Luận văn ThS: Phát hiện bất thường bằng phân tích Tensor để nhận biết xung động kinh trong dữ liệu điện não

1. Mở đầu

Động kinh là một loại rối loạn thần kinh, được đặc trưng bởi những xung động kinh xuất hiện lặp đi lặp lại nhiều  lần. Theo nghiên cứu của tổ chức WHO vào tháng 2 năm 2018, trên thế giới có khoảng 50 triệu người mắc bệnh  động kinh, hầu hết những người mắc bệnh động kinh nằm trong các nước nghèo hoặc đang phát triển, trong khi đó máy móc để phục vụ cho việc chuẩn đoán bệnh lại rất tốn kém. Trong việc chẩn đoán bệnh động kinh sử dụng dữ liệu điện não (EEG), thì một hệ thống phát hiện xung động kinh tự động chính xác là rất hữu ích và có ý nghĩa, đặc biệt trong những trường hợp việc đọc dữ liệu EEG và phát hiện những xung động kinh trên các bản ghi này là tốn thời gian, công sức, trong khi tính hiệu quả  lại phụ thuộc vào trình độ của bác sĩ chẩn đoán.

2. Nội dung

3. Kết luận

Trong nghiên cứu này, chúng tôi đã phát hiện thành công các xung động kinh khi sử dụng các tiếp cận dựa trên phân tích ten-xơ. Cụ thể, thuật toán HOSVD lần đầu tiên được áp dụng trong bài toán phát hiện xung động kinh, có khả năng phân tích được các đặc điểm của dữ liệu EEG nói chung và xung động kinh nói riêng. Cách tiếp cận kết hợp giữa HOSVD và mô hình SVM mang lại kết quả phát hiện xung động kinh với độ chính xác cao hơn so với mô hình KNN cũng như phương pháp phân tích ten-xơ khác như CP/PARAFAC. Bên cạnh đó, chúng tôi đã áp dụng thành công một phương pháp mới dựa trên ten-xơ để xây dựng được không gian đặc trưng cho xung động kinh. Nhóm nghiên cứu đã xây dựng không gian đặc trưng của gai động kinh bằng việc xếp chồng và trích chọn đặc trưng từ các thời điểm có xuất hiện và không xuất hiện gai động kinh. Trong nghiên cứu của mình, tôi đã xây dựng không gian đặc trưng của xung động kinh bằng cách xếp chồng và trích chọn đặc trưng từ các ten-xơ đại diện cho các thời điểm xuất hiện xung động kinh. Ngoài ra, thay vì sử dụng phương pháp phân tích ten-xơ không âm, tôi sử dụng phương pháp phân tích ten-xơ HOSVD để xây dựng không gian đặc trưng của xung động kinh. 

4. Tài liệu tham khảo

B. Arindam, C. Varun and K. Vipin (2009),  “Anomaly detection: A survey”, ACM Computing Surveys , 31(3), pp. 1-72

M. Augusteijn and B.  Folkert (2002),  “Neural network classification and novelty detection”, International Journal on Remote Sensing,  23(14), pp.2891–2902

K. Das and J. Schneider (2007), “Detecting anomalous records in categorical datasets”, In Proceedings of the 13th ACM SIGKDD  international conference on Knowledge discovery and data mining. ACM Press

M.  Davy  and  S.  Godsill  (2002),  Detection  of  abrupt  spectral  changes  using support vector machines. An application to audio signal segmentation,  In Proceedings of IEEE International Conference on Acoustics, Speech, and Signal Processing

T. Ide and H. Kashima (2004),  Eigenspace-based  anomaly  detection  in computer systems, In Proceedings of the 10th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM Press, pp. 440–449....