giảm hiện tượng mép phổ gây mất thông tin. Phương pháp này đã được sử dụng rộng rãi trong những năm gần đây, tuy nhiên, khi EEG bị tác động bởi nhiễu với biên độ lớn, đồng thời, có sự thay đổi liên tục về tần số và biên độ như nhiễu cơ thì wICA bắt đầu xuất hiện các hạn chế do việc cố định mức ngưỡng phân tích. Một hướng tiếp cận mới được nhóm tác giả đưa ra, đó là sử dụng mô hình lọc thích nghi kết hợp wICA (wICAAF) để linh hoạt mức ngưỡng theo sự biến thiên của biên độ nhiễu. Phương pháp mới tỏ ra đạt đươc hiệu quả rất khả quan và đã khắc phục được hạn chế của phương pháp wICA [5]. 2. NỘI DUNG CẦN GIẢI QUYẾT 2.1. Cơ sở dữ liệu Tín hiệu y sinh được ghi trên 14 chủ thể tham gia thí nghiệm (bao gồm 06 nam và 08 nữ), trong lứa tuổi từ 22 đến 40 tuổi. Chủ thể không sử dụng thuốc kháng sinh hay thức khuya trong vòng một tuần trước thời giam tham gia thí nghiệm. Tần số lấy mẫu được thiết lập là 200 Hz, thiết bị model NEC‖SYNAFIT1000 được sử dụng để thu nhận tín hiệu sóng não, thời gian ghi nhận tín hiệu kéo dài hơn 6 giờ với hoạt động thu tín hiệu được triển khai đồng thời trên 16 kênh, bao gồm kênh C3, C4, F3, F4, F7, F8, Fp1, Fp2, O1, O2, F3, F4, T3, T4, T5, và T6 [3]. Trong quá trình thí nghiệm, trạng thái các chủ thể được ghi nhận và đánh giá cẩn thận để đảm bảo chiết xuất được một giờ dữ liệu của các chủ thể trong trạng thái hoàn toàn tỉnh táo. Một số các phân đoạn dữ liệu sạch được triết xuất thủ công bởi các chuyên gia kỹ thuật trên 16 kênh với mỗi chủ thể tham gia thí nghiệm, những dữ liệu này sẽ được sử dụng làm tín hiệu tham chiếu hay hồi đáp lý tưởng cho hệ thống lọc thích nghi. 2.2. Triệt nhiễu bằng ICA Hoạt động của ICA dựa trên ba giả định sau: (a) dữ liệu thực nghiệm là tổ hợp ổn định của tín hiệu y sinh và các nguồn nhiễu khác; (b) tín hiệu ghi xuất phát từ các nguồn trên cơ thể như vùng đầu, vùng da và cơ thể là tuyến tính tại các điện cực, thời gian trễ của tín hiệu từ nguồn phát đến các điện cực là không đáng kể; (c) số nguồn phát tín hiệu không lớn hơn số điện cực quá nhiều. Phương pháp ICA dựa trên nguyên tắc được mô tả như trong sơ đồ hình 1. Tín hiệu được ghi nhận có thể được mô hình hóa như một tổ hợp tuyến tính tín hiệu từ các nguồn khác nhau mà có sự phân bố độc lập thống kê và phi Gauss theo công thức x = A.s (1) Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 53 với  Tnsxxx ,, 21 là vector của các biến quan sát được hay còn gọi là tín hiệu tổ hợp và  Tnsssss 321 ,, là véc tơ của các biến mà được gọi là các thành phần độc lập hay các nguồn tín hiệu từ cơ thể; A (ma trận n x n) là ma trận tương ứng với ma trận trộn các tín hiệu độc lập từ các nguồn khác nhau. Với phương pháp ICA thì chỉ có x có thể quan sát được. Giá trị s được tính toán bởi công thức: Hình 1. Mô hình nhiễm nhiễu tại các điện cực và cấu trúc tách nhiễu của ICA. Với s1, s2, , sn: các nguồn tín hiệu cơ bản; Cực1, Cực2, , Cực n: là các điện cực ghi tín hiệu y sinh từ cơ thể; x1, x2, , xn: các kênh ghi dữ liệu; A là ma trận tổ hợp tín hiệu và W là ma trận nghịch đảo của ma trận A. s = W.x với W = A−1 (2) Tuy nhiên chúng ta không thể tính A−1 được một cách trực tiếp bởi chúng ta thực sự không có thông tin về A và s. Thuật toán FastICA đã được đề xuất để có thể đánh giá được các thành phần độc lập [4]. Bởi vì các nguồn tín hiệu “si” cần phải chứa đựng các thành phần Gauss ít nhất nên phép đo Cực đại hóa tính phi Gauss là chìa khóa để đánh giá các trọng số ma trận A hay các thành phần độc lập. Do đó, ước lượng ICA nhắm đến cực tiểu hóa tính Gauss tức cực đại hóa tính phi Gauss vì điều này sẽ cho ta các thành phần độc lập. Một phép đo cơ bản của cực đại hóa tính phi Gauss là hệ số nhọn “kurtosis”, thông số được sử dụng để đo độ nhọn hay bẹt của phân phối so với phân phối bình thường (có độ nhọn bằng 0). Một giá trị J(Y) “negentropy” đã được sử dụng như một phép đo cực đại hóa tính phi Gauss. Negentropy là đại lượng dựa trên lý thuyết thông tin gọi entropy vi sai. )()()( YHYHYJ gauss  (3) Với Y là biến ngẫu nhiên, H(Ygauss) là giá trị entropy của một biến Gauss tương ứng với ma trận tương quan như Y. Bởi negentropy hơi khó tính toán nên người ta đã xây dựng một số phương pháp tính toán xấp xỉ.     2)()()( gaussYGEYGEyJ  (4) Với Hàm phi tuyến G(.) có thể chọn theo một trong hai biểu thức sau: ]log[cos 1 )( au a uG  với 21  a (5) Và 2 2 )( u euG   (6) Cực1 s1 x1 x2 s2 sn xn Cực2 Cực n . . . . . . s1 sn . . . A11 A21 Ann A12 w11 wnn A1n w21 w31 Mô hình nhiễu tác động Mô hình tách nhiễu của ICA Kỹ thuật điều khiển & Điện tử N. Q. Trung, B. H. Hải, , “Tổ hợp wICA cùng mô hình lọc bỏ nhiễu cơ từ EEG.” 54 )tanh()( auug  và 2 2 )( u ueug   tương ứng với (5) và (6). Trong đó. g(.) là đạo hàm của các hàm G(.). Công thức tính toán các giá trị trọng số “wi” được mô tả trong công thức (7).     iTiTii wXwgEXwXgEw )(')(     i i i w w w (7) (8) Sau khi tách ra các thành phần độc lập, các thành phần được đánh giá là nhiễu sẽ được loại bỏ như mô tả trong hình 2, tín hiệu sau khi tái tổ hợp sẽ là tín hiệu sạch với các tổ hợp nhiễu bị loại bỏ. Hình 2. Mô hình triệt nhiễu dựa trên phương pháp ICA. 2.3. Wavelet nâng cấp ICA Hoạt động của ICA dựa trên quá trình chia tách thông tin và loại bỏ các thành phần độc lập (IC) mà được đánh giá là nhiễu như hình 1, việc này có thể sẽ gây mất thông tin hữu ích [5]. Để khắc phục hiện tượng này, chúng tôi đã thực hiện triệt nhiễu trong một phạm vi tần số nhất định. Mỗi thành phần độc lập sẽ được phân rã nhờ biến đổi wavelet. 2.3.1. Biến đổi wavelet: Kỹ thuật này bắt đầu với sóng nhỏ (Wavelet) chứa các dao động tần số khá thấp, sóng nhỏ này được so sánh với tín hiệu phân tích để có một bức tranh toàn cục của tín hiệu ở độ phân giải thô. Sau đó, sóng nhỏ được nén lại để nâng cao dần dần tần số dao động. Quá trình này gọi là làm thay đổi tỉ lệ (scale) phân tích; Khi thực hiện tiếp bước so sánh, tín hiệu sẽ được nghiên cứu chi tiết ở các độ phân giải cao hơn, giúp phát hiện các thành phần biến thiên nhanh còn ẩn bên trong tín hiệu [5]. 2.3.2. Phân rã wavelet: Biến đổi wavelet rời rạc (DWT) dựa trên việc mã hóa băng con được phát triển để thu được tính toán nhanh của biến đổi wavelet. Bước này có thể hiểu phép biến đổi DWT như là áp dụng một tập các bộ lọc thông cao và thông thấp. Thiết kế các bộ lọc này tương đương với kỹ thuật mã hóa băng con, tuy nhiên, nó có sự khác biệt với mã hóa băng con là các bộ lọc trong DWT được thiết kế phải có đáp ứng phổ trắng, trơn và trực giao. Tín hiệu qua các bộ lọc thông cao ta thu được các hệ số chi tiết và qua các bộ lọc thông thấp ta thu được các hệ số w-1 Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 55 toàn cục tương ứng, sau đó chúng phải được lấy mẫu xuống (down sampling) hệ số 2 tạo thành biến đổi DWT ở mức 1 như mô tả trong hình 4. 2.3.3. Triệt nhiễu dựa trên sự kết hợp ICA và biến đổi wavelet: Tín hiệu đầu vào đi qua hệ thống ICA và được phân tích thành các thành phần độc lập, khác với phương pháp triệt nhiễu bằng ICA, các thành phần độc lập không bị loại bỏ mà được tiếp tục phân rã bằng biến đổi wavelet. Quá trình sau khi phân rã wavelet, chúng ta sẽ thu được các hệ số phân rã (aij), như mô tả trong hình 3. Hình 3. Cấu trúc cơ bản của phân rã wavelet. x(n) là tín hiệu vào (chính là một thành phần độc lập), i: là hệ số phân rã wavelet thứ i. Với tần số lấy mẫu tín hiệu là 200Hz (tương ứng với dải tần tín hiệu 0 ~ 100Hz), phân rã wavelet sẽ được khuyến nghị thực hiện ở mức phân rã 6. Với mức phân rã này, việc phân tích wavelet có thể thu được các hệ số wavelet (aij) tương ứng các băng tần cơ bản của tín hiệu EEG, như băng delta, theta, alpha, spindle và beta, nhằm tăng hiệu quả của quá trình triệt nhiễu. Việc triệt nhiễu sẽ được thực hiện trên các hệ số (aij) dựa trên mức ngưỡng được tính toán theo công thức: )log(2 kT  (9) Trong đó, c amedian ij )(2  là đánh giá độ lớn của phần tín hiệu phân tích, hệ số c = 0.6745 [6][7] và k là chiều dài dữ liệu phân tích, median là giá trị trung bình. Mức ngưỡng T sẽ giới hạn các giá trị biên độ của các hệ số (aij) theo công thức:        Taif TaifTaasign a jk jkjkjk jk 0 ))(( ˆ (10) Sau khi loại bỏ các thành phần tín hiệu đột biến từ các hệ số của wavelet, bước tiếp theo sẽ là biến đổi wavelet ngược (IWT) để thu được các thành phần IC sạch. Biến đổi ICA ngược sẽ cho ta thu được tín hiệu sạch đã loại bỏ được các thành phần nhiễu. 2.4. Lọc thích nghi Khả năng của một bộ lọc thích nghi là hoạt động hiệu quả trong một môi trường chưa biết trước hay luôn có biến động bất thường và phát hiện sự thời điểm thay đổi của đầu vào, điều này đã làm cho nó trở thành một thiết bị mạnh mẽ trong xử x(n) IC x(n) ~ IC Lọc thông cao ↓2 Lọc thông thấp ↓2 Lọc thông cao ↓2 Lọc thông thấp ↓2 ↓2 Hệ số 1 Hệ số 2 Hệ số 3 . . . Hệ số ij Lọc thông cao ↓2 ↓2 Lọc thông thấp ↓2 . . . Kỹ thuật điều khiển & Điện tử N. Q. Trung, B. H. Hải, , “Tổ hợp wICA cùng mô hình lọc bỏ nhiễu cơ từ EEG.” 56 lý tín hiệu và điều khiển các ứng dụng. Dù các ứng dụng này là rất khác nhau và khá đa dạng, nhưng chúng đều có một đặc điểm cơ bản chung, đó là một vector đầu vào và một tín hiệu tham chiếu luôn được sử dụng để tính toán lỗi ước định, cái mà lần lượt được sử dụng để điều khiển, kiểm soát các giá trị của một tập các hệ số lọc có thể điều chỉnh. Bộ lọc thích nghi có nhiều mô hình hoạt động ứng với từng ứng dụng khác nhau [8, 9]. Các hệ số có khả năng hiệu chỉnh có thể đặt dưới dạng các trọng số tiếp hợp, hệ số phản xạ, hay thông số vòng quay, dựa trên cấu trúc của bộ lọc sử dụng. Hình 4. Mô hình triệt nhiễu sử bộ dụng lọc thích nghi. Với y = tín hiệu ra của bộ lọc thích nghi; u = Tín hiệu vào bộ lọc; d = hồi đáp lý tưởng; e = d – y = lỗi ước định. Tuy nhiên, sự khác biệt chủ yếu giữa các ứng dụng khác nhau của bộ lọc thích nghi khởi nguồn từ dạng hay cách thức mà hồi đáp lý tưởng được chiết xuất. Trong yêu cầu loại bỏ nhiễu phát sinh của tín hiệu EEG, một mô hình triệt nhiễu của bộ lọc thích nghi như trong hình 4 được sử dụng để phối hợp cùng hệ thống wICA. 2.5. Cấu trúc tổ hợp wICA với mô hình lọc thích nghi Tuy ICA có thể phát hiện và loại bỏ được hầu hết những nhiễu phát sinh biên độ lớn, tuy nhiên chúng thường bị nghi ngờ rằng, loại bỏ mất một số các tín hiệu hữu ích từ vỏ não. Phân rã wavelet được áp dụng để phân tích các thành phần nhỏ hơn của mỗi thành phần độc lập (IC), và việc loại bỏ nhiễu phát sinh được thực hiện trên mỗi hệ số của wavelet (aij) để thu được các thành phần độc lập IC sạch. Tuy nhiên, hiệu quả của việc triệt nhiễu phát sinh sẽ bị suy giảm khi nhiễu cơ xuất hiện với biên độ thay đổi liên tục trong dải rộng. Từ (9), dễ dàng nhận thấy rằng, giá trị ngưỡng (T) liên quan đến cả hai thông số, đó là giá trị biên độ trung bình của các hệ số wavelet (ajk) và chiều dài đoạn dữ liệu xử lý (k), nhưng sự thay đổi của giá trị “k” không có nhiều tác động lên giá trị của “T”. Tác động chủ yếu lên “T” là giá trị biên độ của “ajk” (Nếu aij là các thành phần nhiễu phát sinh, như vậy sự thay đổi biên độ trung bình của nhiễu sẽ có những tác động chính và làm thay đổi đáng kể giá trị của T). Trong một số trường hợp, tín hiệu ghi EEG bị nhiễm nhiều thành phần nhiễu với biên độ thay đổi trong dải rộng. Trong một khoảng thời gian, nếu giá trị của tín hiệu hữu ích ổn định, sự gia tăng giá trị mức ngưỡng sẽ gây ra việc bỏ qua một số thành phần nhiễu khi biên độ của chúng thấp hơn giá trị ngưỡng. Tổ hợp phương pháp wICA và mô hình lọc thích nghi sẽ khắc phục được vấn đề này [9, 10]. Tuy nhiên, trong [10], nhóm tác giả một đã sử dụng tín hiệu tham chiếu r(n) để đánh giá sự tương quan với thành phần nhiễu i(n), trong nghiên cứu Lọc thích nghi ∑ Tín hiệu tham chiếu Đầu ra hệ thống Tín hiệu vào u + d - y e e Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 57 của chúng tôi, tín hiệu tham chiếu di được sử dụng để đánh giá sự tương quan với tín hiệu sạch sau khi triệt nhiễu yi. Từ phương pháp của chúng tôi, giá trị ngưỡng ‘T values” sẽ được hiệu chỉnh cho phụ hợp với sự thay đổi của nhiễu phát sinh. Hồi đáp lý tưởng được áp dụng để đánh giá lỗi ước định (estimation errors - e) của tín hiệu đầu ra từ hệ thống sau khi đã làm sạch nhiễu, từ đây, chúng ta sẽ đưa ra phương thức hiệu chỉnh mức ngưỡng phù hợp qua thông số lỗi e. Cấu trúc tổng quát của hệ thống được mô tả trong hình 5. Lỗi ước định được tính toán bởi giá trị trung bình của của hàm lỗi trên mỗi kênh đầu ra. n e emeane i i i   )( )( với i {1 n} (11) Lỗi ước định sẽ được áp dụng cho mỗi bộ lọc thích nghi trên hệ thông, và các bộ lọc thích nghi sẽ là các bộ lọc danh nghĩa. Từ (10) ta có hồi đáp xung danh nghĩa của bộ lọc thích nghi là: ij 0 1 jk jk i f a T h a if a T      (12) Nếu số hệ số wavelet là m (ajk = m), khi đó, sẽ có từ 0 ÷ m bộ lọc thích nghi danh nghĩa trên mỗi thành phần độc lập. Vì nhiễu cơ phát sinh chỉ hội tụ trên một số băng tần hẹp của mỗi IC là nguyên nhân chủ yếu của độ sai lệch giữa tín hiệu đầu so với hồi đáp lý tưởng, sai số ước định sẽ được phân bổ để hiệu chỉnh giá trị T tại mỗi hệ số của wavelet nơi các thành phần nhiễu tập trung [5]. Với các hệ số wavelet mà không hội tụ nhiễu cơ phát sinh, mức ngưỡng sẽ không thay đổi, và nó sẽ được sử dụng theo công thức (9). Với các hệ số wavelet mà nhiễu cơ hội tụ, mức ngưỡng sẽ được đánh giá theo công thức sau: )log(2 kT  và ~T . c amean jk )(2  → c eamean ttjk t )( 1 1    kT tt log211   , (13) (14) Với et là giá trị trung bình của lỗi ước định tại thời gian t, )( 1tjk amean , và 1tT là giá trị tuyệt đối của các hệ số wavelet và giá trị ngưỡng tại thời điểm (t+1). Với một số IC mà không bị nhiễm bởi các thành phần nhiễu, sẽ không có hồi đáp của lỗi ước định để hiệu chỉnh giá trị ngưỡng. Như vậy, một bước đánh giá các thành phần nhiễu trong mỗi hệ số wavelet được thực hiện trong hệ thống trước khi thủ tục triệt và loại bỏ nhiễu phát sinh. Giá trị ngưỡng được hiệu chỉnh chỉ trên các hệ số wavelet trong trường hợp có nhiễu xuất hiện. 3. KẾT QUẢ VÀ THẢO LUẬN Dữ liệu y sinh đã thu nhận từ 14 chủ thể tham gia thí nghiệm, dữ liệu đánh giá được thực hiện trong một giờ dữ liệu ghi của mỗi chủ thể trong trạng thái hoàn Kỹ thuật điều khiển & Điện tử N. Q. Trung, B. H. Hải, , “Tổ hợp wICA cùng mô hình lọc bỏ nhiễu cơ từ EEG.” 58 toàn tỉnh táo. Trước khi được đưa vào hệ thống wICA để triệt nhiễu, dữ liệu được đưa qua bộ lọc thông dải với tần số cắt từ 0,5 đến 45Hz nhằm loại bỏ trước một số các thành phần nhiễu cơ bản như nhiễu mồ hôi, nhiễu điện cực, nhiễu bề mặt da [8] để hệ thống có thể tập trung chủ yếu loại bỏ các thành phần nhiễu phức tạp, có sự đột biến cao như nhiễu cơ. Một hệ thống tín hiệu sạch gồm 100 phân đoạn trên mỗi kênh được chiết xuất thủ công bởi các chuyên gia về giấc ngủ, chúng được coi là các hồi đáp lý tưởng và được sử dụng làm tín hiệu tham chiếu. Việc đánh giá hiệu quả của quá trình triệt nhiễu sẽ dựa trên hệ số tương quan R giữa tín hiệu đầu ra của hệ thống wICA và tín hiệu tham chiếu (Rmax= 1). Để tạo điều kiện thuận lợi cho việc xử lý hệ thống, chiều rộng cửa số k được thiết lập với độ dài tương đương với mỗi phân đoạn cần xử lý (epoch) và thiết lập bằng 2000 mẫu với hàm wavelet sử dụng là Daubechies. Mô hình hoạt động thực hiện được mô tả như trong hình 5. Hình 5. Cấu trúc tổng quát của wICA tổ hơp mô hình lọc thích nghi. Với e1 .en là lỗi ước định của n kênh và được tính bởi sai lệnh giữa di và yi hay (di – yi), emean: giá trị trung bình của lỗi ước định trên n kênh; C1 .Cn: các kênh tín hiệu EEG; y1.yn: n kênh đầu ra sau khi triệt nhiễu Chất lượng đầu ra của hệ thống triệt nhiễu được đánh giá bởi hệ số tương quan giữa giá trị đầu ra (yi) với tín hiệu tham chiếu (di). Có nhiều thông số được sử dụng để đánh giá hiệu quả của việc triệt nhiễu như hệ số SNR (đo tỷ lệ tín hiệu trên nhiễu), hệ số tương quan (đo sự tương quan giữa tín hiệu sau khi triệt nhiễu với tín hiệu lý tưởng) vv [11]. Tuy nhiên, trong phương pháp kết hợp với mô hình lọc thích nghi, việc sử dụng hệ số tương quan R sẽ thuận lợi trong việc so sánh đáp ứng và và hồi đáp lý tưởng, đồng thời đơn giản hóa việc đánh giá hiệu quả của quá trình triệt nhiễu và méo phổ tại đầu ra của hệ thống. Hệ số tương quan giữa đầu ra sau khi triệt nhiễu với tín hiệu tham chiếu (hồi đáp lý tưởng) của cả hai phương pháp wICA, wICAAF được được so sánh để đánh Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 59 giá hiệu năng của cả hai hệ thống. Giá trị trung bình của hệ số tương quan được tính dựa trên 360 epochs của một giờ dữ liệu, trên tổng số 16 kênh cho thấy, chất lượng triệt nhiễu phát sinh của hệ thống wICAAF được cải thiện đáng kể với giá trị R đạt đến 0,9918, trong khi với hệ thống wICA là 0,9804. Các giá trị tương quan chi tiết trong mỗi kênh được mô tả như trong bảng 1. Về mặt trực quan, kết quả triệt nhiễu cũng đã cải thiện đáng kể như trong hình 6. Bảng 1. Bảng giá trị tương quan giữa tín hiệu đầu ra của hệ thống wICA, wICAAF và tín hiệu tham chiếu. Số TT Kênh ghi wICA wICAAF Số TT Kênh ghi wICA wICAAF Giá trị R Giá trị R Giá trị R Giá trị R 1 C3 0,9845 0,9865 9 O1 0,9424 0,9894 2 C4 0,9851 0,9936 10 O2 0,9438 0,9938 3 F3 0,9892 0,9962 11 P3 0,9885 0,9887 4 F4 0,9918 0,9949 12 P4 0,9852 0,9914 5 F7 0,9886 0,9897 13 T3 0,9921 0,9903 6 F8 0,9883 0,9896 14 T4 0,9954 0,9936 7 Fp1 0,9657 0,9932 15 T5 0,9909 0,9938 8 Fp2 0,9662 0,9894 16 T6 0,9887 0,9947 Trung bình 0,9804 0,9918 Hệ số tương quan được tính bởi yx xyC R   với  ))(( yxxy yxEC   ,   xxE  ,   yyE  ,  2)( xx xE   và  2)( yy yE   [8] Hình 6. Hình ảnh triệt nhiễu trên 16 kênh được mô phỏng bằng Matlab. (a) kết quả loại bỏ nhiễu bởi wICA, (b) kết quả loại bỏ nhiễu bởi wICAAF. (a) (b) Kỹ thuật điều khiển & Điện tử N. Q. Trung, B. H. Hải, , “Tổ hợp wICA cùng mô hình lọc bỏ nhiễu cơ từ EEG.” 60 4. KẾT LUẬN Từ sự phân bổ tần số của EEG và nhiễu cơ được đề cập ở trên, phân rã wavelet ở 6 mức được áp dụng cho mỗi thành phần độc lập (IC). Như vậy, biên độ nổi trội của nhiễu cơ sẽ dễ dàng quan sát được tại mỗi hệ số wavelet, tạo thuận lợi cho quá trình triệt nhiễu và nâng cao chất lượng hệ thống. Tiếp cận mới đã chứng tỏ được là một giải pháp khả quan cho vấn đề loại bỏ nhiễu cơ phát sinh dựa trên số liệu khả quan của kết quả thực nghiệm và hình thái tín hiệu sau khi triệt nhiễu. Mô hình triệt nhiễu này có thể áp dụng hiệu quả cho việc triệt nhiễu tín hiệu y sinh hoặc áp dụng để triệt nhiễu cho những hệ thống ghi dữ liệu đa kênh tương tự. TÀI LIỆU THAM KHẢO [1]. J. Dauwels, F. Vialatte, A. Cichocki, “Diagnosis of Alzheimer’s Disease from EEG Signals: Where Are We Standing?,” Journal of Bentham Science, Vol. 7. No. 6, pp. 487-505, 2010. [2]. S. Saeid, J. A. Chambers, “EEG Signal Processing,” John Wiley and Sons, New York, NY, USA, pp. 1-34, 2008. [3]. D. M. Suresh, “High-frequency brain activity and muscle artifacts in MEG/EEG: a review and recommendations,” US National Library of Medicine National Institutes of Health, pp. 7-138, 2013. doi: 10.3389/fnhum.2013.00138. [4]. L. Shok`er, S. Sanei, J. A. Chambers, “Artifact removal from electro- encephalograms using ahybrid BSS-SV Malgorithm,” IEEE Signal Process, Vol.12, No. 10, pp. 721-724, 2005. [5]. A. Jia, M. Wang, F. Liu, C. Bao, X. Zhang, “Wavelet-based denoising algorithm for EEG signals--using scale dependent threshold based on median,” Journal of biomedical engineering, Vol. 26, No. 6, pp. 1227-1235, 2009. [6]. M. Zima, P. Tichavský, K. Paul, V. Krajča, “Robust removal of short- duration artifacts in long neonatal EEG recordings using wavelet-enhanced ICA and adaptive combining of tentative reconstructions,” Physiological Measurement, Vol. 33, No. 8, pp. 39-49, 2012. [7]. B. H. Hải, “Nghiên cứu hiệu quả của phương pháp kết hợp giữa ICA và WT trong triệt nhiễu tín hiệu y sinh,” Khoa học & Công nghệ, Trường Đại học Kinh tế, Kỹ thuật Công nghiệp, Vol. 8, No.7, pp. 38-44, 2015. [8]. C.C. Chiu, B.H. Hai, S.J. Yeh, K.Y.K. Liao, “Recovering EEG Signals: Muscle Artifact Suppression Using Wavelet-Enhanced, Independent Component Analysis Integrated with Adaptive Filter,” Biomedical Engineering: Applications, Basis and Communications, Vol. 26, No.5, 2014. [9]. H. Simom, “Adaptive Filter Theory,” Pearson Education Taiwan, pp.23-25, 2008. [10]. C. Guerrero-Mosquera, A. N. Vazquez, “Automatic removal of ocular artifacts from EEG data using adaptive filtering and Independent Component Analysis,” 17th European Signal Processing Conference, pp. 2317-2321, 2009. Nghiên cứu khoa học công nghệ Tạp chí Nghiên cứu KH&CN quân sự, Số 47, 02 - 2017 61 [11]. M. F. Bear, B. W. Connors, M. A. Paradiso, “NeuroScience-Exploring the Brain - Book,” Lippincott Williams & Wilkins, Phidelphia, PA 19106 USA, 2007. ABSTRACT wICA COMBINED WITH ADAPTIVE FILTER MODEL TO IMPROVE THE MUSCLE ARTIFACT SUPPRESSION FROM EEG SIGNAL ICA has been proven to be a powerful tool for removing artifacts from EEG. However, the assessment and rejection of unwanted independent components (IC), sometimes cause loss of useful information. To overcome this problem, wavelet transform was applied on each IC, the IC continue to decompose into wavelet coefficients, a threshold was used for each wavelet coefficient to eliminate the abnormal deformation, then the inverse transform would be implemented to obtain the clean signal (wICA method). wICA showed a positive results, but if the amplitude and frequence's artifacts vary continuously and abnormally, particularly EMG, wICA began appearing limitations from fixed thresholds. A new approach using adaptive filter model combined with wICA (wICAAF) to flexible thresholds according to the variation of the artifact is proposed in this paper. The experiment showed positive results, the artifact removal quality is more significantly improved than the wICA is. Keywords: Artifact removal, Adaptive filters, Wavelet transform, Wavelet enhanced ICA (wICA), EEG. Nhận bài ngày 09 tháng 9 năm 2016 Hoàn thiện ngày 30 tháng 12 năm 2016 Chấp nhận đăng ngày 20 tháng 02 năm 2017 Địa chỉ: 1 Đại học Bách Khoa Hà nội; 2 Đại học Kinh tế Kỹ thuật Công nghiệp; 3 Viện Điện tử - Viện KH và CN Quân sự; * Email : bhhai@uneti.edu.vn.