Luận văn phát hiện bất thường bằng phân tích tensor để nhận biết xung động kinh trong dữ liệu điện não

Phân tích tensor phát hiện bất thường trong dữ liệu điện não giúp nhận biết xung động kinh chính xác. Luận văn nghiên cứu ứng dụng công nghệ mới trong chẩn đoán bệnh lý thần kinh.

• Tác giả: Lê Hoàng Anh
• Người hướng dẫn: PGS. Nguyễn Linh Trung
• Trường học: Đại học Quốc gia Hà Nội - Trường Đại học Công nghệ
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Phát hiện xung động kinh bằng phân tích tensor EEG
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. TỔNG QUAN VỀ LUẬN VĂN
• 1.1. Bất thường và các phương pháp phát hiện bất thường phổ biến
• 1.2. Khái quát nội dung luận văn
• 2. NGHIÊN CỨU CƠ SỞ
• 2.1. Các khái niệm về tensor
• 2.2. Thuật toán phân tích HOSVD
• 2.3. Biến đổi sóng liên tục - CWT
• 2.4. HỆ THỐNG PHÁT HIỆN XUNG ĐỘNG KINH SỬ DỤNG HOSVD
• 2.5. Biểu diễn dữ liệu EEG
• 2.6. Trích trọn đặc trưng
• 3. KẾT QUẢ THỰC NGHIỆM VÀ KẾT LUẬN
• 3.1. Tập dữ liệu
• 3.2. Đánh giá thuật toán
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phát hiện xung động kinh bằng phân tích tensor EEG

Phát hiện chính xác xung động kinh trong dữ liệu EEG (Điện não đồ) đóng vai trò quan trọng trong việc chẩn đoán và điều trị bệnh động kinh. Các xung động kinh là những mẫu xung động bất thường xuất hiện trên tín hiệu EEG, thể hiện sự rối loạn hoạt động thần kinh trong não bộ. Tuy nhiên, việc phát hiện những đặc trưng này đầy thách thức do tính chất nhiễu và đa chiều của dữ liệu EEG. Trong những năm gần đây, phân tích tensor đã trở thành một công cụ mạnh mẽ để xử lý và khai thác thông tin từ dữ liệu đa chiều như EEG. Kỹ thuật này giúp biểu diễn dữ liệu EEG dưới dạng tensor (đa chiều) để giữ nguyên cấu trúc không gian, thời gian và tần số của tín hiệu, từ đó nâng cao độ chính xác trong việc phát hiện xung động kinh so với các phương pháp truyền thống. Nghiên cứu dựa trên phân tích tensor, đặc biệt là thuật toán HOSVD (Higher-Order Singular Value Decomposition), đã chứng minh hiệu quả vượt trội trong việc phát hiện và phân loại các bất thường trên EEG, hỗ trợ chẩn đoán động kinh tự động với độ chính xác cao.

1.1. Khái niệm xung động kinh và tầm quan trọng phát hiện trên EEG

Trong lĩnh vực y sinh, xung động kinh là một loại tín hiệu bất thường trên EEG biểu hiện cho sự kích thích thần kinh bất thường, gây ra các cơn co giật. Việc phát hiện những xung động này giúp đánh giá tình trạng bệnh, theo dõi tiến triển và định hướng điều trị phù hợp. Tuy nhiên, các tín hiệu EEG chứa nhiều loại nhiễu và biến thể do hoạt động bình thường của não, khiến việc phát hiện chính xác trở nên rất khó khăn. Vì thế, khái niệm phát hiện xung động kinh trên EEG là một bài toán phân tích tín hiệu phức tạp, yêu cầu phương pháp xử lý hiện đại và hiệu quả.

1.2. Ưu điểm của phân tích tensor trong xử lý dữ liệu điện não đồ

Phân tích tensor cung cấp một cách tiếp cận toàn diện cho dữ liệu EEG đa kênh, đa thời gian và đa tần số. Thay vì biến đổi dữ liệu đa chiều thành dạng ma trận 2 chiều dễ gây mất thông tin, tensor giữ được cấu trúc nguyên bản của dữ liệu. Phương pháp này cho phép trích xuất đặc trưng không gian, thời gian và tần số riêng biệt, phục vụ phân tích sâu sắc, từ đó giúp phát hiện những mẫu xung động bất thường với độ nhạy và đặc hiệu cao. Đặc biệt, thuật toán HOSVD giúp phân rã tensor thành nhiều thành phần, tối ưu hóa việc lựa chọn đặc trưng hiệu quả nhất cho việc phân loại.

II. Thách thức phát hiện xung động kinh từ tín hiệu EEG đa chiều phức tạp

Việc phát hiện xung động thần kinh trong dữ liệu EEG không chỉ bị ảnh hưởng bởi các nhiễu nền mà còn bởi tính chất phi tuyến, biến đổi theo thời gian và đa chiều của tín hiệu. Các đặc trưng của tín hiệu EEG trong động kinh rất đa dạng, không cố định về mặt tần số hay thời gian, khiến việc nhận dạng gặp nhiều khó khăn. Bên cạnh đó, sự tồn tại của các yếu tố nghệ thuật (artifact) và các biến thể sinh lý khác làm tăng thêm độ phức tạp trong việc phân tích. Đặc biệt, xử lý dữ liệu đa kênh EEG buộc phải khai thác hiệu quả các mối quan hệ không gian và thời gian song song để phát hiện chính xác xung động kinh. Đây chính là một thử thách lớn đối với các kỹ thuật truyền thống.

2.1. Tính đa kênh và đa chiều của tín hiệu EEG trong chẩn đoán động kinh

Phân tích tensor giúp biểu diễn dữ liệu EEG dưới dạng tensor bậc 3 hoặc bậc 4, giữ nguyên cấu trúc đa chiều theo thời gian, kênh và tần số, hỗ trợ phát hiện chính xác các xung động thần kinh.

2.2. Các loại nhiễu và biến đổi tín hiệu EEG ảnh hưởng đến hiệu quả phát hiện

Để khắc phục, các kỹ thuật như biến đổi sóng con liên tục (CWT) có thể chuyển đổi tín hiệu sang miền thời gian-tần số, hỗ trợ làm nổi bật các yếu tố đặc trưng, kết hợp phân tích tensor để khai thác đa chiều.

III. Phương pháp phát hiện xung động kinh hiệu quả bằng phân tích tensor HOSVD

Trong các phương pháp phân tích tensor, HOSVD (Higher-Order Singular Value Decomposition) được đánh giá cao nhờ khả năng khai phá đặc trưng tiềm ẩn trong dữ liệu đa chiều EEG. Phương pháp này cho phép phân rã tensor thành các ma trận thành phần riêng biệt thể hiện các chiều không gian, thời gian và tần số. Quá trình phân tích HOSVD giúp trích lọc các đặc trưng quan trọng, tăng cường khả năng phát hiện động kinh bằng EEG với độ chính xác cao. Kết hợp với kỹ thuật biến đổi sóng con liên tục (CWT) để chuyển đổi tín hiệu EEG thành dạng tensor bậc 3, HOSVD xử lý và chiếu tensor lên không gian đặc trưng giúp phân loại các mẫu có hoặc không có xung động hiệu quả.

3.1. Giới thiệu thuật toán HOSVD trong phân tích tensor đa chiều EEG

HOSVD được áp dụng để thu được các vector đặc trưng đại diện cho mọi chiều dữ liệu, hỗ trợ cho việc phân loại và phát hiện xung động thần kinh.

3.2. Quá trình xây dựng tensor EEG và trích lọc đặc trưng bằng CWT

Đặc trưng thu được từ bước này có khả năng tách biệt rõ ràng các vùng chứa xung động thần kinh và các vùng bình thường, giúp tăng hiệu quả phát hiện.

3.3. Phân loại xung động kinh sử dụng các bộ phân loại SVM và KNN

Việc phối hợp chặt chẽ giữa phân tích tensor và các bộ phân loại này đảm bảo hệ thống phát hiện xung động kinh vừa chính xác vừa hiệu quả về mặt tính toán.

IV. Ứng dụng thực tế và kết quả nghiên cứu áp dụng phân tích tensor EEG

Ứng dụng mô hình phân tích tensor và thuật toán HOSVD trong phát hiện xung động thần kinh trên dữ liệu EEG thực tế đã chứng minh hiệu quả vượt trội, được kiểm chứng trên bộ dữ liệu độn động kinh từ Kaggle. Dữ liệu được thu thập với tần số 5000Hz từ 15 kênh điện cực, gồm cả các đoạn có và không có xung động động kinh. Kết quả cho thấy hệ thống dựa trên HOSVD với bộ phân loại SVM đạt độ nhạy (sensitivity) trên 98%, độ chính xác (accuracy) trung bình trên 78%, và diện tích dưới đường cong ROC (AUC) lên tới 86%, vượt trội so với các phương pháp truyền thống và mô hình phân tích tensor khác như CP/PARAFAC. Những con số này thể hiện khả năng phát hiện chính xác các xung động kinh ngay cả trong điều kiện tín hiệu nhiều nhiễu, giúp giảm tỷ lệ bỏ sót và cảnh báo sớm cho bệnh nhân.

4.1. Bộ dữ liệu EEG thực nghiệm và bước chuẩn bị dữ liệu

Việc chuẩn bị dữ liệu có vai trò quan trọng nhằm giảm thiểu nhiễu và biến đổi không mong muốn, giúp trích lọc đặc trưng chất lượng cho hệ thống phân loại.

4.2. Đánh giá hiệu suất phát hiện xung động kinh qua chỉ số ROC và AUC

Việc so sánh với mô hình KNN và CP cũng minh chứng ưu điểm vượt trội của HOSVD trong khai thác đặc trưng tensor EEG đa chiều.

4.3. So sánh hiệu quả giữa các thuật toán phân tích tensor EEG

Các nghiên cứu trước đó cũng đã đề cập hạn chế của CP/PARAFAC, trong khi HOSVD đang được ứng dụng rộng rãi hơn trong xử lý tín hiệu y sinh đa chiều.

V. Bí quyết tối ưu việc phân tích tensor EEG để phát hiện xung động kinh chính xác

Để nâng cao hiệu quả phân tích và phát hiện xung động kinh bằng tensor EEG, cần chú trọng lựa chọn đúng phương pháp phân tích, kỹ thuật tiền xử lý và bộ phân loại phù hợp. Kỹ thuật biến đổi sóng con liên tục (CWT) là bước chuẩn bị cần thiết giúp chuyển đổi dữ liệu về dạng tensor đa chiều. Tiếp đó, lựa chọn thuật toán phân tích tensor như HOSVD giúp trích lọc đặc trưng có ý nghĩa sinh học và y sinh. Việc xác định hợp lý hạng tensor trong HOSVD đóng vai trò quan trọng giúp giảm nhiễu và tăng độ ổn định. Cuối cùng, phối hợp các bộ phân loại mạnh mẽ như SVM cung cấp phân loại chính xác và giảm sai sót phổ biến trong phát hiện xung động. Các yếu tố này tạo thành một chuỗi quy trình tích hợp tối ưu cho việc nhận dạng hiệu quả trên dữ liệu EEG thực tế.

5.1. Kỹ thuật xử lý tín hiệu EEG trước khi phân tích tensor

Ngoài ra, downsampling phù hợp giúp giảm khối lượng dữ liệu nhưng vẫn đảm bảo giữ được các đặc trưng quan trọng trong tín hiệu.

5.2. Xác định hạng tensor hợp lý khi áp dụng thuật toán HOSVD

Đây là bước then chốt giúp cân bằng hiệu suất và độ chính xác mô hình.

5.3. Phối hợp phân tích tensor với các bộ phân loại hiện đại

Nhờ vậy, hệ thống có thể tự động phân loại chính xác các vùng có xung động, giảm tải cho bác sĩ xét nghiệm.

VI. Triển vọng tương lai cho phát hiện xung động kinh dựa trên phân tích tensor EEG

Phát hiện xung động kinh bằng phân tích tensor EEG mở ra nhiều hướng nghiên cứu và triển khai thực tiễn trong lĩnh vực y sinh và khoa học dữ liệu. Trong tương lai, việc cải tiến các thuật toán phân tích tensor nhằm xử lý dữ liệu lớn, đa dạng và đa chiều hơn sẽ giúp nâng cao độ chính xác và thời gian xử lý. Kết hợp với trí tuệ nhân tạo và học sâu, các mô hình sẽ tự động học hỏi các mẫu tinh vi hơn của bệnh động kinh. Ngoài ra, việc phát triển các thiết bị thu thập và xử lý điện não đồ tại chỗ với tính năng phân tích tensor sẽ đem đến giải pháp chẩn đoán nhanh chóng – kịp thời – chính xác, đặc biệt hữu ích ở các vùng khó khăn trong tiếp cận y tế. Nghiên cứu cũng hướng tới khai thác các dạng biến đổi tensor mới, kết hợp với dữ liệu đa nguồn để nâng cao độ tin cậy của hệ thống phát hiện xung động kinh.

6.1. Xu hướng tích hợp phân tích tensor với học máy nâng cao trí tuệ nhân tạo

Điều này hứa hẹn đem lại bước tiến quan trọng trong phát triển hệ thống chuẩn đoán hỗ trợ tự động.

6.2. Thách thức và giải pháp xử lý dữ liệu lớn EEG đa chiều

Giải pháp kết hợp các mô hình tổng hợp và công nghệ tính toán đám mây sẽ mở rộng ứng dụng trong thực tế.

6.3. Ứng dụng thực tiễn trong chẩn đoán và theo dõi bệnh nhân động kinh

Sự hợp tác giữa các nhà nghiên cứu khoa học dữ liệu và y học sẽ thúc đẩy việc ứng dụng rộng rãi hơn trong thực tế lâm sàng.

Nội dung chính

Tổng quan nghiên cứu

Rối loạn động kinh là một bệnh lý thần kinh phổ biến với khoảng 50 triệu người mắc trên toàn cầu, trong đó phần lớn nằm ở các nước nghèo hoặc đang phát triển. Việc chuẩn đoán và theo dõi bệnh động kinh dựa trên dữ liệu điện não đồ (EEG) đóng vai trò quan trọng trong việc xác định chính xác các cơn co giật và dự đoán cơn động kinh. Tuy nhiên, việc phân tích EEG truyền thống phụ thuộc nhiều vào kinh nghiệm của bác sĩ, dẫn đến hiệu quả thấp và tốn nhiều thời gian. Nghiên cứu này nhằm mục tiêu xây dựng một hệ thống tự động phát hiện xung động kinh trong dữ liệu EEG bằng phương pháp phân tích tensor, cụ thể là thuật toán phân tích HOSVD (Higher-Order Singular Value Decomposition).

Phạm vi nghiên cứu tập trung vào dữ liệu EEG được thu thập từ hai bệnh nhân với tần số lấy mẫu 5000Hz, trong đó các đoạn dữ liệu kéo dài 6 giây, tổng cộng khoảng 3 triệu mẫu dữ liệu trên mỗi kênh. Hệ thống được phát triển nhằm tăng độ chính xác nhận diện, giảm thiểu tỷ lệ sai sót trong phát hiện cơn động kinh, giúp nâng cao hiệu quả chẩn đoán và điều trị. Kết quả nghiên cứu có ý nghĩa lớn trong việc áp dụng trí tuệ nhân tạo và các kỹ thuật xử lý tín hiệu hiện đại vào y học, đặc biệt trong lĩnh vực thần kinh học và chẩn đoán tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu này dựa trên hai lý thuyết chính:

• Phân tích Tensor và HOSVD: Tensor là cấu trúc toán học mở rộng từ ma trận cho dữ liệu đa chiều, được sử dụng để biểu diễn các tín hiệu EEG theo các chiều thời gian, kênh đo và tần số. HOSVD là một dạng mở rộng của phân tích giá trị riêng (SVD) cho tensor, giúp phân tách và trích xuất đặc trưng một cách hiệu quả. HOSVD phù hợp với dữ liệu EEG đa chiều, cho phép nhận diện các yếu tố đặc trưng riêng biệt của xung động kinh.

• Biến đổi Sóng liên tục (CWT): CWT được sử dụng để phân tích tín hiệu EEG ở cả miền thời gian và tần số, nhờ đó có thể trích xuất thông tin đặc trưng chính xác hơn. Hàm sóng mẹ Mexican Hat được chọn nhờ ưu điểm làm nổi bật tín hiệu bất thường trên sóng EEG.

Các khái niệm chính gồm: tensor bậc 3, lát cắt tensor, chế độ tensor, chuẩn Frobenius, ma trận hóa tensor, và phân tích HOSVD với ba loại ma trận thành phần đại diện cho thời gian, không gian và kênh tín hiệu EEG.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng từ bộ dữ liệu Kaggle, chứa tín hiệu EEG ghi lại bằng 15 kênh với tần số lấy mẫu 5000 Hz, tổng thời gian ghi khoảng một giờ cho hai bệnh nhân. Dữ liệu được chia thành các đoạn 6 giây, với khoảng 900 đoạn chứa xung động kinh (Preictal) và 2500 đoạn không có xung động kinh (Interictal). Thời gian lấy mẫu mới sau khi xử lý được giảm xuống còn 200 Hz để phù hợp với tiêu chuẩn Nyquist và tăng tốc quá trình tính toán.

Quá trình thu thập và xử lý dữ liệu gồm các bước:

1. Biến đổi Wavelet liên tục (CWT): Dữ liệu EEG được biến đổi sang dạng tensor bậc 3 qua phân tích sóng mẹ Mexican Hat, biểu diễn chi tiết thông tin thời gian-tần số-kênh.

2. Xây dựng tensor bậc 3 cho xung động kinh và hoạt động bình thường: Các đoạn dữ liệu EEG với phân loại rõ ràng được biểu diễn tensor để sắp xếp thành tensor bậc 4 phục vụ cho phân tích HOSVD.

3. Phân tích HOSVD: Thực hiện phân rã tensor để trích xuất các ma trận thành phần đặc trưng (A_time, B_scale, C_channel). Việc xác định hạng đa tuyến được tiến hành dựa trên biến thiên eigen gap và độ tương quan giữa các thành phần liên tiếp.

4. Chia dữ liệu huấn luyện và kiểm thử: Sử dụng phương pháp cross-validation với tỷ lệ 4:1, huấn luyện bộ phân loại SVM và KNN dựa trên các đặc trưng trích xuất từ tensor.

5. Đánh giá mô hình: Sử dụng các chỉ số chính gồm độ nhạy (Sensitivity), độ chính xác (Accuracy), độ đặc hiệu (Specificity) và diện tích dưới đường cong ROC (AUC) để đánh giá hiệu năng.

Phân tích được thực hiện trên phần mềm Matlab với cấu hình máy tính Intel Core i5, RAM 16GB, GPU GeForce GTX 1060.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân tích HOSVD: Kết quả phân tích dữ liệu EEG cho thấy việc sử dụng hạng đa tuyến R = [200, 5, 15] là tối ưu, với 200 thành phần thời gian, 5 thành phần theo miền tần số và 15 thành phần kênh tín hiệu. Độ tương quan tổng thể giữa tensor nguyên gốc và tensor xấp xỉ đạt gần 100%.

2. Độ nhạy và độ chính xác của hệ thống: Với bộ phân loại SVM, hệ thống đạt độ nhạy lên tới 98%, độ chính xác trung bình 78%, độ đặc hiệu 72%, trong khi KNN có độ nhạy và độ chính xác thấp hơn nhưng chênh lệch không đáng kể, cho thấy SVM phù hợp hơn trong bài toán này.

3. So sánh với phương pháp CP/PARAFAC: Phương pháp HOSVD vượt trội hơn phương pháp CP/PARAFAC với độ nhạy đạt 99%, so với 75% của CP, chứng tỏ HOSVD hiệu quả hơn trong xử lý dữ liệu tensor cao chiều từ EEG.

4. Biểu đồ ROC: Diện tích dưới đường cong ROC của phương pháp HOSVD kết hợp SVM đạt trên 86%, khẳng định khả năng phân biệt tốt giữa các thời điểm có và không có xung động kinh.

Thảo luận kết quả

Sự vượt trội của HOSVD trong phân tích xung động kinh EEG có thể được giải thích bởi khả năng trích xuất đa chiều đặc trưng chính xác từ dữ liệu tensor đa chiều phức tạp, trong khi CP/PARAFAC dễ mất mát thông tin khi dữ liệu có nhiều yếu tố không tuyến tính. Sự lựa chọn hàm sóng mẹ Mexican Hat trong CWT càng giúp làm nổi bật các đặc trưng bất thường trên miền tần số-thời gian.

Kết quả cũng phù hợp với các báo cáo ngành và một số nghiên cứu sử dụng phân tích tensor trong xử lý EEG, đồng thời nhấn mạnh vai trò của SVM với cơ chế superplane giúp phân tách tốt hơn so với KNN trong dữ liệu có nhiều tính chất phức tạp và nhiễu như EEG.

Việc giảm tần số lấy mẫu xuống còn 200Hz làm tăng tốc độ xử lý mà không làm mất đi lượng thông tin có giá trị nhờ vào việc sử dụng stratified sampling và biến đổi Wavelet hiệu quả.

Các biểu đồ ROC và đồ thị tương quan eigen gap cho thấy dữ liệu rất thích hợp cho phân tích tensor với hạng đa tuyến phù hợp. Ngoài ra, kết quả cho thấy cách tiếp cận này có thể triển khai trên các hệ thống chẩn đoán tự động thực tế, gián tiếp cải thiện chất lượng sống bệnh nhân.

Đề xuất và khuyến nghị

1. Ứng dụng mô hình phát hiện xung động kinh tự động: Triển khai mô hình phân tích HOSVD kết hợp SVM vào các thiết bị chẩn đoán EEG tại các cơ sở y tế từ năm 2024 để nâng cao hiệu quả chẩn đoán, giảm thiểu sai sót và tốn kém thời gian của bác sĩ.

2. Mở rộng tập dữ liệu và đa dạng hóa kênh EEG: Thu thập dữ liệu nhiều bệnh nhân với các đặc trưng khác nhau và bổ sung thêm kênh để hoàn thiện mô hình, cải thiện khả năng tổng quát của hệ thống trong vòng 2-3 năm tiếp theo.

3. Phát triển thêm thuật toán phân tích tensor nâng cao: Thử nghiệm các kỹ thuật phân tích tensor không âm (NTD) và phân tích thành phần chính tuyến tính phi tuyến để tăng cường độ chính xác và khả năng phân loại các dạng bất thường đa dạng hơn.

4. Tích hợp mô hình vào hệ thống hỗ trợ quyết định lâm sàng: Phát triển giao diện thân thiện, tích hợp vào hệ thống y tế điện tử, hỗ trợ bác sĩ trong việc đánh giá dữ liệu EEG theo thời gian thực nhằm phát hiện sớm cơn động kinh, triển khai trong vòng 1-2 năm.

Đối tượng nên tham khảo luận văn

1. Chuyên gia và kỹ sư trong lĩnh vực xử lý tín hiệu y sinh: Luận văn cung cấp phương pháp và mô hình phân tích tensor nâng cao cùng các thuật toán học máy, hữu ích trong nghiên cứu và phát triển ứng dụng xử lý điện não đồ.

2. Bác sĩ và nhà nghiên cứu thần kinh học: Các mô hình phát hiện tự động giúp cải thiện chẩn đoán và theo dõi bệnh động kinh, góp phần nâng cao chất lượng điều trị và chăm sóc bệnh nhân.

3. Sinh viên và học viên cao học ngành công nghệ thông tin, kỹ thuật y sinh, trí tuệ nhân tạo: Luận văn trình bày chi tiết khung lý thuyết, phương pháp và thực nghiệm, là tài liệu tham khảo quan trọng trong đào tạo và nghiên cứu.

4. Doanh nghiệp phát triển thiết bị y tế và phần mềm chẩn đoán: Các công nghệ mới như phân tích tensor và học máy có thể ứng dụng vào sản phẩm tự động phát hiện cơn động kinh, nâng cao giá trị sản phẩm trên thị trường.

Câu hỏi thường gặp

1. Phân tích tensor là gì và tại sao lại chọn HOSVD cho dữ liệu EEG?
   Phân tích tensor mở rộng từ ma trận cho dữ liệu đa chiều. HOSVD là thuật toán phân tích tensor tổng quát, cho khả năng trích xuất đặc trưng tốt hơn trong dữ liệu EEG đa chiều với các chiều thời gian, kênh và tần số, giúp phát hiện xung động kinh hiệu quả hơn.

2. Biến đổi sóng liên tục (CWT) có vai trò gì trong xử lý tín hiệu EEG?
   CWT cho phép phân tích tín hiệu theo thời gian-tần số đồng thời, giúp trích xuất các đặc trưng tín hiệu phức tạp của EEG, như xung động và các biến đổi trong tần số, làm tăng độ nhạy của hệ thống phát hiện.

3. SVM và KNN khác nhau như thế nào trong việc phân loại dữ liệu EEG?
   SVM tạo siêu phẳng phân tách tối ưu giữa hai lớp dữ liệu, phù hợp với dữ liệu có nhiều đặc trưng phức tạp và có nhiễu, còn KNN dựa trên khoảng cách đến các điểm lân cận nên dễ bị ảnh hưởng bởi nhiễu và độ phân bố dữ liệu kém đồng nhất.

4. Thế nào là hạng đa tuyến trong phân tích HOSVD và cách lựa chọn nó?
   Hạng đa tuyến là số thành phần trích xuất theo từng chiều tensor. Lựa chọn dựa trên phân tích các khoảng cách giữa giá trị riêng liên tiếp (eigen gap) và độ tương quan các thành phần tạo ra mô hình xấp xỉ tốt nhất với tensor gốc.

5. Hệ thống này có thể áp dụng thực tế ra sao trong y tế?
   Hệ thống có thể tích hợp vào phần mềm chẩn đoán EEG tự động, giúp bác sĩ phát hiện chính xác thời điểm cơn động kinh xuất hiện, giảm phụ thuộc vào phân tích thủ công, tiết kiệm thời gian và nâng cao chất lượng điều trị.

Kết luận

• Nghiên cứu thành công ứng dụng phân tích HOSVD trên dữ liệu tensor EEG để phát hiện xung động kinh tự động với độ nhạy đến 99%.
• Hệ thống kết hợp HOSVD và SVM cho hiệu quả phân loại cao hơn so với các phương pháp truyền thống và CP/PARAFAC.
• Kết quả thực nghiệm với bộ dữ liệu đa kênh và tần số lấy mẫu cao chứng minh tính khả thi và áp dụng của phương pháp.
• Các chỉ số đánh giá như độ nhạy, độ chính xác và AUC đều đạt mức cao, phù hợp cho ứng dụng chẩn đoán y khoa.
• Đề xuất phát triển mô hình đa dạng hơn và tích hợp vào hệ thống hỗ trợ chẩn đoán thực tế nhằm cải thiện chất lượng cuộc sống bệnh nhân.

Luận văn mở ra hướng nghiên cứu hiệu quả kết hợp phân tích tensor và học máy trong chăm sóc sức khỏe thần kinh, khuyến khích nghiên cứu sâu rộng hơn vào các mô hình nâng cao và ứng dụng công nghệ AI trong y sinh. Hành động tiếp theo là triển khai thử nghiệm tiền lâm sàng và mở rộng dữ liệu đa dạng hơn để hoàn thiện hệ thống.