Khám Phá Ứng Dụng Lọc Thích Nghi Trong Triệt Nhiễu Tín Hiệu NIRS Tại HCMUTE

Tài liệu nghiên cứu Hcmute ứng dụng lọc thích nghi trong triệt nhiễu tín hiệu nirs, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

Chuyên ngành

Điện - Điện Tử

Người đăng

Ẩn danh

Thể loại

báo cáo tổng kết

2014

62
1
0

Phí lưu trữ

30 Point

Mục lục chi tiết

MỞ ĐẦU

1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT

1.1. Phƣơng Pháp Tái Hiện Hình Ảnh Và Tín Hiệu Não Ngƣời

1.1.1. Phƣơng pháp EEG

1.2. Phƣơng Pháp MRI

1.3. Phƣơng Pháp Quang Phổ Cận Hồng Ngoại fNIRS

1.4. Nhiễu Trong Thu Thập Tín Hiệu Quang Phổ Cận Hồng Ngoại

1.5. Lọc Thích Nghi

1.5.1. Giới Thiệu Lọc Thích Nghi

1.5.2. Lọc Thích Nghi Dùng Thuật Toán LMS

2. THU THẬP TÍN HIỆU NIRS

2.1. Các Vùng Chức Năng Não Ngƣời

2.2. Thiết Bị và Tín Hiệu fNIRS

2.3. Thiết Lập Thí Nghiệm Thu Dữ Liệu Cho Hoạt Động Gõ Tay

3. ỨNG DỤNG LỌC THÍCH NGHI TRONG TRIỆT NHIỄU TÍN HIỆU NIRS

3.1. Mô Hình Triệt Nhiễu

3.2. Ứng Dụng Lọc Thích Nghi Trong Triệt Nhiễu Tín Hiệu NIRS

3.3. Ứng Dụng Lọc Thích Nghi Trên Tín Hiệu NIRS

KẾT LUẬN và HƢỚNG PHÁT TRIỂN

K.1. Hƣớng Phát Triển

TÀI LIỆU THAM KHẢO

Tóm tắt

I. Ứng dụng lọc thích nghi NIRS tại HCMUTE

Đề tài nghiên cứu "Ứng dụng lọc thích nghi trong triệt nhiễu tín hiệu NIRS tại HCMUTE" tập trung vào việc áp dụng thuật toán lọc thích nghi, cụ thể là thuật toán LMS (Least Mean Square), để giảm nhiễu trong tín hiệu thu được từ thiết bị quang phổ cận hồng ngoại chức năng (fNIRS). Nghiên cứu này có ý nghĩa thực tiễn cao trong lĩnh vực xử lý tín hiệu sinh học, đặc biệt là trong việc cải thiện chất lượng tín hiệu NIRS phục vụ cho các ứng dụng y sinh. Việc sử dụng lọc thích nghi cho phép hệ thống tự động điều chỉnh các thông số lọc để thích ứng với các loại nhiễu khác nhau, từ đó tối ưu hóa hiệu quả triệt nhiễu. Nghiên cứu khoa học HCMUTE này đóng góp vào việc phát triển công nghệ NIRS tại Việt Nam.

1.1 Triệt nhiễu tín hiệu NIRS và xử lý tín hiệu NIRS

Một trong những thách thức chính trong việc sử dụng NIRS là sự hiện diện của nhiễu trong tín hiệu thu được. Nhiễu này có thể xuất phát từ nhiều nguồn, bao gồm nhiễu điện, nhiễu sinh lý (như nhịp tim, hô hấp), và nhiễu vận động (như chuyển động của đầu). Triệt nhiễu tín hiệu NIRS là một bước quan trọng để đảm bảo độ chính xác và độ tin cậy của dữ liệu. Đề tài đã tập trung vào việc xử lý tín hiệu NIRS bằng cách áp dụng phương pháp lọc thích nghi, cụ thể là thuật toán LMS. Thuật toán LMS là một thuật toán lọc thích nghi phổ biến, đơn giản và hiệu quả, thích hợp cho xử lý tín hiệu thời gian thực. Phân tích tín hiệu NIRS sau khi lọc cho thấy khả năng giảm nhiễu đáng kể, cải thiện chất lượng tín hiệu và độ chính xác của kết quả phân tích. Nghiên cứu này đã chứng minh hiệu quả của phương pháp lọc thích nghi trong việc giảm nhiễu NIRS.

1.2 Ứng dụng lọc thích nghi trong y sinh và ứng dụng NIRS trong y sinh

Ứng dụng NIRS trong y sinh rất đa dạng, bao gồm giám sát chức năng não, phát hiện bệnh lý thần kinh, và đánh giá hiệu quả điều trị. Tuy nhiên, nhiễu trong tín hiệu NIRS có thể làm giảm độ chính xác của các phép đo và ảnh hưởng đến kết quả chẩn đoán. Việc áp dụng lọc thích nghi trong đề tài này mang lại những đóng góp đáng kể cho việc cải thiện chất lượng dữ liệu NIRS trong y sinh. Ứng dụng lọc thích nghi giúp loại bỏ nhiễu một cách hiệu quả, cho phép thu được tín hiệu NIRS sạch hơn, từ đó nâng cao độ tin cậy của các phép đo và cải thiện độ chính xác của chẩn đoán. Kết quả nghiên cứu có thể được ứng dụng rộng rãi trong các lĩnh vực y sinh khác nhau, góp phần nâng cao chất lượng chăm sóc sức khỏe. Ứng dụng lọc thích nghi trong đề tài này đóng vai trò quan trọng trong việc phát triển và ứng dụng công nghệ NIRS trong y sinh.

1.3 Đánh giá hiệu quả lọc và hướng phát triển

Hiệu quả của lọc thích nghi được đánh giá thông qua các chỉ số như MSE (Mean Square Error). Kết quả cho thấy thuật toán LMS giảm được nhiễu đáng kể trên tín hiệu NIRS thu thập từ thí nghiệm. So sánh thuật toán lọc với các phương pháp lọc truyền thống cho thấy lọc thích nghi có hiệu quả hơn trong việc xử lý nhiễu động và thay đổi tín hiệu. Tuy nhiên, nghiên cứu cũng chỉ ra một số hạn chế như thời gian xử lý và độ phức tạp của thuật toán. Hướng phát triển tiếp theo tập trung vào việc tối ưu hóa thuật toán LMS để giảm thời gian xử lý và tăng tốc độ hội tụ. Việc nghiên cứu các thuật toán lọc thích nghi khác, tích hợp với các phương pháp xử lý tín hiệu tiên tiến, cũng là hướng đi quan trọng để cải thiện hơn nữa chất lượng tín hiệu NIRS. Thực nghiệm NIRS cho thấy khả năng ứng dụng rộng rãi của nghiên cứu này.

01/02/2025

Trích đoạn nội dung tài liệu

Mở Đầu Tính cấp thiết  Hiện nay, lĩnh vực xử lý tín hiệu ngày càng phát triển mạnh. Đặc biệt với các giải thuật lọc nhiễu từ tín hiệu.  Đề tài xây dựng và ứng dụng giải thuật LMS trong lọc thích nghi trên tín hiệu NIRS (Near Infra-red Spectroscopy).  Kết quả của đề tài có thể đƣợc sử dụng vào việc nghiên cứu việc giảng dạy cho sinh viên chuyên ngành điện tử viễn thông.

Mục tiêu đề tài  Ứng dụng lọc thích nghi trong triệt nhiễu tín hiệu NIRS Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu Cách tiếp cận  Lý thuyết đến thực nghiệm Phƣơng pháp nghiên cứu  Nghiên cứu lý thuyết  Mô phỏng  Thực nghiệm Phạm vi nghiên cứu  Lọc thích nghi trên giải thuật LMS  Ứng dụng loại nhiễu trong tín hiệu NIRS Nội dung nghiên cứu  Cơ sở lý thuyết về lọc thích nghi  Thuật toán lọc thích nghi với giải thuật LMS  Ứng dụng lọc thích nghi trong triệt nhiễu tín hiệu NIRS 2 Luan van 1. Cơ Sở Lý Thuyết Chƣơng 1 CƠ SỞ LÝ THUYẾT 1.1 Phƣơng Pháp Tái Hiện Hình Ảnh Và Tín Hiệu Não Ngƣời 1.1 Phƣơng pháp EEG EEG (Electroencephalography) – điện não đồ là một phƣơng pháp ghi lại các hoạt động về điện trên da đầu của ngƣời. Phƣơng pháp này đo sự thay đổi điện áp do việc di chuyển của các hạt điện tích bên trong các nơ- ron của não. Tín hiệu EEG trên ngƣời đã đƣợc tìm ra bởi Hans Berger (1873- 1941).

Bài báo đầu tiên vào năm 1929 của Berger cho thấy sự tồn tại của sóng alpha nhƣ là một thành phần chủ yếu trong tín hiệu EEG. Việc nạp điện áp trên não đƣợc duy trì bởi hàng tỷ nơ-ron. Các nơ-ron nạp điện bởi các màng vận chuyển protein bằng cách bơm ion vào màng của chúng. Các nơ- ron thƣờng xuyên trao đổi ion với ngoại bào, tạo nên một quá trình liên tục bằng cách đẩy ion từ nơ-ron này đến nơ-ron khác nhƣ một sóng điện.

Khi các sóng ion này tiến đến các điện cực trên da đầu, chúng có thể đẩy và kéo electron trên kim loại của điện cực. Vì kim loại có thể đẩy và kéo electron một cách dễ dàng nên sự khác nhau giữa điện áp kéo và đẩy của bất kỳ cặp cực nào cũng sẽ đƣợc ghi nhận. Các giá trị điện áp đƣợc ghi nhận theo thời gian này chính là tín hiệu EEG. Tùy theo các ứng dụng khác nhau mà ta có thể bố trí các điện cực ở các vị trí tƣơng ứng.1 là một ví dụ về bố trí các điện cực trong phép đo EEG.

Bố trí điện cực trong phép đo EEG Trên cơ thể ngƣời khỏe mạnh, biên độ và tần số của các tín hiệu thay đổi từ trạng thái này đến trạng thái khác, chẳng hạn nhƣ lúc thức và ngủ. Đặc tính của các sóng đo đƣợc cũng thay đổi theo độ tuổi. Có 5 loại sóng não cơ bản đƣợc phân biệt theo các vùng tần số khác nhau. Dựa vào dải tần số tƣơng ứng mà các sóng đƣợc chia thành: alpha(  ), theta (  ), beta (β), delta (  ), và gamma (  ).

Cơ Sở Lý Thuyết Sóng delta nằm trong vùng từ 0,5 – 4 Hz. Các sóng này có trong giấc ngủ sâu và sẽ hiện diện ở trạng thái tỉnh giấc. Tuy nhiên loại sóng này dễ bị ảnh hƣởng bởi các nhiễu nhân tạo do các khối cơ lớn ở cổ, hàm. Sóng theta nằm trong vùng từ 4 – 8 Hz.

Sóng này thƣờng thấy ở tuổi vị thành niên, xuất hiện khi chuyển từ trạng thái hiểu biết sang thờ thẫn, khi con ngƣời căng thẳng hay xuất hiện các bệnh lý khác nhau. Sóng alpha có tần số từ 8 – 13 Hz. Sóng này xuất hiện nhiều khi nhắm mắt và thƣ giãn, xuất hiện trên vùng đầu phía sau hay trƣớc trán. Sóng beta có tần số từ 13 – 30 Hz.

Sóng beta này thƣờng liên quan đến hành vi điều khiển hoạt động. Với biên độ thấp và tần số thay đổi trong phạm vi đã nói, sóng này cũng liên quan đến vấn đề khi suy nghĩ hay tập trung cao. Sóng gamma có tần số từ 30 – 100 Hz. Nó thể hiện sự ràng buộc của một số lƣợng lớn các nơ- ron lại với nhau cho mục đích thực thi một hoạt động nhận thức ngẫu nhiên hoặc chức năng vận động.

Hình ảnh của các sóng vừa trình bày đƣợc tóm tắt trong hình 1. Khi thực hiện các hành vi khác nhau thì trên não xuất hiện các loại sóng với các tần số khác nhau. Đây chính là điều mà EEG mang lại. Bốn loại sóng cơ bản trong phép đo EEG : sóng delta, theta, alpha, beta 1.2 Phƣơng Pháp MRI Magnetic Resonance Imaging (MRI) – ảnh cộng hƣởng từ là một kỹ thuật quan trọng trong chẩn đoán lâm sàng dựa trên độ tƣơng phản giữa các mô mềm khác nhau.

MRI đã đƣợc phát minh từ đầu những năm 1970. Cơ Sở Lý Thuyết Để tạo ra ảnh cộng hƣởng từ, bệnh nhân đƣợc đặt trong một từ trƣờng mạnh. Từ trƣờng này sẽ canh chỉnh các nguyên tử hidro – hay proton trong ngƣời bệnh theo hƣớng của trƣờng. Sau đó, các nguyên tử bị xáo trộn từ việc định hƣớng này bằng cách sử dụng sóng có tần số vô tuyến (RF) từ bên ngoài.

Sóng RF này tạo ra một trƣờng điện từ biến thiên. Trƣờng điện từ biến thiên này có một tần số gọi là tần số cộng hƣởng, nó bị hấp thụ và lật momen của proton trong trƣờng từ. Tiếp theo là sóng RF bị tắt đi, các nguyên tử hydro bị canh chỉnh lại bởi trƣờng từ tĩnh và tạo ra ra tín hiệu RF.3 miêu tả quá trình tác động lên nguyên tử hydro. Quá trình tác động lên nguyên tử hydro trong phƣơng pháp MRI Tín hiệu RF phát ra từ các nguyên tử hydro khi chúng quay về hƣớng ban đầu phụ thuộc vào độ mạnh của trƣờng từ.

Mỗi tín hiệu RF sẽ đƣợc phân tích bởi máy tính dựa trên cƣờng độ của chúng hay các tiêu chuẩn khác. Các tín hiệu này sau đó đƣợc chuyển qua ảnh xám. Có 2 phƣơng pháp cơ bản trong MRI. Chúng đƣợc gọi là trọng số T1 và trọng số T2.

Ảnh trọng số T1 miêu tả nƣớc ứng với màu tối và mỡ ứng với màu sáng. Trong khi đó ảnh trọng số T2 thì ngƣợc lại. Một ví dụ về ảnh T1 và T2 đƣợc trình bày trong hình 1. Ngoài ra cũng có nhiều phƣơng pháp khác phát triển từ 2 phƣơng pháp trọng số cơ bản này nhƣ : Gradient Echo, FLAIR,….

Cơ Sở Lý Thuyết Hình 1. Ảnh MRI có đƣợc theo phƣơng pháp T1 và T2 (từ trái sang) 1.3 Phƣơng Pháp Quang Phổ Cận Hồng Ngoại fNIRS Nếu nhƣ phƣơng pháp MRI sử dụng sóng nằm trong vùng tần số vô tuyến thì kỹ thuật fNIRS (functional Near Infra-Red Spectroscopy) sử dụng sóng ánh sáng trong vùng cận hồng ngoại. Dải bƣớc sóng đƣợc trình bày trong hình 1. Dải bƣớc sóng từ tia Gamma đến vô tuyến Ánh sáng cận hồng ngoại (650 – 950 nm) có thể di chuyển qua sọ và tiến đến vỏ não với độ sâu lên đến 3cm nhƣ trong hình 1.

Các sóng ánh sáng này bị hấp thụ bởi mô ở các mức độ khác nhau. Dựa trên phổ hấp thụ của HbR và HbO2 nhƣ trong hình 1.7, ta có thể tính đƣợc sự thay đổi mức độ tập trung bằng cách dựa vào cƣờng độ trên đầu thu. Cơ Sở Lý Thuyết Hình 1. Tác động tia cận hồng ngoại vào vỏ não Hình 1.

Phổ hấp thụ hemoglobin đối với các bƣớc sóng khác nhau Mức độ tập trung của HbR và HbO2 có thể đƣợc tính dựa trên luật Beer- Lambert .Giả sử ta đang đo trong một môi trƣờng có mức tập trung của thành phần hấp thụ ánh sáng là C. Ánh sáng tới có cƣờng độ I0 và bƣớc sóng  di chuyển một khoảng L trong môi trƣờng này. Luật Beer-Lambert cho ta cƣờng độ IL của ánh sáng phát là một hàm của bƣớc sóng  : I L  I 0 e  ( )CL (1.1) Trong đó,  (  ) là hệ số hấp thụ ở bƣớc sóng . Để đo mật độ quang OD trong môi trƣờng với bƣớc sóng  , ta sử dụng công thức 1.2) Trong trƣờng hợp có nhiều hơn một bƣớc sóng đƣợc sử dụng, chẳng hạn nhƣ 2 bƣớc sóng 1 và 2 thì 1.2 có thể đƣợc viết lại nhƣ sau (bỏ qua các thành phần hấp thụ khác ngoài HbR và HbO2) OD(1 )  { Hb (1 )[ Hb]   HbO2 (1 )[ HbO2 ]}K (1 ) (1.4) Trong phƣơng trình 1.4, [Hb] và [ HbO2 ] là sự thay đổi độ tập trung của HbR và HbO2 tƣơng ứng với các giá trị khởi tạo K (i ), i  1,2 , đây là một yếu tố phụ thuộc vào đƣờng di chuyển của ánh sáng ở bƣớc sóng i.

Trong các trƣờng hợp thực tế, giả sử rằng K (i )  K , i  1,2 thì [Hb] và [ HbO2 ] đƣợc tính nhƣ 1. Cơ Sở Lý Thuyết  Hb (1 ) OD(1 )  OD(2 )  Hb (2 ) [ HbO2 ]  (1.8) Một thiết bị fNIRS thực tế sẽ bao gồm nguồn quang, đầu thu kết hợp với nhau trong một khối: mạch phát điều khiển thời gian và cƣờng độ của nguồn quang, mạch thu nhận các ánh sáng phản xạ từ mô và gởi chúng đến khối điều khiển. Có 3 phƣơng pháp đo fNIRS khác nhau: sóng liên tục, miền tần số, miền thời gian. Các thiết bị fNIRS sóng liên tục thƣờng đƣợc dùng trong thực tế cho các vấn đề tái tạo tín hiệu hay hình ảnh não.

Nguyên lý hoạt động thiết bị fNIRS sóng liên tục cũng đơn giản. Mỗi nguồn quang phát ra ánh sáng trên một vùng nhất định của não với ít nhất là 2 bƣớc sóng khác nhau, chẳng hạn nhƣ 780nm và 830nm. Các photon phản xạ đƣợc tập trung tại đầu thu tƣơng ứng và chuyển ánh sáng thu đƣợc thành tín hiệu điện tƣơng ứng với cƣờng độ quang thu đƣợc.2 Nhiễu Trong Thu Thập Tín Hiệu Quang Phổ Cận Hồng Ngoại Khi đầu phát và đầu thu trƣợt khỏi vị trí ban đầu hay mất tiếp xúc với da đầu thì các nhiễu burst và xung có thể xảy ra [9]. Hơn nữa, nếu nguồn phát mất tiếp xúc với da, bộ thu có thể thu đƣợc giá trị rất thấp vì không có ánh sáng truyền qua da và cả cƣờng độ rất lớn do sự phản xạ trực tiếp thay vì dƣới da đầu nhƣ đã nói.

Điều này có thể gây ra trạng thái bão hòa. Sự di chuyển của đầu cũng có thể gây ra sự thay đổi về lực đè lên bộ giữ đầu phát và thu. Hơn nữa, ảnh hƣởng của lực hấp dẫn có thể gây ra sự thây đổi trong lƣu thông máu hay thể tích máu ở từng phần trong não [11].

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Bài viết "Ứng dụng lọc thích nghi trong triệt nhiễu tín hiệu NIRS tại HCMUTE" trình bày về việc áp dụng công nghệ lọc thích nghi để cải thiện chất lượng tín hiệu NIRS (Near-Infrared Spectroscopy) trong các nghiên cứu và ứng dụng thực tiễn. Tác giả nêu rõ các phương pháp lọc hiện có và cách mà công nghệ này giúp loại bỏ nhiễu, từ đó nâng cao độ chính xác của các phép đo. Độc giả sẽ nhận thấy rằng việc áp dụng lọc thích nghi không chỉ mang lại lợi ích trong nghiên cứu khoa học mà còn có thể ứng dụng trong nhiều lĩnh vực khác nhau như y tế và công nghiệp.

Nếu bạn quan tâm đến các ứng dụng công nghệ khác tại HCMUTE, hãy khám phá thêm về Đồ án hcmute ứng dụng xử lý ảnh trong hệ thống phân loại sản phẩm, nơi mà công nghệ xử lý ảnh được áp dụng để phân loại sản phẩm hiệu quả. Ngoài ra, bạn cũng có thể tìm hiểu về Đồ án hcmute xây dựng hệ thống nhận diện khuôn mặt và cảm xúc dùng mạng nơ ron tích chập, một ứng dụng thú vị trong lĩnh vực nhận diện khuôn mặt. Những bài viết này sẽ giúp bạn mở rộng kiến thức và hiểu rõ hơn về các công nghệ tiên tiến đang được nghiên cứu và phát triển tại HCMUTE.