Tổng quan nghiên cứu

Giấc ngủ đóng vai trò thiết yếu trong chất lượng cuộc sống, ảnh hưởng trực tiếp đến sức khỏe thể chất và tinh thần. Theo ước tính, khoảng 48% người lớn tuổi gặp phải tình trạng mất ngủ, trong khi tỷ lệ rối loạn giấc ngủ dao động khoảng 20%. Việc đánh giá chất lượng giấc ngủ một cách chính xác và tự động là nhu cầu cấp thiết nhằm hỗ trợ chẩn đoán và điều trị các rối loạn liên quan. Luận văn này tập trung xây dựng mô hình phân loại trạng thái giấc ngủ dựa trên tín hiệu điện não (EEG) và biến thiên nhịp tim (HRV) thu thập từ dữ liệu Polysomnography (PSG) thực nghiệm tại phòng thí nghiệm Vật lý Kỹ thuật Y sinh, Trường Đại học Bách Khoa TP. HCM.

Mục tiêu nghiên cứu là phát triển hệ thống đánh giá chất lượng giấc ngủ tự động, phân loại các trạng thái giấc ngủ chính (thức, ngủ nông, ngủ sâu, REM) với độ chính xác cao, đồng thời so sánh hiệu quả phân loại khi sử dụng riêng lẻ tín hiệu EEG, HRV và kết hợp cả hai. Phạm vi nghiên cứu bao gồm dữ liệu thu thập từ 25 ca PSG tại Bệnh viện St. Vincent, Dublin và dữ liệu thực nghiệm tại phòng thí nghiệm trong giai đoạn 2020-2022. Ý nghĩa nghiên cứu được thể hiện qua việc cải thiện độ chính xác phân loại giấc ngủ lên đến 84.81% khi kết hợp EEG và HRV, góp phần nâng cao hiệu quả theo dõi và chẩn đoán rối loạn giấc ngủ, đồng thời mở rộng ứng dụng trong các thiết bị y tế thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính:

  1. Lý thuyết phân loại giấc ngủ theo tiêu chuẩn AASM 2007: Phân chia giấc ngủ thành các trạng thái thức (Wake), ngủ nông (N1, N2), ngủ sâu (N3) và giấc ngủ chuyển động mắt nhanh (REM). Mỗi trạng thái được đặc trưng bởi các sóng não EEG với tần số và hình dạng đặc trưng, cùng các tín hiệu sinh lý khác như EOG, EMG và ECG.

  2. Mô hình phân loại đa lớp Support Vector Machine (SVM): Sử dụng thuật toán SVM đa lớp theo chiến lược one-vs-all để phân loại các trạng thái giấc ngủ dựa trên đặc trưng thống kê và hệ số Wavelet trích xuất từ tín hiệu EEG, cùng các đặc trưng phổ phân tích tín hiệu HRV từ ECG.

Các khái niệm chính bao gồm:

  • Sleep latency (SL): Thời gian bắt đầu giấc ngủ.
  • Sleep efficiency (SE): Hiệu quả giấc ngủ, tỷ lệ thời gian ngủ trên tổng thời gian nằm giường.
  • Tỷ lệ giấc ngủ sâu (N3%): Phần trăm thời gian giấc ngủ ở trạng thái sâu.
  • Biến thiên nhịp tim (HRV): Đặc trưng tín hiệu ECG phản ánh hoạt động tự chủ tim mạch.

Phương pháp nghiên cứu

Nguồn dữ liệu gồm hai bộ:

  • Dữ liệu 1: Kho dữ liệu giấc ngủ Physionet gồm 25 ca PSG với các tín hiệu EEG, ECG, EOG, EMG được ghi lại tại Bệnh viện St. Vincent, Dublin.
  • Dữ liệu 2: Dữ liệu thực nghiệm thu thập tại phòng thí nghiệm Vật lý Kỹ thuật Y sinh, Trường Đại học Bách Khoa TP. HCM, sử dụng thiết bị NicoletOne EEG V32 với tần số lấy mẫu 500 Hz.

Phương pháp phân tích:

  • Tiền xử lý tín hiệu EEG và ECG bằng bộ lọc Notch 50 Hz để loại bỏ nhiễu tần số lưới điện, kết hợp bộ lọc Butterworth thông cao 0.3 Hz và thông thấp 35 Hz.
  • Trích xuất đặc trưng tín hiệu EEG bằng biến đổi Wavelet rời rạc (DWT) và các đặc trưng thống kê.
  • Trích xuất đặc trưng phổ phân tích tín hiệu HRV từ ECG.
  • Áp dụng thuật toán chọn đặc trưng MRMR (Minimum Redundancy Maximum Relevance) để giảm chiều dữ liệu.
  • Phân loại trạng thái giấc ngủ bằng mô hình SVM đa lớp với xác thực chéo 10-fold, đánh giá hiệu suất qua ma trận nhầm lẫn và độ chính xác tổng thể.

Timeline nghiên cứu kéo dài trong 18 tháng, từ khâu thu thập dữ liệu, xử lý, xây dựng mô hình đến đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác phân loại trạng thái giấc ngủ: Mô hình SVM đa lớp đạt tỷ lệ nhận dạng tổng thể 70.13% cho phân loại 5 lớp, 4 lớp, 3 lớp và 2 lớp tương ứng. Khi kết hợp tín hiệu EEG và HRV, độ chính xác tăng lên 84.81%, trong khi sử dụng riêng EEG đạt 86.57% và HRV riêng chỉ đạt thấp hơn, cho thấy HRV không đóng góp nhiều cho hiệu suất phân loại.

  2. Phân loại 3 lớp giấc ngủ (thức, ngủ nông + REM, ngủ sâu): Mô hình phân loại 3 lớp cho kết quả tốt nhất, phù hợp với mục tiêu đánh giá chất lượng giấc ngủ dựa trên các thông số SL, SE và tỷ lệ giấc ngủ sâu.

  3. Tính toán các chỉ số chất lượng giấc ngủ: Sleep latency trung bình khoảng 6.2 phút, sleep efficiency đạt 94.8%, tỷ lệ giấc ngủ sâu (N3%) khoảng 14%, phù hợp với các giá trị tham khảo trong y văn.

  4. So sánh với các nghiên cứu trước: Kết quả độ chính xác phân loại tương đương hoặc vượt trội so với các nghiên cứu sử dụng SVM, ANN, KNN với độ chính xác dao động từ 87.5% đến 94%, đồng thời mô hình sử dụng kết hợp EEG và HRV có ưu thế trong việc đánh giá toàn diện hơn.

Thảo luận kết quả

Nguyên nhân độ chính xác cao khi kết hợp EEG và HRV là do tín hiệu EEG phản ánh trực tiếp hoạt động não bộ trong các trạng thái giấc ngủ, trong khi HRV cung cấp thông tin bổ trợ về hoạt động tự chủ tim mạch. Tuy nhiên, HRV đơn lẻ không đủ mạnh để phân biệt các trạng thái giấc ngủ phức tạp, dẫn đến hiệu suất thấp khi sử dụng riêng.

Việc sử dụng thuật toán MRMR giúp giảm thiểu dư thừa thông tin, tăng hiệu quả mô hình. Phân loại 3 lớp giấc ngủ phù hợp với thực tế lâm sàng, giúp đơn giản hóa quá trình đánh giá mà vẫn đảm bảo độ chính xác cao.

Dữ liệu được trình bày qua các biểu đồ ma trận nhầm lẫn, đường cong ROC và bảng so sánh độ chính xác giữa các mô hình, minh họa rõ ràng hiệu quả của phương pháp đề xuất.

Kết quả nghiên cứu góp phần nâng cao khả năng ứng dụng trí tuệ nhân tạo trong y học giấc ngủ, hỗ trợ chẩn đoán nhanh chóng, chính xác và giảm thiểu sự phụ thuộc vào đánh giá thủ công của chuyên gia.

Đề xuất và khuyến nghị

  1. Phát triển hệ thống giám sát giấc ngủ tự động: Triển khai mô hình phân loại trạng thái giấc ngủ tích hợp EEG và HRV vào thiết bị y tế thông minh nhằm theo dõi liên tục chất lượng giấc ngủ, mục tiêu tăng độ chính xác nhận dạng trên 85% trong vòng 12 tháng, do các trung tâm y tế và phòng khám thực hiện.

  2. Mở rộng thu thập dữ liệu đa dạng: Thu thập thêm dữ liệu từ các nhóm tuổi, bệnh lý khác nhau để cải thiện khả năng tổng quát hóa của mô hình, dự kiến hoàn thành trong 18 tháng, do các viện nghiên cứu phối hợp thực hiện.

  3. Tối ưu thuật toán trích xuất đặc trưng: Nghiên cứu và áp dụng các kỹ thuật trích xuất đặc trưng nâng cao như deep learning để tăng cường khả năng nhận dạng các trạng thái giấc ngủ phức tạp, mục tiêu nâng độ chính xác lên trên 90% trong 24 tháng, do nhóm nghiên cứu công nghệ thực hiện.

  4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho nhân viên y tế về sử dụng hệ thống tự động và phân tích dữ liệu giấc ngủ, đồng thời chuyển giao công nghệ cho các đơn vị y tế, dự kiến trong 6 tháng tới.

Đối tượng nên tham khảo luận văn

  1. Chuyên gia và bác sĩ chuyên khoa giấc ngủ: Hỗ trợ trong việc chẩn đoán và theo dõi bệnh nhân rối loạn giấc ngủ bằng công cụ tự động, giảm thiểu sai sót và tăng hiệu quả điều trị.

  2. Nhà nghiên cứu lĩnh vực y sinh và trí tuệ nhân tạo: Cung cấp cơ sở dữ liệu, phương pháp và kết quả nghiên cứu để phát triển các mô hình phân tích tín hiệu sinh lý nâng cao.

  3. Các công ty phát triển thiết bị y tế và công nghệ sức khỏe: Tham khảo để tích hợp mô hình phân loại giấc ngủ vào sản phẩm thiết bị theo dõi sức khỏe cá nhân, nâng cao giá trị sản phẩm.

  4. Sinh viên và học viên cao học ngành kỹ thuật y sinh, công nghệ thông tin: Là tài liệu tham khảo thực tiễn về ứng dụng machine learning trong y học, giúp nâng cao kiến thức và kỹ năng nghiên cứu.

Câu hỏi thường gặp

  1. Mô hình phân loại giấc ngủ sử dụng những tín hiệu nào?
    Mô hình sử dụng tín hiệu điện não (EEG) và biến thiên nhịp tim (HRV) từ tín hiệu ECG, kết hợp đặc trưng thống kê và phân tích phổ để phân loại các trạng thái giấc ngủ.

  2. Độ chính xác của mô hình khi sử dụng riêng EEG và HRV là bao nhiêu?
    Sử dụng riêng EEG đạt độ chính xác khoảng 86.57%, trong khi HRV riêng lẻ có độ chính xác thấp hơn, cho thấy HRV không đủ mạnh để phân loại hiệu quả khi không kết hợp với EEG.

  3. Tại sao lại chọn thuật toán SVM cho phân loại?
    SVM có khả năng xử lý tốt các bài toán phân loại đa lớp với dữ liệu có chiều cao, đồng thời có hiệu suất cao và dễ dàng áp dụng trong các bài toán y sinh.

  4. Các chỉ số chất lượng giấc ngủ được tính toán như thế nào?
    Các chỉ số như sleep latency, sleep efficiency và tỷ lệ giấc ngủ sâu được tính dựa trên phân loại trạng thái giấc ngủ theo từng epoch 30 giây, từ đó đánh giá tổng thể chất lượng giấc ngủ.

  5. Ứng dụng thực tiễn của nghiên cứu này là gì?
    Nghiên cứu giúp phát triển hệ thống giám sát giấc ngủ tự động, hỗ trợ chẩn đoán rối loạn giấc ngủ, giảm thiểu thời gian và công sức cho chuyên gia, đồng thời nâng cao chất lượng chăm sóc sức khỏe.

Kết luận

  • Xây dựng thành công mô hình phân loại trạng thái giấc ngủ dựa trên kết hợp tín hiệu EEG và HRV với độ chính xác lên đến 84.81%.
  • Phân loại 3 lớp giấc ngủ (thức, ngủ nông + REM, ngủ sâu) phù hợp với mục tiêu đánh giá chất lượng giấc ngủ.
  • HRV đơn lẻ không đủ hiệu quả, nhưng khi kết hợp với EEG giúp cải thiện độ chính xác phân loại.
  • Các chỉ số sleep latency, sleep efficiency và tỷ lệ giấc ngủ sâu được tính toán chính xác, phù hợp với các giá trị tham khảo y học.
  • Đề xuất mở rộng nghiên cứu, tối ưu thuật toán và ứng dụng thực tiễn trong thiết bị y tế thông minh.

Next steps: Triển khai thử nghiệm mô hình trên quy mô lớn hơn, tích hợp vào thiết bị giám sát giấc ngủ cá nhân và đào tạo nhân viên y tế sử dụng công nghệ mới.

Call-to-action: Các đơn vị y tế, nhà nghiên cứu và doanh nghiệp công nghệ y sinh được khuyến khích hợp tác phát triển và ứng dụng mô hình nhằm nâng cao chất lượng chăm sóc sức khỏe cộng đồng.