1. Họ và tên nghiên cứu sinh: Nguyễn Thị Anh Đào                                 2. Giới tính: Nữ

3. Ngày sinh: 14/11/1981                                                                        4. Nơi sinh: Thái Bình

5. Quyết định công nhận nghiên cứu sinh số 1138/QĐ-CTSV ngày 18/12/2013 của Hiệu trưởng Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

6. Thay đổi tên đề tài theo quyết định số 1116/QĐ-ĐT ngày 15/12/2015 của Hiệu trưởng Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

7. Tên đề tài luận án: Hệ thống xử lý tín hiệu điện não tự động phát hiện gai động kinh

8. Chuyên ngành: Kỹ thuật Viễn thông                                                    9. Mã số: 9510302.01

10. Cán bộ hướng dẫn khoa học: PGS. TS. Nguyễn Linh Trung, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

11. Tóm tắt các kết quả mới của luận án:

- Xây dựng một hệ thống đa bước phát hiện gai động kinh dựa trên việc phân tích tín hiệu EEG đơn kênh, khai thác mối liên hệ theo thời gian giữa các gai động kinh gần nhau trên từng kênh. Các đóng góp chính trong từng bước của hệ thống như sau:

+ Bước Trích xuất đặc trưng, luận án cải tiến việc lựa chọn số lượng thang tỉ lệ 5 thang tỉ lệ trong biến đổi sóng con so với cách sử dụng 8 thang tỉ lệ như đề xuất trong [Liu, 2002],

+ Bước Hệ chuyên gia, luận án đề xuất một hệ chuyên gia rất đơn giản khai thác mối liên hệ về thời gian giữa các gai động kinh gần nhau để loại bỏ giả gai sau bước phân loại của bộ phân loại ANN. 

+ Để đánh giá chất lượng của hệ thống đa bước, luận án đề xuất hai phương pháp ước lượng đường cong ROC tổng thể của hệ thống đa bước sử dụng nhiều ngưỡng quyết định dựa trên hai phân bố phổ biến là phân bố Gaussian và phân bố Logistic, phương pháp này cũng được chứng minh bằng toán học trong luận án.

- Xây dựng một hệ thống đa bước để phát gai động kinh tự dựa trên việc phân tích tín hiệu EEG đa kênh, khai thác mối liên hệ theo không gian của các gai động kinh trên các kênh gần nhau. Các đóng góp cụ thể trong từng bước của hệ thống như sau:

+ Bước Trích xuất đặc trưng, luận án có 2 đóng góp đó là i) đề xuất bài toán, thuật toán để giải bài toán xấp xỉ hạng thấp đa tuyến tính đồng thời cho các ten-xơ (SMLRAT). Luận án chứng minh rằng bài toán SMLRAT có thể nhận được các nghiệm tối ưu địa phương bằng sử dụng hai thuật toán phân tích ten-xơ thông dụng là HOSVD và Tucker-ALS.  ii) trích xuất đặc trưng của gai động kinh dựa trên việc ước lượng không gian đặc trưng của gai động kinh (“eigenspikes”) sử dụng thuật toán đề xuất là thuật toán SMLRAT mở rộng với ràng buộc không âm.

+ Bước Lựa chọn đặc trưng, luận án đề xuất phương pháp lựa chọn đặc trưng kết hợp hai phương pháp lựa chọn đặc trưng thông dụng là phương pháp điểm Fisher và phương pháp trị số p  sử dụng thuật toán tìm chuỗi con chung lớn nhất.

12. Khả năng ứng dụng trong thực tiễn: EEG là kỹ thuật được sử dụng rộng rãi trong chẩn đoán và điều trị bệnh động kinh. Các kết quả khoa học của luận án góp phần đưa ra những hệ thống xử lý tín hiệu để nhận biết gai động kinh tự động, góp phần hỗ trợ cho các bác sĩ trong chẩn đoán và điều trị các bệnh nhân bị động kinh.

13. Những hướng nghiên cứu tiếp theo:

- Với hệ thống đa bước phát hiện gai động kinh tự động đa kênh, NCS có thể sử dụng kết quả này kết hợp thêm một số phương pháp xử lý tín hiệu khác để xác định vị trí tổn thương trên não của các bệnh nhân bị động kinh. Thông tin này là cần thiết cho mổ động kinh.

- Đối với phương pháp phát hiện gai động kinh đơn kênh, luận án có so sánh hiệu suất phát hiện gai động kinh của hệ thống đề xuất với một số nghiên cứu trước đó, dựa trên giá trị AUC, SEN, SPE mà các tác giả này đã thông báo. Tuy nhiên, NCS chưa thực nghiệm kiểm chứng so sánh trên cùng một bộ dữ liệu.

- Trong hệ thống phát hiện gai động kinh đa kênh, với cơ sở dữ liệu rất lớn, số lượng gai động kinh và gai không động kinh nhiều thì việc xây dựng các ten-xơ động kinh và ten-xơ không động kinh 4 chiều để trích xuất các đặc trưng của gai động kinh và gai không động kinh có thể tốn thời gian xử lý, đòi hỏi nghiên cứu cải tiến tốc độ tính toán của giải thuật liên quan.

- Hai hệ thống được nghiên cứu hiện thực thi theo cách xử lý khối (batch processing), tức xử lý cho những đoạn tín hiệu EEG thu thập được. Luận án chưa đề cập đến thực hiện xử lý thích nghi (adaptive processing), khi xử lý trong khi tín hiệu đang được đo. Đây cũng là một vấn đề cần được nghiên cứu tiếp theo.

14. Các công trình đã công bố có liên quan đến luận án:

[1] Nguyen Thi Anh-Dao, Nguyen Linh-Trung, Nguyen Van Ly, Tran Duc-Tan, Nguyen The Hoang Anh, and B. Boashash, “A multistage system for automatic detection of epileptic spikes,” REV Journal on Electronics and Communications, vol. 8, no. 1–2, pp. 1–13, 2018.

[2] Le Trung Thanh, Nguyen Thi Anh Dao, Nguyen Linh-Trung, and Ha Vu Le, “On the overall ROC of multistage systems”, International Conference on Advanced Technologies for Communications (ATC), IEEE, 2017. p. 229-234.

[3] Nguyen Thi Anh-Dao, Le Trung Thanh, Nguyen Linh-Trung, Ha Vu Le, “Nonnegative Tensor Decomposition for EEG Epileptic Spike Detection”, NAFOSTED Conference on Information and Computer Science (NICS), 11/2018. [Best paper award]

[4] Le Trung Thanh, Nguyen Thi Anh-Dao, Viet-Dung Nguyen, Nguyen LinhTrung, and Karim Abed-Meraim, “Simultaneous tensor decomposition for eeg epileptic spike detection”, Technical Report, No. UET-AVITECH-2019002, pp. 43, April 2019, University of Engineering and Technology, Vietnam National University, Hanoi, Viet Nam.

[5] Le Trung Thanh, Nguyen Thi Anh-Dao, Viet-Dung Nguyen, Nguyen LinhTrung, and Karim Abed-Meraim, “Multi-channel EEG epileptic spike detection by a new method of tensor decomposition”, Journal of Neural Engineering. [accepted].

[6] Nguyen Thi Anh-Dao, Le Trung Thanh, Viet-Dung Nguyen, Nguyen LinhTrung, Ha Vu Le, “New feature selection method for multi-channel EEG epileptic spike detection system”, VNU Journal of Science: Computer Science and Communication Engineering [accepted with minor revision].