Upload
pvdai
View
678
Download
1
Embed Size (px)
DESCRIPTION
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011Loại bỏ nhiễu trong tín hiệu điện tim ECG bằng phương pháp phân tích thành phần độc lập Removing Artefacts from the ECG using Independent Component AnalysisVương Hoàng Nam, Trần Hoài Linh, Nguyễn Quốc Trung Trường ĐHBK Hà Nội e-Mail: [email protected] Tóm tắtTrong bài báo này, chúng tôi đề xuất ứng dụng phương pháp Phân tích thành phần độc lập (Independent Component Analysis - ICA) nhằm loại bỏ nhiễu trong tín hiệu điện tim E
Citation preview
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
VCCA-2011
Loại bỏ nhiễu trong tín hiệu điện tim ECG bằng phương pháp phân tích
thành phần độc lập
Removing Artefacts from the ECG using Independent Component Analysis
Vương Hoàng Nam, Trần Hoài Linh, Nguyễn Quốc Trung
Trường ĐHBK Hà Nội
e-Mail: [email protected]
Tóm tắt Trong bài báo này, chúng tôi đề xuất ứng dụng
phương pháp Phân tích thành phần độc lập
(Independent Component Analysis - ICA) nhằm loại
bỏ nhiễu trong tín hiệu điện tim ECG. Trong mô hình
đề xuất, chúng tôi sử dụng thuật toán FastICA để loại
bỏ nhiễu trong tín hiệu ECG của một chuyển đạo. Các
kết quả thực nghiệm mô phỏng sẽ được đưa ra để
minh họa cho hướng nghiên cứu đề xuất.
Abstract In this paper, application of Independent Component
Analysis (ICA) in removing artefacts from the
electrocardiagram (ECG) has been presented. In the
proposed model, we use the FastICA algorithm for
removing artefacts in a one-lead ECG signal.
Computer simulation experiments are presented to
illustrate the proposed approach.
Chữ viết tắt BSS Blind Source Separation
ICA Independent Component Analysis
ECG Electrocardiagram
IC Independent Component
1. Phần mở đầu Tín hiệu điện tâm đồ ECG là một trong những tín hiệu
y sinh đã được nghiên cứu rộng rãi và sử dụng cho
việc chẩn đoán bệnh trong các phòng khám. Tuy
nhiên tín hiệu ECG lại rất dễ bị ảnh hưởng bởi nhiều
loại nhiễu khác nhau trong quá trình đo và thu thập dữ
liệu. Nguyên nhân gây ra nhiễu cho tín hiệu gồm có:
(1) nhiễu cơ do ảnh hưởng cử động của người bệnh
(muscle noise); (2) nhiễu do ảnh hưởng của nguồn
điện cung cấp xoay chiều (AC interference); (3) hiện
tượng trôi tín hiệu do môi trường tiếp xúc giữa điện
cực và da người bệnh (baseline wander); (4) quá trình
chuyển đổi A/D. Do đó để có thể sử dụng tín hiệu
ECG trong chẩn đoán y tế, đã có nhiều phương pháp
lọc tín hiệu được áp dụng nhằm loại bỏ các loại nhiễu
này. Trong bài báo này, chúng tôi sẽ trình bày ứng
dụng một phương pháp mới là phân tách nguồn mù để
loại nhiễu trong tín hiệu điện tâm đồ ECG.
Phân tách nguồn tín hiệu mù là bài toán được
sử dụng phổ biến cho mục đích đánh giá các nguồn
tín hiệu ban đầu ch thông qua các tín hiệu thu được ở
tại các bộ cảm biến đầu ra, mà không cần biết đến đ c
tính hàm truyền đạt của kênh truyền. ô hình toán
học của bài toán tuyến tính được xây dựng như
sau:
Nếu gọi 1 ,..., ( )T
Nn s n s ns là một v c-tơ
biến ng u nhiên, trong đó m i thành phần của v c-tơ
được xem là một nguồn tín hiệu g c ban đầu, và
1 ,..., ( )T
Nn x n x nx là v c-tơ tín hiệu thu tại các
bộ cảm biến được xác định bởi phương trình:
n nx A s (1)
đây, chúng ta giả thiết kích thước của nx và
ns là đều bằng N (s nguồn bằng s bộ cảm biến).
A là một ma trận vuông, khả đảo được gọi là ma trận
trộn. Trong thực tế, các ứng dụng của xử l phân tách
mù trong l nh vực y tế như xử l hình ảnh I, tín
hiệu ECG, EEG, EG đều là mô hình bài toán
tuyến tính 1 .
Tuy nhiên trong bài toán tuyến tính, ma trận
A là không biết, và do đó chúng ta sẽ phải tìm ra
phương pháp để xác định các tín hiệu ban đầu. ột
trong những phương pháp giải quyết bài toán
hiệu quả nhất được biết đến là phương pháp phân tích
các thành phần độc lập ICA. Phương pháp này dựa
trên giả thiết thực tế là hầu hết các nguồn tín hiệu g c
ban đầu đều là độc lập th ng kê tương h . Với giả
thiết này, nhiệm vụ của chúng ta là phải xác định một
ma trận vuông W , được gọi là ma trận tách, sao cho
n ny W x là các tín hiệu nguồn được khôi
phục.
Ứng dụng phương pháp /ICA để loại bỏ nhiễu
trong tín hiệu điện tâm đồ ECG đã được nghiên cứu
trong một s công trình tiêu biểu 2,3 . Tuy nhiên
trong các công trình nghiên cứu này, để loại bỏ được
nhiễu trong ECG, các tác giả phải sử dụng tín hiệu
ECG của nhiều kênh chuyển đạo: He T. và cộng sự
2 sử dụng 3 kênh chuyển đạo và G.Agrawal và cộng
sự 3 sử dụng 12 kênh chuyển đạo. Trong bài báo
này, chúng tôi đề xuất một phương pháp loại bỏ nhiễu
ch sử dụng tín hiệu ECG của một chuyển đạo. Ưu
điểm nổi trội của phương pháp sử dụng ICA so với
các phương pháp lọc nhiễu trước đây là việc loại bỏ
nhiễu v n đạt được kết quả t t ngay cả khi tỷ s Tín
hiệu/Tạp âm rất thấp. Các kết quả thực nghiệm mô
phỏng sẽ được đưa ra để minh họa cho hướng nghiên
cứu đề xuất.
813
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
VCCA-2011
2. Phương pháp ICA ột phương pháp được ứng dụng nhiều để giải quyết
bài toán là phương pháp phân tích các thành
phần độc lập ICA được định ngh a như sau 1 :
Định nghĩa về ICA:
ICA của một vector biến ngẫu nhiên là tìm một
phép biến đổi tuyến tính y W x sao cho các thành
phần 1,i i Ny độc lập tương hỗ nhất có thể thông
qua việc cực đại hóa các hàm đo tính độc lập tương
hỗ (hàm mục tiêu) 1,..., NF y y .
Định ngh a trên được xem là định ngh a tổng quát
nhất không cần có các điều kiện ràng buộc về dữ liệu.
ô hình ICA tuyến tính cơ bản đ i hỏi các giả
thiết sau đây 1 :
Các nguồn tín hiệu g c ban đầu độc lập th ng kê
với nhau.
a trận trộn A là ma trận vuông (s lượng tín
hiệu nguồn và tín hiệu trộn bằng nhau) khả
nghịch.
T i đa ch có một nguồn tín hiệu g c có phân b
Gauss.
Với các giả thiết trên, mục tiêu của phương pháp
ICA đ i với một vector ng u nhiên Nnx là tìm
một ma trận tách W sao cho tín hiệu đầu ra
1 ,..., ( )T
Nn y n y ny được xác định bởi:
n ny W x (2)
gồm các thành phần độc lập tương h với nhau. hi
đó ny được xem là các tín hiệu được khôi phục.
Một số bất định trong mô hình ICA tuyến tính
hông thể xác định lại được chính xác n ng
lượng ban đầu của các nguồn tín hiệu g c do cả
ns và A đều không biết nên mô hình ICA có
thể biểu diễn như sau:
1 1...n n k n a n
k ax A s A s A s
Do đó trong mô hình ICA người ta luôn giả thiết mọi
nguồn tín hiệu nguyên thuỷ j ns đều có n ng lượng
(phương sai) bằng nhau và xác định , thoả mãn : 2 1jE s .
hông thể xác định được đúng thứ tự ban đầu
của các thành phần độc lập khi phân tách do thứ
tự vị trí trong ns và A đều không biết nên khi
đổi vị trí các hàng trong ns và A thì mô hình
ICA tuyến tính không thay đổi.
3. Thuật toán FastICA Thuật toán FastICA được phát triển bởi A.Hyvarinen
[4,5]. Thuật toán này sử dụng tính phi Gaussian để đo
tính độc lập h tương. Thuật toán gồm 3 bước:
1. Tiền xử l dữ liệu,
2. Xấp x hoá negentropy,
3. T i ưu hoá hàm xấp x negentropy.
3.1 Quá tr nh ti n l
uá trình tiền xử l trong ICA gồm hai bước: quy tâm
và tr ng hoá.
Quy tâm:
Ph p quy tâm làm cho tín hiệu dữ liệu x có giá trị
trung bình bằng 0:
new Ex x x (3)
Tr ng hoá ( hitening):
ự tr ng hoá với mục đích làm cho dữ liệu trở nên
bất tương quan. Nếu ma trận vector có các vector
thành phần ix đều thoả mãn điều kiện phương sai
bằng 1 hay ma trận hiệp phương sai đồng nhất với ma
trận đơn vị TE x x I thì ma trận vector x được
xem là tr ng .
uá trình tr ng hoá thực chất là một ph p biến đổi
tuyến tính: z V x . Trong đó x là dữ liệu cần làm
tr ng, V là ma trận tr ng hoá, z là dữ liệu đã tr ng
hoá. uá trình được thực hiện như sau:
Giả thiết x A s có trung bình bằng 0 và
TE s s I .
Tìm D và E là các ma trận trị riêng và vector
riêng của ma trận hiệp phương sai của x thông
qua sự phân ly trị riêng EVD, ta có:
T T
xx ER x x E D E (4)
Khi đó ma trận 1/2 1/2 T
xxV R D E là ma trận
tr ng hoá:
1/2 Tz V x D E x (5)
1/2 1/2
T T T
T T
E Ez z V x x V
D E E D E E D
I
(6)
Với một tín hiệu đã tr ng hoá z , nhiệm vụ c n lại
của ICA là tìm ra một vector w sao cho T
iy w z
đạt giá trị phi Gaussian cực đại dưới điều kiện ràng
buộc 2 1iE y . hi đó iy sẽ tương ứng với một
nguồn tín hiệu ban đầu. Do đó ta có:
21 T T
i
T T T
E E
E
y w z z w
w z z w w w (7)
Như vậy quá trình tr ng hoá đã đưa việc giải bài
toán về điều kiện ràng buộc đơn giản hơn: 2
1w .
3.2 Xấp ỉ hóa Negentropy
Negentropy được sử dụng như một hàm đo tính độc
lập tương h trong thuật toán FastICA. thuyết xác
suất chứng minh phân b Gauss có tính ng u nhiên
nhất (tương ứng entropy lớn nhất) trong các loại phân
814
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
VCCA-2011
b xác suất. Điều đó d n đến việc sử dụng entropy
như là một ph p đo tính Gauss (ho c phi Gauss) của
một biến ng u nhiên bất kỳ. Định ngh a negentropy
J của một biến vector x ng u nhiên N chiều như
sau:
( ) ( ) ( )GaussJ H Hx x x (8)
trong đó H là hàm entropy, Gaussx là một vector
ng u nhiên N chiều có phân b Gauss, và có chung
ma trận hiệp phương sai với vector x . Đ i với một
biến ng u nhiên phân b Gauss, negentropy luôn bằng
0 và với tất cả các loại biến c n lại (phi Gauss)
negentropy luôn có giá trị dương. Tuy nhiên vấn đề ở
ch chúng ta không thể tính negentropy một trực tiếp,
mà phải đánh giá negentropy thông qua việc xấp x
hoá. Hàm negentropy có thể được tính xấp x 4,5
như sau:
2
( ) ( ) ( )J E G E Gx x ν (9)
trong đó v là biến ng u nhiên có phân b Gaussian
chuẩn (có trung bình bằng 0 và phương sai đơn vị),
G là một hàm phi tuyến tính không toàn phương.
Hàm G có thể được chọn như sau:
1 1 1
1
1( ) log cosh , 1 2G a a
ay y
2
2 ( ) exp2
Gy
y4
3 / 4G y
(10)
Tính phi Gauss của một tín hiệu sẽ được đo bằng
giá trị hàm negentropy xấp x . ài toán phân tách
nguồn tin mù được đưa về bài toán t i ưu: Tìm vector
w để hàm negentropy xấp x :
2
( ) ( ) ( )T TJ E G E Gw z w z ν (11)
đạt giá trị cực đại, với điều kiện ràng buộc: 2
1w .
3.3 Tối ưu hàm negentropy
Hyvarinen 4,5 đã đưa ra thuật toán t i ưu hàm
negentropy dùng phương pháp Newton, gọi là
FastICA.
Thuật toán FastICA đ i với dữ liệu đã tr ng hoá
được thực hiện theo các bước sau:
1. Chọn m là s nguồn tín hiệu cần đánh giá, gán
1p .
2. hởi tạo ng u nhiên giá trị vector đơn vị pw thoả
mãn: 2
1pw
3. Gán ( )T T
p p p pE Ew z g w z g w z w
4. Thực hiện trực giao hoá theo phương pháp Gram-
Schmidt: 1
1
pT
p p p j j
j
w w w w w
5. Gán /p p pw w w
6. Nếu thuật toán chưa hội tụ:
1, 1k k
p p ew w , trở lại bước 3.
7. Gán 1p p nếu p m trở lại bước 2.
.
4. Ứng dụng ICA để loại bỏ nhiễu trong
tín hiệu điện tâm đồ hiệu ( )nx là tín hiệu ECG của một chuyển đạo và
gọi st là thời gian lấy m u của tín hiệu. Để có thể áp
dụng được mô hình ICA, chúng ta phải có nhiều tín
hiệu thu tại các sensor khác nhau. Từ tín hiệu ECG
của một chuyển đạo, chúng ta xây dựng ma trận các
tín hiệu thu trong mô hình ICA có kích thước
M N như sau:
1 2
1 2
1 1 2 1 1
N
d d N d
M d M d N M d
x x x
x x xX
x x x
(12)
trong đó i six x t .
hi đó mô hình ICA được xây dựng như sau:
X B S (13)
trong đó S là một ma trận kích thước M N gồm các
thành phần độc lập, B là ma trận trộn kích thước
M M , X là ma trận các tín hiệu thu kích thước
M N . hi đó ,M d là các tham s lựa chọn để
đánh giá kết quả loại bỏ nhiễu.
Thuật toán FastICA được sử dụng để tìm ra ma
trận tách W sao cho S W X gồm các thành phần
độc lập (IC) tương h .
H. 1 (a) – Tín hiệu ECG bình thường, (b ) – Tín hiệu có
nhiễu gián đoạn, (c) – Tín hiệu có nhiễu liên tục.
Dựa vào hình dạng sóng, chúng ta có thể chia các
IC thành 3 loại tín hiệu: điện tim - ECG, nhiễu gián
đoạn (abrupt change) và nhiễu liên tục (continuous
noise). Hình vẽ 1 minh họa 3 loại tín hiệu này.
Từ các IC có được, chúng ta sẽ xác định được
thành phần nào là tín hiệu ECG đã loại nhiễu và thành
phần nào là nhiễu. Tùy theo loại nhiễu là liên tục ho c
gián đoạn, tiêu chuẩn kurtosis ho c phương sai sẽ
được sử dụng để đánh giá [2].
815
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
VCCA-2011
Để đánh giá chất lượng loại bỏ nhiễu, chúng tôi sử
dụng hệ s tương quan ch o r giữa tín hiệu ECG đã
được loại bỏ nhiễu nz và tín hiệu ECG g c không
nhiễu ns . Hệ s này được định ngh a như sau [7]:
n ns z
s z
s zm mr
s s (14)
trong đó sm và ss là trị trung bình và độ lệch chuẩn
của ns , zm và zs là trị trung bình và độ lệch chuẩn
của nz . Giá trị 1r phản ánh sự tương quan mạnh,
1r thể hiện sự phản tương quan (anti-
correlation) mạnh và 0r thể hiện sự bất tương
quan giữa nz và ns . Điều đó có ngh a khi giá trị
1r thì chúng ta đã loại bỏ được hoàn toàn nhiễu
khỏi tín hiệu ECG.
5. Kết quả thực nghiệm Trong phần thực nghiệm, chúng tôi ứng dụng phương
ICA để loại bỏ nhiễu của tín hiệu ECG. Trong thuật
toán FastICA, chúng tôi sử dụng hàm 1G . Tín hiệu
ECG có nhiễu được tạo bởi phần mềm ECG YN 6 .
Tín hiệu nhiễu cộng được thêm vào là nhiễu Gauss có
phân b chuẩn với trị trung bình bằng 0. Các tỷ s Tín
hiệu / Tạp âm (SNR) được chọn thay đổi bằng 10-dB,
5-dB và 2,5-dB. Các hình vẽ minh họa trong phần
thực nghiệm này tương ứng với trường hợp SNR=
5dB.
500 1000 1500 2000 2500
-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
Tin hieu ECG
H. 2 Tín hiệu ECG có nhiễu (SNR=5dB)
Trong phần thực nghiệm, chúng tôi c định tham
s trễ 1d , và thay đổi tham s M để tìm kết quả
loại nhiễu t i ưu.
Hình 3 minh họa cho kết quả loại nhiễu t t nhất
đạt được với 0,9972r khi 7M .
Trong thực nghiệm, do tín hiệu nhiễu là nhiễu liên
tục nên chúng tôi sử dụng tiêu chuẩn kurtosis để phân
loại tín hiệu 2 . Đ i với một tín hiệu x , kurtosis
được xác định như sau:
2
4 23Kurt E Ex x x (15)
Tín hiệu phân b Gaussian sẽ có kurtosis bằng 0,
điều đó có ngh a tín hiệu nhiễu liên tục sẽ có giá trị
kurtosis nhỏ hơn rất nhiều so với tín hiệu ECG. Trong
các IC thu được sau quá trình ICA, tín hiệu ECG đã
loại nhiễu tương ứng với IC có kurtosis lớn nhất và tín
hiệu nhiễu sẽ tương ứng với IC có kurtosis nhỏ nhất.
Hình vẽ 3 là tín hiệu ECG đã loại bỏ nhiễu
6,6775kurt và tín hiệu nhiễu
0,01347kurt tương ứng với giá trị 7M và
1d .
H. 3 Tín hiệu ECG đã loại bỏ nhiễu (trên) và tín hiệu
nhiễu (dưới)
Trên hình vẽ 3, tính hiệu ECG khôi phục gần như
đã loại bỏ được hoàn toàn nhiễu. Ngoài ra chúng ta có
thể nhận thấy do sự bất định về n ng lượng trong mô
hình ICA nên chúng ta không xác định được lại n ng
lượng của tín hiệu ECG g c. Trên hình vẽ tín hiệu
ECG và nhiễu có cùng mức n ng lượng do trong thuật
toán ICA chúng ta giả thiết mọi tín hiệu g c đều có
n ng lượng như nhau. Tuy nhiên, trong các ứng dụng
thực tế của , chúng ta cũng ch cần quan tâm đến
việc xác định lại được hình dạng sóng của các tín hiệu
g c và bỏ qua việc xác định lại chính xác biên độ của
các tín hiệu này.
Hình vẽ 4 minh họa m i liên hệ giữa kết quả thực
nghiệm (thông qua r ) khi tham s M thay đổi trong
cả 3 trường hợp N bằng 10- , 5- và 2,5-dB.
H. 4 Mối liên hệ giữa r và M khi 1d
Từ kết quả thực nghiệm trong hình 4, chúng ta có
thể thấy việc loại bỏ nhiễu v n đạt được kết quả t t
ngay cả khi tỷ s Tín hiệu/Tạp âm rất thấp. Điều đó
có thể được giải thích là do trong mô hình ICA, bản
thân tín hiệu nhiễu cũng được xem là một nguồn tín
hiệu g c và n ng lượng (biên độ) ban đầu của các
nguồn tín hiệu g c đều được giả thiết là bằng nhau.
5 6 7 8 9 10 11 12 13 14 150.95
0.955
0.96
0.965
0.97
0.975
0.98
0.985
0.99
0.995
1
M
He s
o t
uong q
uan c
heo
10dB
5dB
2,5dB
500 1000 1500 2000 2500
0
2
4
Tin hieu ECG da loai nhieu
500 1000 1500 2000 2500
-2
0
2
Tin hieu nhieu
816
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
VCCA-2011
Đây cũng là ưu điểm nổi trội của phương pháp sử
dụng ICA so với các phương pháp lọc nhiễu tín hiệu
ECG trước đây.
6. Kết luận Trong bài báo, chúng tôi đã đưa ra phương pháp sử
dụng ICA để loại bỏ nhiễu trong tín hiệu ECG. Ý
tưởng cơ bản của phương pháp này là sự chuyển đổi
tín hiệu ECG một chuyển đạo thành dữ liệu nhiều
chiều mà nhờ đó mô hình ICA được áp dụng để loại
bỏ nhiễu. Ưu điểm nổi trội của phương pháp này là
việc loại bỏ nhiễu v n đạt được kết quả t t ngay cả
khi tỷ s Tín hiệu/Tạp âm rất thấp. ết quả thực
nghiệm mô phỏng đã được đưa ra để minh họa cho
tính hiệu quả của phương pháp đề xuất. Hướng phát
triển tiếp theo, chúng tôi sẽ nghiên cứu thêm về mức
độ phức tạp của phương pháp, cũng như khả n ng áp
dụng vào hệ th ng nhúng.
Tài liệu tham khảo [1] Aapo Hyvarinen, Juha Karhunen, Erkkl Oja,
Independent component analysis, John Wiley &
Sons Inc., 2001.
[2] He Taigang et al, Application of independent
component analysis in removing artefacts from
the ECG, Neural Comput. & Appl., 2006, p.
105-116.
[3] G.Agrawal et al, Reduction of artifacts in 12-
channel ECG signals using FastICA algorithm,
Journal of Scientific & Industrial Research,
vol.67, 2008, p.43-48.
[4] Aapo Hyvarinen, Erkkl Oja.: Independent
component analysis: Algorithms and Analysis,
Neural Networks, vol. 13(4-5), 2000, p. 411-430
[5] A.Hyvarien, Fast and robust fixed-point
algorithms for independent component analysis,
IEEE Trans. on Neural Networks, vol. 10(3),
1999, p. 626-634.
[6] http://physionet.org/physiotools/ecgsyn/
[7] Gari Clifford et al, Advanced Methods and
Tools for ECG data analysis, Artech House
Publishers; 1 edition (September 30, 2006).
Vương Hoàng Nam sinh n m 1980
tại Hà Nội. T t nghiệp ngành Điện
tử - Viễn thông, Đại học ách hoa
Hà Nội n m 2003. T t nghiệp Cao
học ngành Điện tử - Viễn thông n m
2005 tại Trường Đại học ách hoa
Hà Nội.
Nơi công tác: ộ môn Hệ th ng Viễn thông, Viện
Điện tử - Viễn thông, Trường Đại học ách hoa Hà
Nội.
Hướng nghiên cứu chính: Xử l tín hiệu y sinh học,
Xử l tín hiệu mù, Multimedia, Thông tuyến vô tuyến.
Trần Hoài Linh sinh n m 1974 tại
Hà Nội. Nhận bằng Tiến sỹ và Tiến
sỹ khoa học chuyên ngành Kỹ thuật
Điện tại Warsaw University of
Technology ( a an) vào các n m
2000 và 2005. Được phong Phó Giáo
sư vào n m 2007.
Nơi công tác: ộ môn ỹ thuật Đo và Tin học công
nghiệp, Viện Điện , Trường Đại học Bách Khoa Hà
Nội.
Hướng nghiên cứu chính: Nhận dạng tín hiệu ,Đánh
giá các hệ th ng phi tuyến, Fuzzy Logic.
Nguyễn Quốc Trung sinh n m 1949
tại Nam Định. Ông là PGS.TS
chuyên ngành Điện tử - Viễn thông,
nguyên Trưởng hoa Điện tử - Viễn
thông, Trường Đại học ách hoa
Hà Nội.
Nơi công tác: ộ môn ỹ thuật
thông tin, Viện Điện tử - Viễn thông, Trường Đại học
ách hoa Hà Nội.
Hướng nghiên cứu chính: Xử l tín hiệu và lọc s .
817