Tổng quan nghiên cứu

Bệnh động kinh là một trong những rối loạn thần kinh phổ biến hàng đầu thế giới, chiếm khoảng 1% tổng số các ca bệnh lý toàn cầu và ghi nhận tỷ lệ khoảng 0,5% dân số tại Việt Nam. Phương pháp chẩn đoán lâm sàng chủ yếu dựa vào bản ghi điện não đồ (EEG) để phát hiện các xung gai động kinh bất thường. Tuy nhiên, các gai bệnh lý này có thời gian tồn tại rất ngắn, chỉ từ 20 đến 70 ms, và thường xuyên bị che lấp bởi các nguồn nhiễu sinh lý nghiêm trọng như nhiễu nháy mắt (EOG với biên độ 50 đến 3500 µV) và nhiễu co cơ (EMG ở dải tần trên 30 Hz). Thực trạng thiếu bác sĩ chuyên khoa đọc bản ghi EEG thô tại các cơ sở y tế dẫn đến nguy cơ chẩn đoán sai lệch gia tăng đáng kể.

Mục tiêu chính của luận văn là nghiên cứu, thiết kế và xây dựng một hệ thống phần mềm phân tích thông tin điện não đồ toàn diện. Hệ thống ứng dụng thuật toán tách nguồn mù SOBI (Second-Order Blind Identification) kết hợp kỹ thuật nhận dạng nguồn nhiễu tự động để loại bỏ triệt để nhiễu EOG và EMG mà vẫn giữ nguyên vẹn hình thái của các xung gai động kinh.

Phạm vi nghiên cứu được thực hiện trên tập dữ liệu thực tế gồm 50 bệnh nhân động kinh trong độ tuổi từ 4 đến 19 tuổi tại Khoa Điện tử Viễn thông thuộc Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội. Mỗi ca bệnh được ghi đo liên tục trong thời gian tối thiểu 30 phút bằng hệ thống Compumedics E-series 19 kênh chuẩn quốc tế. Nghiên cứu mang ý nghĩa thực tiễn to lớn khi tối ưu hóa sai số tương đối RRMSE xuống mức 0,161 đến 0,285, cung cấp công cụ chẩn đoán tin cậy và hạn chế tối đa rủi ro chẩn đoán nhầm trong y khoa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Hoạt động điện não là sự tổng hợp điện thế của hơn 10 tỉ nơ-ron vỏ não với diện tích bề mặt khoảng 2,5 m2 và độ dày vỏ não từ 2 đến 3 mm. Tín hiệu EEG tiêu chuẩn được đặc trưng bởi biên độ từ vài µV đến 200 µV trong dải tần số 0,5 đến 70 Hz, phân chia thành 5 dải nhịp cơ bản: nhịp Delta (0,5 - 4 Hz, biên độ khoảng 100 µV), nhịp Theta (4 - 7,5 Hz, biên độ khoảng 15 µV), nhịp Alpha (8 - 13,5 Hz, biên độ dưới 50 µV), nhịp Beta (14 - 30 Hz, biên độ dưới 20 µV) và nhịp Gamma (trên 30 Hz). Gai động kinh là dạng sóng nhọn dốc đứng kéo dài 20 đến 70 ms phản ánh sự phóng điện quá mức của các nơ-ron.

Nghiên cứu áp dụng khung lý thuyết tách nguồn mù (Blind Source Separation - BSS) với mô hình trộn tuyến tính x(t) = As(t) + N, trong đó x(t) là véc-tơ tín hiệu đo trên các kênh, A là ma trận trộn, s(t) là véc-tơ nguồn và N là nhiễu Gauss. Thuật toán SOBI thuộc nhóm thống kê bậc hai (SOS), sử dụng ma trận làm trắng và chéo hóa ma trận hiệp phương sai trễ để ước lượng ma trận giải trộn W mà không yêu cầu kênh tham chiếu. Để khắc phục nhược điểm không xác định được thứ tự nguồn của SOBI, mô hình tích hợp kỹ thuật nhận dạng nguồn dựa trên tỷ số năng lượng phổ w = E(f > 30 Hz) / E(f < 5 Hz), cho phép phân tách chính xác nguồn EOG (năng lượng tập trung dưới 4 Hz) và nguồn EMG (năng lượng tập trung trên 30 Hz).

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập trực tiếp trên 50 bệnh nhân đã có chẩn đoán lâm sàng động kinh (độ tuổi 4 đến 19 tuổi). Phương pháp chọn mẫu có chủ đích được áp dụng nhằm đảm bảo dữ liệu ghi nhận đầy đủ các trạng thái nghỉ ngơi, thở sâu, nhắm mở mắt và các cơn động kinh điển hình trong thời gian tối thiểu 30 phút mỗi bệnh nhân. Hệ thống đo sử dụng thiết bị chuyên dụng Compumedics E-series với 19 kênh điện cực da đầu theo tiêu chuẩn quốc tế 10-20, tần số lấy mẫu cố định 256 Hz và điện cực tham chiếu nối giữa hai mỏm chũm.

Lý do lựa chọn phương pháp phân tích SOBI kết hợp nhận dạng nguồn là vì tín hiệu EEG thực tế có tính chất giới hạn băng thông và chứa nhiều thành phần ngẫu nhiên. SOBI có chi phí tính toán thấp hơn so với các phương pháp ICA thống kê bậc cao và vượt trội hơn phương pháp lọc thích nghi LMS hay H-infinite vốn đòi hỏi kênh tham chiếu độc lập. Quy trình tiền xử lý dữ liệu được thực hiện qua 3 bộ lọc FIR: bộ lọc thông cao 0,5 Hz (khử trôi dạt đường nền), bộ lọc thông thấp 70 Hz (khử nhiễu tần số cao) và bộ lọc triệt dải 50 Hz (khử nhiễu điện lưới công nghiệp), đồng thời loại bỏ 1000 mẫu trễ ban đầu để đảm bảo độ tin cậy.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, phương pháp SOBI kết hợp nhận dạng nguồn đã chứng minh khả năng loại bỏ hoàn toàn nhiễu mắt và nhiễu cơ trên đoạn dữ liệu mô phỏng 2000 mẫu. Tại vị trí mẫu thứ 1800 có xuất hiện gai động kinh với tỷ số tín hiệu trên nhiễu SNR = 0,208 (-6,823 dB), thuật toán đã bóc tách sạch nhiễu EOG mà vẫn bảo tồn chính xác biên độ và hình thái đỉnh nhọn ban đầu của xung gai.

Thứ hai, đánh giá định lượng qua chỉ số sai số trung bình bình phương tương đối (RRMSE) cho thấy sự vượt trội tuyệt đối của phương pháp đề xuất. Khi tỷ số SNR ở mức cực thấp là 0,126 (-9,005 dB), chỉ số RRMSE của thuật toán đề xuất đạt 0,285, thấp hơn 43,8% so với thuật toán Zhou (RRMSE = 0,507) và thấp hơn 32,1% so với thuật toán Total Variation (RRMSE = 0,4199). Khi SNR tăng lên 2,547 (4,060 dB), RRMSE của phương pháp đề xuất giảm sâu xuống 0,161, trong khi phương pháp Zhou bị suy giảm hiệu năng nghiêm trọng với RRMSE tăng lên 0,694.

Thứ ba, trên tập dữ liệu thực nghiệm 19 kênh đo thực tế, phương pháp đã tách lọc thành công nhiễu EMG trên 4 kênh trọng điểm gồm kênh F4, C4, Fp1 và P4. Thuật toán đã làm lộ rõ 2 gai động kinh tiềm ẩn tại vị trí mẫu thứ 210 và 260 vốn bị sóng nhiễu cơ tần số cao che lấp hoàn toàn trên bản ghi thô.

Thứ tư, nghiên cứu đã xây dựng thành công phần mềm hoàn chỉnh bằng ngôn ngữ C# .NET kết hợp thư viện Matlab DLL (MWArray.dll) trên nền tảng cơ sở dữ liệu Access, quản lý đầy đủ 26 kênh dữ liệu và hồ sơ bệnh nhân.

Thảo luận kết quả

Nguyên nhân giúp thuật toán SOBI đề xuất đạt hiệu năng vượt trội là nhờ việc tận dụng triệt để cấu trúc tương quan thời gian của các nguồn tín hiệu sinh lý. Việc áp dụng cửa sổ trượt N = 1000 mẫu kết hợp trọng số phổ tần w giúp phần mềm tự động phân loại đúng nguồn EOG (giá trị w nhỏ nhất) và nguồn EMG (giá trị w lớn nhất) mà không cần can thiệp thủ công.

Khi so sánh với phương pháp lọc thích nghi truyền thống, phương pháp đề xuất không làm mất đi các thành phần tần số hữu ích của não bộ do không phải trừ tín hiệu thô trực tiếp. So với phương pháp tách nguồn của Zhou, phương pháp SOBI duy trì tính ổn định liên tục trên mọi dải SNR mà không xảy ra hiện tượng phân kỳ.

Kết quả nghiên cứu có thể được minh họa trực quan qua bảng so sánh RRMSE tương ứng với 8 mức SNR khác nhau và các biểu đồ sóng tín hiệu đa kênh. Trên biểu đồ sóng điện não, đường tín hiệu sau xử lý đã triệt tiêu hoàn toàn các bước sóng uốn lượn biên độ lớn 50 đến 3500 µV của EOG và các dao động răng cưa sắc nhọn của EMG trên 30 Hz, làm nổi bật rõ rệt các đỉnh xung gai bệnh lý với độ dài 20 đến 70 ms.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa hệ thống phân tích thông tin điện não đồ vào ứng dụng thực tế tại các bệnh viện, các giải pháp cụ thể được đề xuất như sau:

Tối ưu hóa hiệu năng tính toán thuật toán: Nhóm nghiên cứu cần cải tiến cơ chế phát hiện đoạn tín hiệu chứa nhiễu trước khi kích hoạt thuật toán SOBI, thay vì tính toán biến đổi Fourier nhanh (FFT) trên toàn bộ bản ghi dài 30 phút. Giải pháp này giúp cắt giảm 50% thời gian xử lý dữ liệu và bộ nhớ RAM trong lộ trình 6 tháng tới.

Chuẩn hóa quy trình ghi đo EEG lâm sàng: Các bệnh viện và phòng khám chuyên khoa thần kinh cần áp dụng thống nhất quy chuẩn đo quốc tế 10-20 trên hệ thống 19 kênh, đồng thời bố trí thêm các điện cực ghi đo nhãn đồ và cơ đồ chuyên biệt. Kỹ thuật viên cần duy trì trở kháng tiếp xúc của điện cực dưới mức 5 kOhm nhằm cải thiện tỷ số SNR đầu vào thêm 15% đến 20% trong giai đoạn 2024 - 2025.

Nâng cấp kiến trúc nền tảng và cơ sở dữ liệu: Đội ngũ kỹ sư phần mềm cần chuyển đổi hệ quản trị cơ sở dữ liệu từ Microsoft Access sang Microsoft SQL Server hoặc PostgreSQL, đồng thời tái cấu trúc giao diện theo mô hình Cloud/Web trong vòng 12 tháng để hỗ trợ kết nối hội chẩn từ xa cho ít nhất 10 cơ sở y tế tuyến tỉnh.

Tích hợp mô-đun trí tuệ nhân tạo phát hiện gai tự động: Bộ môn Hệ thống thông tin và nhóm nghiên cứu Xử lý tín hiệu Y sinh cần tiếp tục tích hợp các thuật toán học máy và mạng nơ-ron sâu để tự động phát hiện, khoanh vùng và phân loại gai động kinh với độ chính xác mục tiêu đạt trên 95% trong vòng 1 đến 2 năm tới.

Đối tượng nên tham khảo luận văn

Bác sĩ chuyên khoa thần kinh và kỹ thuật viên y tế: Tài liệu cung cấp cơ sở khoa học về đặc tính các dạng nhiễu EOG và EMG, giúp đội ngũ y tế khai thác phần mềm để quan sát rõ nét các gai động kinh 20 đến 70 ms, giảm thiểu tối đa tỷ lệ chẩn đoán nhầm lẫn trên lâm sàng.

Học viên cao học và nghiên cứu sinh ngành Công nghệ thông tin, Hệ thống thông tin: Luận văn là nguồn tham khảo chuyên sâu về mô hình tách nguồn mù BSS, thuật toán SOBI dựa trên thống kê bậc hai và kỹ thuật đóng gói thư viện Matlab DLL tích hợp vào môi trường C# .NET.

Kỹ sư phát triển phần mềm y tế và xử lý tín hiệu số: Cung cấp giải pháp thực tế về kiến trúc 3 lớp xử lý dữ liệu y sinh, phương pháp thiết kế các bộ lọc số FIR (0,5 Hz, 70 Hz, 50 Hz) và quy trình chuẩn hóa dữ liệu đa kênh từ thiết bị y tế chuyên dụng.

Giảng viên và nhà nghiên cứu tại các trường đại học: Tài liệu là học liệu tham khảo giá trị cho các môn học Xử lý tín hiệu Y sinh, Hệ thống thông tin y tế, và Kỹ thuật đo lường y sinh tại các khối trường kỹ thuật và y dược.

Câu hỏi thường gặp

Tín hiệu điện não đồ (EEG) có những đặc trưng vật lý và dải tần cơ bản nào? Tín hiệu EEG là tổng hợp điện thế của hàng triệu nơ-ron với biên độ dao động từ vài µV đến 200 µV trong dải tần 0,5 đến 70 Hz. Tín hiệu gồm 5 dải sóng chính: Delta (0,5 - 4 Hz, 100 µV), Theta (4 - 7,5 Hz, 15 µV), Alpha (8 - 13,5 Hz, dưới 50 µV), Beta (14 - 30 Hz, dưới 20 µV) và Gamma (trên 30 Hz).

Gai động kinh có đặc điểm nhận dạng như thế nào trên bản ghi điện não? Gai động kinh là phóng điện bất thường đặc trưng bởi đường dốc đứng tạo đỉnh nhọn với thời gian tồn tại rất ngắn từ 20 đến 70 ms và biên độ nổi bật trên sóng nền. Ngoài ra còn có sóng nhọn kéo dài 70 đến 200 ms, là tiêu chuẩn vàng để bác sĩ chẩn đoán bệnh động kinh.

Vì sao phương pháp SOBI kết hợp nhận dạng nguồn lại vượt trội hơn các phương pháp lọc khác? SOBI dựa trên thống kê bậc hai và tương quan thời gian, giúp tách các nguồn tín hiệu mà không cần kênh tham chiếu như lọc thích nghi LMS. Bằng cách kết hợp tỷ số năng lượng w, phương pháp loại sạch nhiễu mắt và nhiễu cơ, duy trì sai số RRMSE thấp từ 0,161 đến 0,285 mà không làm biến dạng gai.

Quy trình tiền xử lý tín hiệu EEG trong luận văn được thực hiện ra sao? Dữ liệu thô 19 kênh với tần số lấy mẫu 256 Hz từ máy Compumedics E-series được chuyển đổi sang tệp dữ liệu xử lý, sau đó đưa qua bộ lọc thông cao 0,5 Hz, thông thấp 70 Hz và triệt dải 50 Hz, đồng thời cắt bỏ 1000 mẫu đầu tiên để triệt tiêu hoàn toàn độ trễ bộ lọc.

Hệ thống phần mềm được xây dựng trên công nghệ nào và có tính năng gì nổi bật? Phần mềm phát triển bằng C# .NET kết hợp thư viện Matlab DLL (MWArray.dll) và cơ sở dữ liệu Access theo kiến trúc 3 lớp. Hệ thống cung cấp giao diện trực quan, quản lý 26 kênh dữ liệu, lọc nhiễu tự động và hiển thị tín hiệu theo thời gian thực giúp bác sĩ thao tác dễ dàng.

Kết luận

  • Luận văn đã nghiên cứu thành công phương pháp tách nguồn mù SOBI kết hợp kỹ thuật nhận dạng nguồn phổ w nhằm loại bỏ đồng thời nhiễu mắt EOG và nhiễu cơ EMG.
  • Đạt chỉ số sai số tương đối RRMSE ấn tượng từ 0,161 đến 0,285, vượt trội hoàn toàn so với các phương pháp lọc thích nghi Total Variation và phương pháp Zhou.
  • Bảo toàn nguyên vẹn biên độ và hình thái các xung gai động kinh có độ dài 20 đến 70 ms trên tập dữ liệu thực nghiệm 50 bệnh nhân.
  • Xây dựng hoàn chỉnh phần mềm phân tích EEG chuyên dụng bằng C# kết hợp Matlab DLL, hỗ trợ quản lý hồ sơ và hiển thị trực quan 26 kênh tín hiệu.
  • Công trình đã được công bố tại Hội nghị quốc tế về Công nghệ truyền thông tiên tiến (ATC-2013), khẳng định giá trị học thuật và tính ứng dụng thực tiễn cao.

Trong giai đoạn 6 đến 12 tháng tiếp theo, nhóm nghiên cứu sẽ tối ưu hóa tốc độ xử lý thuật toán và tích hợp mạng nơ-ron nhận dạng gai tự động. Quý độc giả, nhà nghiên cứu và các đơn vị y tế quan tâm hãy liên hệ ngay để cùng hợp tác phát triển và nhận bản thử nghiệm giải pháp phân tích EEG tiên tiến này!