Tóm tắt Luận văn Phát hiện bất thường bằng phân tích ten - Xơ để nhận biết xung động kinh trong dữ liệu điện não

Phần 4.3 trình bày chi tiết về quá trình giảm tần số lấy mẫu, biến đổi dữ

liệu, so sánh vector đặc trưng giữa thời điểm có xung động kinh và thời điểm

không có xung động kinh. Từ đó đưa ra bảng thống kê kết quả năm lần kiểm thử

cùng đường cong ROC biểu diễn hiệu quả của mô hình trong việc dự đoán thời

điểm xảy ra xung động kinh. Ngoài ra, phần này cũng đưa ra kết quả so sánh

giữa mô hình huấn luyện SVM với mô hình K-means, phương pháp phân tích

ten-xơ HOSVD với CP

pdf8 trang | Chia sẻ: honganh20 | Ngày: 21/02/2022 | Lượt xem: 97 | Lượt tải: 0download
Bạn đang xem nội dung tài liệu Tóm tắt Luận văn Phát hiện bất thường bằng phân tích ten - Xơ để nhận biết xung động kinh trong dữ liệu điện não, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ LÊ HOÀNG ANH PHÁT HIỆN BẤT THƯỜNG BẰNG PHÂN TÍCH TEN-XƠ ĐỂ NHẬN BIẾT XUNG ĐỘNG KINH TRONG DỮ LIỆU ĐIỆN NÃO Ngành: Công nghệ thông tin Chuyên ngành: Hệ thống thông tin Mã số: 8480104.01 TÓM TẮT LUẬN VĂN THẠC SĨ HỆ THỐNG THÔNG TIN Hà Nội – 10/2018 1 CHƯƠNG 1. TỔNG QUAN VỀ LUẬN VĂN Chương 1 trình bày về ngữ cảnh của đề tài như vai trò, vị trí của đề tài trong ứng dụng của cuộc sống hiện tại. Ngày nay, trong thời đại công nghệ 4.0, việc áp dụng các tiến bộ khoa học công nghệ vào chuẩn đoán y sinh đang được nghiên cứu và thực hiện hàng ngày. Một trong số đó phải kể đến xét nghiệm chuẩn đoán bệnh động kinh thông qua phân tích dữ liệu EEG. Dữ liệu từ bộ cảm biến thu được sẽ lớn dần theo thời gian và biến thiên theo cách mà mắt thường khó nhận ra. Luận văn này giải quyết vấn đề dự báo thời điểm chuẩn bị xảy ra cơn động kinh. Bệnh động kinh xảy ra trên 1% dân số thế giới, đặc trưng bởi những cơn động kinh tự phát. Một trong những cách ngăn ngừa động kinh là tiêm thuốc liều cao, kéo theo phản ứng phụ không mong muốn. Bên cạnh đó, việc sử dụng thuốc hay phẫu thuật đôi khi không có hiệu quả, khiến người bệnh luôn trong tình trạng lo lắng cơn động kinh có thể kéo đến bất cứ lúc nào. Việc xây dựng một hệ thống dự báo những cơn động kinh có thể xảy ra giúp cho bệnh nhân có được một cuộc sống bình thường hơn. Nhờ đó, họ có thể biết mà tránh các hoạt động dễ gây nguy hiểm như lái xe, bơi lội hay sử dụng thuốc khi cần thiết. Mô hình bài toán được xây dựng như sau: Xây dựng tensor Dữ liệu EEG Phân tích tensor Tensor Phát hiện bất thường Ma trận hệ số Biểu diễn đồ thị bất thường Hình 1.1 Mô hình bài toán phát hiện xung động kinh trong dữ liệu EEG Luận văn được trình bày trong năm chương. Chương 1 tập trung giới thiệu về bất thường trong EEG, các phương pháp phát hiện bất thường và phân tích ten-xơ. Chương 2 giới thiệu những khái niệm ten-xơ, thuật toán HOSVD và 2 biến đổi sóng con liên tục trong phát hiện bất thường. Chương 3 giải thích về các bước trong quá trình phát hiện xung động kinh sử dụng HOSVD. Chương 4 trình bày chi tiết về tập dữ liệu sử dụng trong nghiên cứu cũng như kết quả của thuật toán. Cuối cùng, Chương 5 thảo luận về các khía cạnh, ưu nhược điểm của việc áp dụng thuật toán HOSVD cũng như mô hình huấn luyện khác vào việc phát hiện bất thường trong dữ liệu EEG và đưa ra kết luận. CHƯƠNG 2. NGHIÊN CỨU CƠ SỞ 2.1. Các khái niệm về ten-xơ Phần 2.1 trình bày các khái niệm liên quan đến ten-xơ.  Ten-xơ là một mảng N chiều hoặc N hướng, các phần tử nằm trong N không gian con với các tọa độ xác định.  Phần tử thứ i của một vector a là , phần tử thứ (i,j) của ma trận A là , phần tử thứ (i,j,k) của ten-xơ ba chiều là .  Ten-xơ một chiều là vector, ký hiệu là a, ten-xơ hai chiều là một ma trận, ký hiệu là A, ten-xơ ba nhiều chiều (ba chiều hoặc hơn) được ký hiệu là .  Lát cắt là các ma trận hai chiều của một ten-xơ có một chiều cố định, được định nghĩa bằng hai chỉ số.  Chế độ là cách sắp xếp các vector của một ten-xơ.  Chuẩn hóa một ten-xơ ∈ ℝ×× là chuẩn Frobenius.  Bậc của ten-xơ là bậc của không gian sinh ra ten-xơ đó.  Ma trân hóa ten-xơ là làm phẳng ten-xơ là sắp xếp các phần tử của mảng N chiều thành một ma trận. Việc ma trận hóa ten-xơ cho phép khai thác các thành phần đã được xác định trong đại số tuyến tính cho vector và ma trận, xử lý ten-xơ thuận tiện hơn.  Nhân ten-xơ với nhau phức tạp hơn so với nhân các ma trận. 3 2.2. Phân tích ten-xơ Phần 2.2 trình bày các phương pháp phân tích ten-xơ HOSVD CHƯƠNG 3. HỆ THỐNG PHÁT HIỆN XUNG ĐỘNG KINH SỬ DỤNG HOSVD Chương 3 trình bày về việc sử dụng thuật toán HOSVD trong phát hiện xung động kinh. 3.1. Biểu diễn dữ liệu EEG Phần 3.1 trình bày về việc sử dụng biến đổi wavelet tín hiệu để tạo thành dữ liệu dạng ten-xơ. 3.2. Trích chọn vector đặc trưng Phần 3.2.1 trình bày về quá trình sử dụng phương pháp chiếu và không gian gốc để trích chọn vector đặc trưng của ten-xơ. Phần 3.2.2 trình bày cách xác định hạng ten-xơ xung động kinh bằng phân tích SVD với khoảng cách eigengap và độ đo variance. 3.3. Phân loại Phần 3.3 giới thiệu về hai bộ phân loại cổ điển SVM và KNN phục vụ quá trình phát hiện xung động kinh trong nghiên cứu. CHƯƠNG 4. THỰC NGHIỆM VÀ KẾT QUẢ Chương 4 trình bày chi tiết về tập dữ liệu cũng như quá trình đánh giá thuật toán và kết quả thu được. 4.1. Tập dữ liệu Phần 4.1 mô tả về tập dữ liệu EEG được tổ chức Kaggle công bố. Từ đó, quá trình biến đổi dữ liệu cũng như tạo các bộ dữ liệu phục vụ huấn luyện và kiểm thử được trình bày khái quát. 4 4.2. Đánh giá thuật toán Phần 4.2 trình bày về việc sử dụng phương pháp cross-validation cùng phép đo Sensitivity, Accuracy, Specificity, diện tích AUC và đồ thị ROC trong quá trình huấn luyện và kiểm thử. 4.3. Kết quả Phần 4.3 trình bày chi tiết về quá trình giảm tần số lấy mẫu, biến đổi dữ liệu, so sánh vector đặc trưng giữa thời điểm có xung động kinh và thời điểm không có xung động kinh. Từ đó đưa ra bảng thống kê kết quả năm lần kiểm thử cùng đường cong ROC biểu diễn hiệu quả của mô hình trong việc dự đoán thời điểm xảy ra xung động kinh. Ngoài ra, phần này cũng đưa ra kết quả so sánh giữa mô hình huấn luyện SVM với mô hình K-means, phương pháp phân tích ten-xơ HOSVD với CP. 4.4.. Kết luận Phần 4.4 tổng kết những kết quả cũng như cái mới mà luận văn đã làm được. Từ đó, phần 4.4 cũng đưa ra những hướng nghiên cứu mới từ đề tài này. 5 TÀI LIỆU THAM KHẢO 1. (2018) “Epilepsy”, Availabe 2. B. Arindam, C. Varun and K. Vipin (2009), “Anomaly detection: A survey”, ACM Computing Surveys, 31(3), pp. 1-72. 3. M. Ahmed, N. Amal and S. Osman (2014), “Epileptic seizure detection from EEG signal using discrete wavelet transform and ant colony classifier”, IEEE ICC’ 14, pp. 3529-2534. 4. N.T.A Dao, N.L. Trung, L.V. Nguyen, T.D. Tan, N.T.H. Anh and B. Boashash (2018), “A multistage system for automatic detection of epileptic spikes”, Rev Journal on Electronics and Communications, 8(1- 2). 5. K. Rahul, “Artifacts in EEG - Recognition and differentiation”, Availabe https://www.slideshare.net/drrahulkumarsingh/artifacts-in-eeg- recognition-and-differentiation 6. T.N. Alotaiby, S.A. Alshebeili, T. Alshawi, I. Ahmad and F.E.A. El- Samie (2014), “EEG seizure detection and prediction algorithms: a survey”, EURASIP Journal on Advances in Signal Processing, 1(183). 7. A. Subasi and M.I. Gursoy (2010), “EEG signal classification using PCA, ICA, LDA and support vector machines”, Expert Systems with Applications, 37, pp. 8659-8666. 8. S. Raghunathan, A. Jaitli and PP. Irazoqui (2011), “Multistage seizure detection techniques optimized for low-power hardware platforms”, Epilepsy & Behavior, 22, pp. 61-68. 9. R.J. Oweis and E.W. Abdulhay (2011), “Seizure classification in EEG signals utilizing Hilbert-Huang transform”, BioMedical Engineering OnLine, 10. 6 10. F. Hadi, G. Joao (2016), “Tensor-based anomaly detection: An interdisciplinary survey”, Knowledge-Based Systems (2016), 0, pp. 1-28. 11. N.D. Sidiropoulos, L.D. Lathauwer, X. Fu, K. Huang and E.E. Papalexakis (2017), “Tensor decomposition for signal processing and machine learning”, IEEE Transactions on Signal Processing, 65(13), pp. 3551-3582. 12. E. Acar, C. Aykut-Bingol, H. Bingol, R. Bro and B. Yener (2007), “Multiway analysis of epilepsy tensors”, Bioinformatics, 23(13), pp. i10- i18. 13. M.D. Vos, A. Vergult, L.D. Lathauwer, W.D. Clercq, S.V. Huffel, P. Dupont, A. Palmini and W.V. Paesschen (2007), “Canonical decomposition of ictal scalp EEG reliably detects the seizure onset zone”, NeuroImage, 37(3), pp. 844-854. 14. W. Deburchgraeve, P.J. Cherian, M.D. Vos, R.M. Swarte, J.H. Blok, G.H. Visser, P. Govaert and S.V. Huffel (2009), “Neonatal seizure localization using PARAFAC decomposition”, Clinical Neurophysiology, 120, pp. 1787-1796. 15. N.T.A. Dao, L.T. Thanh, N.L. Trung and L.V. Ha (2018), “Nonnegative ten-sor decomposition for EEG epileptic spike detection”, 5th NAFOSTED Conference on Information and Computer Science (NICS), IEEE 16. G. Kolda and W. Brett (2009), “Tensor decompositions and applications”, SIAM Review, 51(3), pp. 455-500. 17. M. Latka, Z. Was, A. Kozik and B.J. West (2003), “Wavelet analysis of epileptic spikes”, Physical Review E, 67(5). 18. American Epilepsy Society (2015), “Predict seizures in intracranial EEG recordings”, Availabe https://www.kaggle.com/c/seizure-prediction 7 19. J. Zahra and K.S. Hemant (2010), “Detection and classification of EEG waves”, Oriental Journal of Computer Science & Technology, 3(1), pp. 207-213. 20. A. Evrim (2007), “Multiway analysis of epilepsy tensor”, Bioinformatics, 23, pp. 10-18.

Các file đính kèm theo tài liệu này:

  • pdftom_tat_luan_van_phat_hien_bat_thuong_bang_phan_tich_ten_xo.pdf
Tài liệu liên quan