Tổng quan luận án
Xử lý dữ liệu không đầy đủ là bài toán kỹ thuật xuất hiện phổ biến trong thu nhận và phân tích tín hiệu y sinh. Tình trạng dữ liệu không đầy đủ phát sinh từ hai nguyên nhân chính: việc chủ động giảm số lượng mẫu thu thập nhằm rút ngắn thời gian ghi nhận tín hiệu và giảm tải phần cứng; hoặc do sự cố kỹ thuật thụ động như lỗi cảm biến, tiếp xúc điện cực không ổn định và nhiễu kênh truyền. Luận án tiến sĩ kỹ thuật viễn thông của tác giả Trương Minh Chính (năm 2019) tập trung giải quyết vấn đề xử lý dữ liệu không đầy đủ thông qua hai hướng tiếp cận: phương pháp lấy mẫu nén (Compressed Sensing - CS) tất định ứng dụng trong tạo ảnh cộng hưởng từ (Magnetic Resonance Imaging - MRI) và phân tích phần tử song song (Canonical Polyadic - CP) thích nghi cho ten-xơ ứng dụng trong xử lý tín hiệu điện não đồ (Electroencephalogram - EEG).
Khoảng trống nghiên cứu được luận án chỉ ra bao gồm:
- Trong kỹ thuật tạo ảnh MRI: Các phương pháp CS-MRI truyền thống chủ yếu dựa trên cơ sở lấy mẫu ngẫu nhiên, gây khó khăn cho việc thiết kế phần cứng điều khiển trường gradien; phương pháp lấy mẫu nén hỗn loạn (CCS-MRI) trước đó dùng dãy phân bố Gauss còn hạn chế về tính linh hoạt khi năng lượng không gian k không theo quy luật Gauss; đồng thời chưa có sự kết hợp giữa CS tất định với các kỹ thuật xung quét nhanh về mặt vật lý như kỹ thuật SWIFT (SWeep Imaging with Fourier Transformation).
- Trong xử lý tín hiệu EEG dạng ten-xơ: Các thuật toán phân tích CP cho dữ liệu không đầy đủ hiện hành (như CP-WOPT) hoạt động theo chế độ khối (batch mode), đòi hỏi lưu trữ toàn bộ dữ liệu và thời gian tính toán lớn, không đáp ứng yêu cầu xử lý thích nghi theo thời gian thực; các thuật toán ước lượng không gian con cho dữ liệu không đầy đủ (như PETRELS) vẫn cần được cải tiến về tốc độ hội tụ và giảm độ phức tạp tính toán.
Vấn đề nghiên cứu được xác định cụ thể:
- Vấn đề #1: Phát triển các giải thuật CS tất định trên cơ sở các hệ hỗn loạn để tăng tốc độ tạo ảnh MRI, giải quyết việc lấy mẫu linh hoạt theo phân bố năng lượng không gian k và kết hợp với kỹ thuật tạo ảnh nhanh SWIFT.
- Vấn đề #2: Phát triển các thuật toán ước lượng không gian con cho dữ liệu không đầy đủ, xây dựng thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 nhằm áp dụng vào trích xuất thông tin và khôi phục dữ liệu EEG bị mất mát.
Mục tiêu nghiên cứu của luận án:
- Mục tiêu chung: Nghiên cứu phát triển các giải thuật xử lý tín hiệu hiện đại, giới hạn trong phạm vi lấy mẫu nén (CS) và phân tích phần tử song song (CP), nhằm hỗ trợ xử lý tín hiệu y sinh tốc độ nhanh trong trường hợp dữ liệu không đầy đủ.
- Mục tiêu cụ thể:
- Nghiên cứu phát triển giải thuật CS tất định cho MRI (phương pháp NewCCS-MRI).
- Áp dụng CS tất định cho tạo ảnh MRI nhanh kết hợp phương pháp SWIFT (phương pháp CCS-SWIFT).
- Nghiên cứu phát triển công cụ phân tích CP thích nghi cho dữ liệu ten-xơ không đầy đủ thông qua các thuật toán ước lượng không gian con cải tiến.
- Áp dụng phân tích CP thích nghi cho bài toán trích xuất đặc trưng và khôi phục tín hiệu EEG không đầy đủ.
Đối tượng và phạm vi nghiên cứu:
- Đối tượng nghiên cứu: Tín hiệu và ảnh y sinh bao gồm ảnh chụp cộng hưởng từ (MRI 2 chiều) và tín hiệu điện não đồ bề mặt (scalp EEG đa kênh).
- Phạm vi nghiên cứu:
- Về lấy mẫu nén: Thuật toán CS tất định xây dựng trên hệ hỗn loạn logistic.
- Về tạo ảnh MRI: Xử lý dữ liệu ảnh MRI 2D trong không gian k Cartesian.
- Về không gian con và ten-xơ: Ten-xơ bậc 3 có hai chiều kích thước cố định và một chiều tăng theo thời gian; không gian con có số chiều thấp và biến thiên chậm.
- Về mô hình mất mát dữ liệu: Giả định mất mát dữ liệu ngẫu nhiên (dữ liệu quan sát không đầy đủ).
Tổng quan tài liệu và vị trí của luận án
Luận án đã hệ thống hóa các hướng nghiên cứu liên quan đến phương pháp lấy mẫu nén, kỹ thuật MRI nhanh, phân tích cấu trúc ten-xơ và ước lượng không gian con thích nghi:
-
Cơ sở lý thuyết lấy mẫu nén và CS-MRI:
Lý thuyết CS được đặt nền móng bởi Candès, Romberg, Tao (2006) và Donoho (2006). Candès và Wakin (2008) hoàn thiện các điều kiện về tính chất đẳng cự giới hạn (Restricted Isometry Property - RIP) và độ không liên kết giữa ma trận lấy mẫu và ma trận biểu diễn thưa. Ứng dụng CS trong tạo ảnh cộng hưởng từ được khởi xướng bởi Candès và các cộng sự (2006), tiếp đó Lustig, Donoho và Pauly (2007, 2008) hoàn thiện phương pháp CS-MRI dựa trên việc lấy mẫu ngẫu nhiên không gian k và thuật toán tối ưu hóa đạo hàm gradien liên hợp phi tuyến (NCG). Hướng tiếp cận lấy mẫu nén tất định nhằm khắc phục nhược điểm của ma trận ngẫu nhiên được khảo sát qua các công trình của Li và cộng sự (2012), Yu và cộng sự (2010). Tại Việt Nam, nhóm nghiên cứu tại Trường Đại học Công nghệ - ĐHQGHN (Nguyễn Linh Trung, Trần Đức Tân, Trương Minh Chính và cs., 2013-2015) đã đề xuất phương pháp CCS-MRI áp dụng hệ hỗn loạn cho MRI truyền thống và MRI trải phổ.
-
Kỹ thuật tạo ảnh cộng hưởng từ tĩnh nhanh:
Phương pháp SWIFT do Idiyatullin, Seshadri, Garwood và cộng sự (2006) phát triển, sử dụng dãy xung quét tần số vô tuyến thuộc họ hyperbolic secant (HSn) kết hợp thu phát tín hiệu xen kẽ thời gian cực ngắn để rút ngắn chu kỳ chụp ảnh.
-
Phân tích ten-xơ và xử lý tín hiệu EEG:
Lý thuyết phân tích ten-xơ đa chiều được tổng hợp bởi Kolda và Bader (2009), Cichocki và cộng sự (2009). Cấu trúc ten-xơ bậc 3 (Kênh $\times$ Thời gian $\times$ Tần số) và bậc 4 được De Vos và cs. (2007), Cong và cs. (2015) ứng dụng trong phân tích tín hiệu EEG. Đối với bài toán dữ liệu EEG không đầy đủ, công trình tiêu biểu là thuật toán phân tích CP tối ưu hóa trọng số (CP-WOPT) của Acar, Dunlavy, Kolda và Mørup (2011), tuy nhiên đây là thuật toán xử lý theo khối.
-
Ước lượng không gian con thích nghi:
Các thuật toán bám vết không gian con cho dữ liệu đầy đủ bao gồm PAST (Yang, 1995) và OPAST (Badeau và cs., 2005). Đối với dữ liệu không đầy đủ, Chi, Eldar và Calderbank (2013) đề xuất thuật toán PETRELS (Parallel Estimation and Tracking by REcursive Least Squares) và S-PETRELS (Simplified PETRELS). Nion và Sidiropoulos (2009) đã đề xuất mô hình chuyển đổi bài toán phân tích CP thích nghi của ten-xơ bậc 3 về bài toán ước lượng không gian con cho dữ liệu đầy đủ.
Khoảng trống học thuật mà luận án lựa chọn giải quyết:
- Xây dựng cơ chế lấy mẫu tất định hỗn loạn linh hoạt theo phân bố năng lượng không gian k thực tế của ảnh MRI (phương pháp NewCCS-MRI).
- Tích hợp CS hỗn loạn vào phương trình tạo ảnh SWIFT (phương pháp CCS-SWIFT).
- Phát triển các biến thể ước lượng không gian con đệ quy: SW-PETRELS, NL-PETRELS, MS-PETRELS cho dữ liệu không đầy đủ.
- Xây dựng thuật toán phân tích CP thích nghi (CP-PETRELS, CP-SW, CP-NL, CP-MS) cho ten-xơ bậc 3 dữ liệu không đầy đủ và áp dụng vào dữ liệu EEG thực nghiệm.
Cơ sở lý thuyết và phương pháp nghiên cứu
Luận án sử dụng các hệ thống lý thuyết, khái niệm và công cụ phân tích toán học chuyên ngành:
- Lý thuyết lấy mẫu nén (CS):
- Mô hình lấy mẫu: Tín hiệu $x \in \mathbb{R}^N$ thưa cấp $K$ qua cơ sở làm thưa $\Psi \in \mathbb{R}^{N \times N}$ ($x = \Psi c$). Véc-tơ độ đo $y \in \mathbb{R}^M$ ($M < N$) được thu thập qua ma trận lấy mẫu $\Phi \in \mathbb{R}^{M \times N}$ theo phương trình $y = \Phi x = \Phi \Psi c = \Theta c$.
- Điều kiện RIP: Hệ số $\delta_K \in (0, 1)$ nhỏ nhất thỏa mãn $(1 - \delta_K)|x|_2^2 \le |\Theta x|_2^2 \le (1 + \delta_K)|x|_2^2$.
- Độ không liên kết giữa $\Phi$ và $\Psi$: $\eta(\Phi, \Psi) = \sqrt{N} \max_{1 \le k, j \le N} |\langle \phi_k, \psi_j \rangle| \in [1, \sqrt{N}]$.
- Thuật toán khôi phục: Tối ưu hóa chuẩn $\ell_1$-norm không điều kiện $\hat{m} = \arg\min_m \left( |F_u(m) - \nu|_2^2 + \theta |\Psi m|_1 \right)$ giải bằng phương pháp đạo hàm gradien liên hợp phi tuyến (NCG) kết hợp tìm kiếm đường thẳng quay lui (backtracking line search).
-
Lý thuyết hệ hỗn loạn (Chaos Systems):
Hệ logistic một chiều:
$$h_L(n + 1) = \alpha h_L(n)(1 - h_L(n))$$
Với $\alpha = 4$, hàm mật độ phân bố xác suất có dạng $P(x) = \frac{1}{\pi \sqrt{x(1 - x)}}$. Phép biến đổi chuyển dãy logistic $h_L(n)$ thành dãy có phân bố Gauss $G_L(n)$:
$$G_L(n) = \sqrt{\pi} , \text{erf}^{-1}(2h_L(n) - 1)$$
Dãy phân bố Bernoulli $B(n)$ và dãy phân bố đều được tạo từ việc phân ngưỡng tính chất đối xứng chẵn $F(h_L(n)) = F(1 - h_L(n))$.
-
Đại số ten-xơ và mô hình ước lượng không gian con:
- Ten-xơ bậc 3 $\mathcal{X} \in \mathbb{R}^{I \times J \times K}$ được phân tích CP thành tổng $R$ ten-xơ hạng 1: $\mathcal{X} = \sum_{r=1}^R a_r \circ b_r \circ c_r$, trong đó $A \in \mathbb{R}^{I \times R}$, $B \in \mathbb{R}^{J \times R}$, $C \in \mathbb{R}^{K \times R}$.
- Dạng ma trận hóa: $X_{(1)} = (A \odot C)B^T$, với $\odot$ là tích Khatri-Rao.
- Mô hình dữ liệu quan sát không đầy đủ: $x(\tau) = U(\tau)a(\tau) + n(\tau)$, quan sát thu được $y(\tau) = p(\tau) * x(\tau) = P(\tau)x(\tau)$, trong đó $P(\tau) = \text{diag}{p(\tau)}$, $p_i(\tau) \in {0, 1}$.
- Cấu trúc cập nhật PETRELS: Giải quyết bài toán cực tiểu hóa có trọng số $\sum_{\tau=1}^t \lambda^{t-\tau} |P(\tau)(x(\tau) - W a(\tau))|_2^2$ với hệ số suy giảm $\lambda \in (0, 1)$.
- Phương pháp nghiên cứu thực nghiệm và công cụ:
- Kỹ thuật tính toán: Toàn bộ thuật toán được cài đặt, mô phỏng và kiểm thử trên phần mềm MATLAB.
- Tiêu chí đánh giá chất lượng ảnh MRI:
- Sai số trung bình bình phương chuẩn hóa (Normalized Root Mean Square Error - NRMSE):
$$\text{NRMSE} = \frac{|m - \hat{m}|_2}{|m|_2}$$
- Sai số tuyệt đối trung bình (Mean Absolute Error - MAE):
$$\text{MAE} = \frac{1}{N_x N_y} \sum_{i=1}^{N_x}\sum_{j=1}^{N_y} |m(i, j) - \hat{m}(i, j)|$$
- Tỷ lệ khôi phục ảnh thành công tại các tỷ số nén $r_{cs} = M/N$.
- Tiêu chí đánh giá ước lượng không gian con và ten-xơ:
- Hiệu suất ước lượng không gian con (Subspace Estimation Performance - SEP).
- Sai số chuẩn hóa (Normalized Residual Error - NRE).
- Chỉ số khớp ten-xơ (Factor Match Score - FMS) cho trích xuất thành phần.
- Chỉ số khôi phục ten-xơ (Tensor Completion Score - TCS) cho khôi phục dữ liệu bị mất.
- Nguồn dữ liệu thực nghiệm:
- Dữ liệu mô phỏng toán học tổng hợp (synthetic datasets).
- Dữ liệu ảnh MRI 2 chiều mô phỏng cấu trúc mô não.
- Dữ liệu điện não đồ (scalp EEG) thực nghiệm được thu nhận từ đề tài nghiên cứu khoa học số QG.40 của Đại học Quốc gia Hà Nội, sử dụng sơ đồ đặt điện cực theo chuẩn quốc tế Jasper 10/20 và ACNS 10/10.
Nội dung chính theo từng chương
Chương 1: Cơ sở về áp dụng phương pháp lấy mẫu nén cho tạo ảnh cộng hưởng từ nhanh và phân tích phần tử song song cho tín hiệu điện não đồ
Chương 1 thiết lập khung lý thuyết nền tảng cho toàn bộ luận án. Tác giả phân tích chi tiết cơ chế vật lý của kỹ thuật MRI: hiện tượng chuyển động tuế sai của các mô-men từ $\mu$ xung quanh từ trường tĩnh $B_0$ với tần số Larmor $\omega_0 = \gamma B_0$, tác động của xung kích thích tần số vô tuyến $B_1$ và các cuộn gradien $(G_x, G_y, G_z)$ để mã hóa không gian k. Phương trình tạo ảnh MRI 2D biểu diễn qua biến đổi Fourier: $\nu(k_x, k_y) = \iint m(x, y) e^{-i2\pi(k_x x + k_y y)} dx dy$.
Tác giả phân tích kỹ thuật tạo ảnh tĩnh nhanh SWIFT, chỉ ra cấu trúc xung quét $HSn$ có biên độ $\omega(t) = \omega_{\max} \text{sech}(\beta(2t/T_p - 1)^n)$ và pha tần số $\omega_{RF}(t)$, chia nhỏ chu kỳ thành các đoạn xung kích thích $\tau_p$ và khoảng thu tín hiệu xen kẽ, đưa đến mô hình toán học $\nu = \mathcal{F}(Hm)$ với $H$ là ma trận điều chế xung.
Đối với phân tích ten-xơ và xử lý EEG, chương này trình bày mô hình ten-xơ bậc 3 của tín hiệu EEG, thuật toán ước lượng không gian con PETRELS/S-PETRELS cho dữ liệu không đầy đủ, và thuật toán phân tích CP thích nghi của Nion - Sidiropoulos đối với ten-xơ $X_{(1)}(t) = W(t)B^T(t)$ cho trường hợp dữ liệu đầy đủ.
Chương 2: Áp dụng lấy mẫu nén tất định trên cơ sở các hệ hỗn loạn cho tạo ảnh cộng hưởng từ nhanh
Chương 2 trình bày các đóng góp về phương pháp CS tất định cho ảnh MRI:
- Phương pháp NewCCS-MRI:
Nhận thấy năng lượng không gian k của ảnh MRI phân bố tập trung ở vùng tần số thấp (trung tâm) và suy giảm ra biên theo hàm mũ, phương pháp NewCCS-MRI đề xuất quy trình tạo mặt nạ lấy mẫu tất định linh hoạt:
- Tạo chuỗi nhị phân Bernoulli $B(n)$ từ hệ hỗn loạn logistic.
- Chuyển đổi thành chuỗi phân bố đều để xác định linh hoạt tọa độ các đường lấy mẫu không gian k.
- Kết hợp mật độ lấy mẫu dày đặc ở vùng trung tâm và thưa dần ở vùng biên, khắc phục nhược điểm cố định phân bố của phương pháp CCS-MRI Gauss trước đây.
- Phương pháp CCS-SWIFT:
Đề xuất tích hợp phương pháp lấy mẫu nén hỗn loạn vào mô hình tạo ảnh SWIFT:
- Bước 1: Áp dụng ma trận điều chế xung HSn vào ảnh $m$ trong miền thời gian.
- Bước 2: Thiết lập mặt nạ lấy mẫu không gian k tất định dựa trên dãy hỗn loạn.
- Bước 3: Thu nhận véc-tơ độ đo $\nu$ trong không gian k với số mẫu giảm theo tỷ số nén $r_{cs}$.
- Bước 4: Khôi phục ảnh giải bài toán tối ưu bằng thuật toán NCG kèm điều kiện thưa trong miền sóng con Wavelet ($\Psi$) và giải điều chế xung HSn.
Dưới đây là bảng tổng hợp các phương pháp CS cho MRI được phân tích và đánh giá trong chương:
| Phương pháp |
Loại cơ sở lấy mẫu |
Cơ chế phân bố mẫu |
Mô hình tạo ảnh |
Thuật toán khôi phục |
| CS-MRI (Lustig, 2007) |
Ngẫu nhiên |
Phân bố ngẫu nhiên / TPSF |
MRI truyền thống |
NCG Wavelet |
| CCS-MRI (Nhóm PTN, 2013) |
Tất định (Logistic) |
Phân bố Gauss |
MRI truyền thống |
NCG Wavelet |
| NewCCS-MRI (Đề xuất) |
Tất định (Logistic) |
Phân bố đều / Linh hoạt theo mật độ k |
MRI truyền thống |
NCG Wavelet |
| CCS-SWIFT (Đề xuất) |
Tất định (Logistic) |
Hỗn loạn kết hợp điều chế HSn |
SWIFT nhanh |
NCG Wavelet + Giải điều chế |
Kết quả mô phỏng trên MATLAB cho thấy:
- Tại tỷ số nén $r_{cs} = 0{,}5$, NewCCS-MRI cho giá trị NRMSE và MAE thấp hơn so với CCS-MRI và CS-MRI.
- Phương pháp CCS-SWIFT khôi phục thành công cấu trúc ảnh giải phẫu với mức sai số NRMSE thấp, đạt tỷ lệ khôi phục thành công cao tại các tỷ số nén từ $0{,}3$ đến $0{,}6$, chứng minh hiệu quả kết hợp giữa giảm số mẫu xử lý tín hiệu và rút ngắn thời gian kích thích vật lý.
Chương 3: Phân tích phần tử song song thích nghi cho ten-xơ bậc 3 và áp dụng xử lý tín hiệu EEG không đầy đủ
Chương 3 tập trung vào các giải thuật ước lượng không gian con và phân tích ten-xơ thích nghi cho dữ liệu không đầy đủ:
- Đề xuất ba thuật toán ước lượng không gian con cải tiến từ PETRELS:
- Thuật toán SW-PETRELS (Sliding Window PETRELS): Thay thế hàm chi phí trọng số suy giảm mũ bằng hàm chi phí cửa sổ trượt độ dài $L$, giúp loại bỏ hoàn toàn ảnh hưởng của dữ liệu quá khứ, nâng cao khả năng bám vết khi không gian con thay đổi đột ngột.
- Thuật toán NL-PETRELS (Non-Linear PETRELS): Áp dụng kỹ thuật tối ưu phi tuyến trong cập nhật từng hàng của ma trận không gian con $W(t)$, cải thiện độ chính xác ước lượng trong môi trường có mức nhiễu cao.
- Thuật toán MS-PETRELS (Modified Simplified PETRELS): Cải tiến từ S-PETRELS bằng cách chuẩn hóa ma trận hiệp phương sai chung $R(t)$, giảm thiểu sai số xấp xỉ nhưng vẫn giữ nguyên độ phức tạp tính toán thấp ở mức $\mathcal{O}(Mr)$ mỗi bước lặp (so với $\mathcal{O}(Mr^2)$ của PETRELS gốc).
- Xây dựng họ thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 dữ liệu không đầy đủ:
Tích hợp các thuật toán ước lượng không gian con vào khung phân tích CP của ten-xơ $\mathcal{X}(t) \in \mathbb{R}^{I \times J(t) \times K}$:
- Bước 1: Ước lượng hệ số $b^T(t) = W^\dagger(t-1) x(t)$ từ quan sát không đầy đủ qua ma trận mặt nạ $P(t)$.
- Bước 2: Cập nhật ma trận không gian con $W(t) \in \mathbb{R}^{IK \times R}$ bằng một trong các thuật toán đề xuất (PETRELS, SW-PETRELS, NL-PETRELS, MS-PETRELS).
- Bước 3: Tách ma trận thành phần $A(t) \in \mathbb{R}^{I \times R}$ và $C(t) \in \mathbb{R}^{K \times R}$ từ $W(t)$ thông qua phân tích giá trị suy biến (SVD) trên từng cột $w_r(t) = a_r(t) \otimes c_r(t)$.
- Bước 4: Cập nhật lại véc-tơ $b^T(t)$ và bổ sung hàng mới vào ma trận $B(t)$.
- Đánh giá trên bài toán xử lý tín hiệu EEG không đầy đủ:
Thử nghiệm trên dữ liệu EEG thực nghiệm với kịch bản mất mát tín hiệu tại các tỷ lệ quan sát khác nhau (từ 20% đến 80%) và số lượng kênh bị mất dữ liệu tăng dần:
- Trích xuất thông tin (FMS): Thuật toán CP-NL và CP-MS đạt chỉ số FMS cao và ổn định hơn so với thuật toán khối CP-WOPT khi số lượng kênh mất tín hiệu tăng lên.
- Khôi phục dữ liệu (TCS): Thuật toán CP-MS cho chỉ số TCS cao nhất trong thời gian thực hiện ngắn nhất, thể hiện ưu thế vượt trội về tốc độ xử lý so với CP-WOPT.
Dưới đây là bảng tổng hợp các thuật toán phân tích ten-xơ được so sánh trong luận án:
| Thuật toán |
Cơ chế xử lý |
Phương pháp ước lượng không gian con |
Xử lý dữ liệu không đầy đủ |
Độ phức tạp tính toán mỗi bước |
| CP-WOPT (Acar, 2011) |
Chế độ khối (Batch) |
Tối ưu hóa trọng số phi tuyến NCG |
Có |
Cao (phụ thuộc toàn khối dữ liệu) |
| CP-PETRELS (Kế thừa) |
Thích nghi (Online) |
PETRELS tiêu chuẩn |
Có |
$\mathcal{O}(Mr^2)$ |
| CP-SW (Đề xuất) |
Thích nghi (Online) |
Cửa sổ trượt SW-PETRELS |
Có |
$\mathcal{O}(LMr)$ |
| CP-NL (Đề xuất) |
Thích nghi (Online) |
Phi tuyến NL-PETRELS |
Có |
Trung bình |
| CP-MS (Đề xuất) |
Thích nghi (Online) |
Đơn giản cải tiến MS-PETRELS |
Có |
$\mathcal{O}(Mr)$ (Thấp nhất) |
Kết quả và những đóng góp mới
Luận án đã đạt được các kết quả cụ thể tương ứng với hai đóng góp cốt lõi:
- Đóng góp về phương pháp lấy mẫu nén tất định cho tạo ảnh MRI nhanh:
- Đề xuất phương pháp NewCCS-MRI: Xây dựng cơ sở lấy mẫu tất định trên hệ hỗn loạn logistic với phân bố linh hoạt theo mật độ năng lượng không gian k, giúp tái tạo ảnh MRI trung thực hơn tại các tỷ số nén thấp so với CS-MRI ngẫu nhiên và CCS-MRI Gauss.
- Đề xuất phương pháp CCS-SWIFT: Kết hợp lấy mẫu nén hỗn loạn với kỹ thuật tạo ảnh tĩnh nhanh SWIFT, tích hợp mô hình điều chế xung HSn vào giải thuật khôi phục NCG, tạo ra giải pháp tăng tốc độ chụp ảnh MRI đồng thời trên cả phương diện vật lý và xử lý tín hiệu.
- Đóng góp về giải thuật ước lượng không gian con và phân tích CP thích nghi cho dữ liệu không đầy đủ:
- Đề xuất ba thuật toán ước lượng không gian con mới cho dữ liệu không đầy đủ: SW-PETRELS (bám vết nhanh với cửa sổ trượt), NL-PETRELS (độ chính xác cao trong môi trường nhiễu) và MS-PETRELS (giảm thiểu độ phức tạp tính toán).
- Xây dựng thành công hệ thống thuật toán phân tích CP thích nghi cho ten-xơ bậc 3 dữ liệu không đầy đủ (CP-PETRELS, CP-SW, CP-NL, CP-MS).
- Áp dụng thành công vào trích xuất đặc trưng và khôi phục dữ liệu tín hiệu điện não đồ (EEG) khi bị mất mát kênh đo, đạt hiệu năng tương đương hoặc vượt trội so với giải thuật khối CP-WOPT trong khi giảm đáng kể thời gian tính toán và dung lượng bộ nhớ yêu cầu.
Kiến nghị và giải pháp đề xuất từ tác giả:
- Áp dụng mô hình lấy mẫu tất định hỗn loạn vào thiết kế phần cứng của bộ phát xung điều khiển máy chụp MRI để hiện thực hóa quy trình lấy mẫu nén trong thực tế.
- Tích hợp các thuật toán CP thích nghi (đặc biệt là CP-MS) vào các hệ thống nhúng thu nhận tín hiệu EEG để xử lý trực tuyến tín hiệu phục vụ các ứng dụng giao tiếp não - máy tính (Brain-Computer Interface - BCI) và chẩn đoán lâm sàng thời gian thực.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của luận án:
- Về phạm vi dữ liệu MRI: Các khảo sát và thuật toán mới dừng lại ở mô hình ảnh MRI hai chiều (2D), chưa mở rộng trực tiếp sang mô hình không gian 3 chiều (3D) hoặc chuỗi ảnh động theo thời gian (4D).
- Về mô hình không gian con: Giả thiết nghiên cứu giới hạn ở không gian con có số chiều thấp và biến thiên chậm theo thời gian.
- Về mô hình mất mát dữ liệu: Luận án mới chỉ khảo sát mô hình mất mát dữ liệu ngẫu nhiên độc lập, chưa đánh giá trường hợp mất dữ liệu có cấu trúc liên tục kéo dài theo mảng khối lớn.
- Về mặt thực nghiệm: Các thuật toán mới được kiểm chứng thông qua mô phỏng trên phần mềm MATLAB với dữ liệu mô phỏng và bộ dữ liệu y sinh sẵn có, chưa triển khai thử nghiệm trực tiếp trên hệ thống máy chụp MRI và máy ghi EEG lâm sàng thời gian thực.
Hướng nghiên cứu tiếp theo:
- Mở rộng thuật toán lấy mẫu nén hỗn loạn và mô hình SWIFT cho dữ liệu ảnh MRI 3D và MRI thời gian thực (real-time dynamic MRI).
- Nghiên cứu các thuật toán bám vết không gian con và phân tích ten-xơ thích nghi cho trường hợp không gian con biến đổi nhanh hoặc có số chiều thay đổi động.
- Phát triển giải thuật phân tích ten-xơ xử lý các dạng mất mát dữ liệu có cấu trúc khối (structured/block missing data).
- Hiện thực hóa phần cứng các giải thuật đề xuất trên chip xử lý tín hiệu số chuyên dụng (DSP/FPGA).
Giá trị tham khảo
Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho nhiều đối tượng:
- Đối với nghiên cứu sinh, học viên cao học và nhà nghiên cứu: Cung cấp tài liệu hệ thống hóa toàn diện về cơ sở toán học của lý thuyết lấy mẫu nén (CS), điều kiện RIP, tính không liên kết, lý thuyết hệ hỗn loạn logistic, đại số ten-xơ đa chiều và các thuật toán bám vết không gian con đệ quy (RLS-based tracking).
- Đối với giảng viên và kỹ sư chuyên ngành Xử lý tín hiệu, Kỹ thuật Viễn thông và Kỹ thuật Y sinh: Cung cấp mã nguồn thuật toán chi tiết trong phần phụ lục (PETRELS, CP thích nghi, NCG), các mô hình kết hợp giữa xử lý tín hiệu số và cơ sở vật lý trong MRI/SWIFT, cùng quy trình biểu diễn và xử lý tín hiệu EEG đa kênh dưới dạng ten-xơ bậc 3.
- Các phần đáng tham khảo trọng tâm:
- Chương 2 và Phụ lục C: Phương pháp thiết lập ma trận lấy mẫu tất định trên hệ hỗn loạn và thuật toán tối ưu hóa NCG giải bài toán khôi phục ảnh thưa.
- Chương 3 và Phụ lục A, B: Khung thuật toán ước lượng không gian con cho dữ liệu không đầy đủ (SW-PETRELS, MS-PETRELS) và quy trình chuyển đổi bài toán phân tích CP ten-xơ sang ước lượng không gian con thích nghi.
Câu hỏi thường gặp
1. Tại sao luận án lại sử dụng hệ hỗn loạn logistic để xây dựng ma trận lấy mẫu trong CS-MRI thay vì sử dụng ma trận ngẫu nhiên Gauss truyền thống?
Ma trận ngẫu nhiên Gauss có ưu thế về mặt chứng minh lý thuyết toán học cho điều kiện RIP nhưng khó thực thi trên phần cứng thực tế do đòi hỏi bộ nhớ lưu trữ lớn và bộ sinh số ngẫu nhiên phức tạp. Hệ hỗn loạn logistic ($h_L(n+1) = \alpha h_L(n)(1 - h_L(n))$ với $\alpha = 4$) là hệ tất định, chỉ cần lưu trữ một giá trị khởi tạo $h_L(0)$ và tham số $\alpha$ là có thể tái tạo chính xác toàn bộ dãy mẫu. Dãy này sau biến đổi có đầy đủ tính chất thống kê như biến ngẫu nhiên Gauss hoặc phân bố đều, đảm bảo tính không liên kết với cơ sở Wavelet, giúp tiết kiệm bộ nhớ, giảm độ phức tạp phần cứng và dễ điều khiển hệ thống quét gradien trong máy MRI.
2. Phương pháp CCS-SWIFT đã kết hợp yếu tố vật lý và yếu tố xử lý tín hiệu như thế nào để tăng tốc độ tạo ảnh MRI?
Phương pháp CCS-SWIFT kết hợp hai cơ chế tăng tốc:
- Về mặt vật lý: Sử dụng kỹ thuật SWIFT với họ xung quét tần số $HSn$, chia xung thành các đoạn nhỏ để kích thích và thu tín hiệu gần như đồng thời (thời gian trễ cực ngắn), giảm thời gian chết giữa các chu kỳ kích thích.
- Về mặt xử lý tín hiệu: Áp dụng lấy mẫu nén tất định hỗn loạn (CCS) để chỉ thu thập một phần dữ liệu trong không gian k ($r_{cs} < 1$).
Quá trình tạo ảnh giải bài toán tối ưu phi tuyến kết hợp giải điều chế ma trận xung $H$ và tối ưu chuẩn $\ell_1$ trên miền Wavelet, giúp giảm tổng thời gian chụp ảnh nhiều lần so với MRI truyền thống.
3. Thuật toán MS-PETRELS và SW-PETRELS giải quyết những hạn chế cụ thể nào của thuật toán PETRELS gốc?
Thuật toán PETRELS gốc cập nhật ma trận hiệp phương sai $R_m(t)$ riêng cho từng hàng $m = 1, \dots, M$, dẫn đến độ phức tạp tính toán $\mathcal{O}(Mr^2)$ và sử dụng trọng số suy giảm mũ $\lambda$, khiến thuật toán bám vết chậm khi không gian con thay đổi đột ngột. Thuật toán SW-PETRELS giải quyết vấn đề bám vết bằng cách sử dụng cửa sổ trượt (sliding window) độ dài $L$, loại bỏ hoàn toàn dữ liệu cũ ngoài cửa sổ. Thuật toán MS-PETRELS giải quyết vấn đề tính toán bằng cách sử dụng ma trận hiệp phương sai chung được chuẩn hóa cải tiến, giảm độ phức tạp tính toán xuống mức $\mathcal{O}(Mr)$, cho phép xử lý dữ liệu với kích thước lớn và tốc độ nhanh hơn.
4. Quy trình phân tích CP thích nghi cho ten-xơ bậc 3 dữ liệu không đầy đủ được thực hiện như thế nào qua từng lát cắt thời gian?
Tại mỗi thời điểm $t$, khi có một lát cắt mới $x(t)$ (bị mất dữ liệu theo ma trận mặt nạ $P(t)$):
- Thuật toán ước lượng véc-tơ hệ số $b^T(t)$ dựa trên ma trận không gian con $W(t-1)$ từ thời điểm trước: $b^T(t) = W^\dagger(t-1)x(t)$.
- Cập nhật ma trận không gian con $W(t) \in \mathbb{R}^{IK \times R}$ bằng thuật toán ước lượng không gian con cho dữ liệu không đầy đủ (như MS-PETRELS hoặc NL-PETRELS).
- Tách các ma trận thành phần $A(t)$ và $C(t)$ từ $W(t)$ bằng phép phân tích SVD trên từng cột $w_r(t) = a_r(t) \otimes c_r(t)$.
- Cập nhật lại $b^T(t)$ với $W(t)$ mới và bổ sung vào ma trận $B(t)$.
5. Luận án sử dụng những chỉ số nào để đánh giá độ chính xác của việc trích xuất đặc trưng và khôi phục dữ liệu EEG bị mất mát?
Luận án sử dụng hai chỉ số chính:
- Chỉ số khớp ten-xơ (Factor Match Score - FMS): Đo lường độ chính xác trong việc trích xuất các ma trận thành phần $A, B, C$ so với thành phần gốc. Giá trị FMS càng tiến gần 1 thể hiện việc bóc tách thông tin đặc trưng (không gian, thời gian, tần số) của tín hiệu EEG càng chính xác.
- Chỉ số khôi phục ten-xơ (Tensor Completion Score - TCS): Đo lường tỷ lệ sai số giữa dữ liệu ten-xơ được khôi phục tại các vị trí mất mát so với dữ liệu gốc ban đầu. Chỉ số TCS càng cao phản ánh khả năng tái tạo tín hiệu điện não bị mất do hỏng kênh đo càng hoàn chỉnh.
Kết luận
Luận án tiến sĩ của tác giả Trương Minh Chính đã giải quyết trọn vẹn bài toán phân tích và xử lý tín hiệu cho dữ liệu không đầy đủ trong hai ứng dụng y sinh quan trọng là tạo ảnh cộng hưởng từ (MRI) và xử lý điện não đồ (EEG). Bằng việc phát triển các giải thuật lấy mẫu nén tất định trên hệ hỗn loạn (NewCCS-MRI, CCS-SWIFT) và các thuật toán phân tích ten-xơ thích nghi cải tiến từ ước lượng không gian con đệ quy (SW-PETRELS, NL-PETRELS, MS-PETRELS), công trình đã đóng góp cả về mặt phương pháp luận toán học lẫn giải pháp kỹ thuật ứng dụng. Các kết quả mô phỏng và thực nghiệm trên MATLAB đã chứng minh tính hiệu quả của các giải thuật đề xuất trong việc nâng cao tốc độ tạo ảnh, giảm thiểu độ phức tạp tính toán và khôi phục chính xác dữ liệu tín hiệu y sinh bị mất mát.
