Hệ Thống Phân Tích Thông Tin Điện Não Đồ

Luận văn thạc sĩ nghiên cứu xây dựng hệ thống phân tích thông tin điện não đồ 04, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực kỹ thuật.

• Tác giả: Trần Đức Nghĩa
• Người hướng dẫn: PGS. TS Nguyễn Linh Trung
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Hệ Thống Phân Tích Thông Tin Điện Não Đồ
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU CÁC KHÁI NIỆM CƠ BẢN
• 1.1. KHÁI QUÁT VỀ ĐIỆN NÃO ĐỒ
• 1.2. Các đặc điểm của Điện não đồ
• 1.3. Vai trò của EEG trong chẩn đoán bệnh động kinh
• 1.4. CÁC VẤN ĐỀ VỀ NHIỄU
• 1.5. GIỚI THIỆU MỘT SỐ PHẦN MỀM XỬ LÝ EEG
• 1.6. THUẬT TOÁN TÁCH NHIỄU MẮT NHIỄU CƠ TRONG TÍN HIỆU ĐIỆN NÃO
• 2. CHƯƠNG 2: CÁC THUẬT TOÁN LOẠI NHIỄU MẮT NHIỄU CƠ ĐÃ CÓ
• 2.1. Loại nhiễu EOG bằng phương pháp lọc thích nghi
• 2.2. Phương pháp tách nguồn mù
• 2.3. TÁCH NGUỒN MÙ VÀ THUẬT TOÁN SOBI
• 2.4. Phương án đề xuất
• 2.5. Kết quả mô phỏng
• 2.6. Kết quả thực nghiệm. Đánh giá kết quả
• 3. CHƯƠNG 3: HỆ THỐNG PHÂN TÍCH THÔNG TIN ĐIỆN NÃO ĐỒ
• 3.1. Các kênh dữ liệu
• 3.2. Dữ liệu trên ổ cứng
• 3.3. Tiền xử lý dữ liệu điện não
• 3.4. LỰA CHỌN GIẢI PHÁP
• 3.5. Lựa chọn giải pháp
• 3.6. Môi trường và nền tảng phát triển
• 3.7. CHƯƠNG TRÌNH
• 3.8. Mô hình chức năng
• 3.9. Cơ sở dữ liệu
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Hệ Thống Phân Tích Điện Não Đồ EEG Chi Tiết

Điện não đồ (EEG) là công cụ quan trọng để đo và phân tích hoạt động điện não, hỗ trợ chẩn đoán và điều trị các bệnh liên quan đến hệ thần kinh. EEG ghi lại sự thay đổi điện thế theo thời gian của các điện cực đặt trên da đầu, phản ánh hoạt động của vỏ não. Thông qua các đặc trưng như biên độ, tần số, phân bố không gian, hình thái, các chuyên gia có thể đánh giá các biểu hiện bất thường của não bộ. EEG đặc biệt hữu ích trong việc phát hiện bệnh động kinh, dựa trên sự xuất hiện các gai động kinh. Trong quá trình hoạt động, não phát ra các xung điện lan truyền theo dây thần kinh, phản ánh trạng thái hoạt động và kích thích của não bộ. Các xung điện não này lan truyền đến lớp vỏ não dày khoảng 2-3mm, chứa hơn 10 tỷ nơ-ron thần kinh. "EEG ghi hoạt động điện trên da đầu không phải là hoạt động riêng lẻ của từng nơ-ron mà là tổng hợp hoạt động điện của hàng triệu nơ-ron".

1.1. Các Dải Tần Số Cơ Bản trong Phân Tích Điện Não Đồ

Tín hiệu EEG được đặc trưng bởi biên độ (μV), tần số (Hz), hình thái, sự phân cực và vị trí. Các dải tần số cơ bản bao gồm: Delta (0.5-4Hz), Theta (4-7.5Hz), Alpha (8-13.5Hz), Beta (14-30Hz), và Gamma (>30Hz). Mỗi dải tần số liên quan đến các trạng thái và hoạt động não khác nhau. Ví dụ, nhịp Alpha thường xuất hiện khi thư giãn với mắt nhắm, trong khi nhịp Beta liên quan đến hoạt động trí óc. Các kênh Fz, Cz, Pz là những kênh tốt nhất để đọc tín hiệu EEG.

1.2. Nhận Diện Gai Spikes và Sóng Nhọn trong Điện Não Đồ

Gai (Spikes) là một dạng bất thường của điện não đồ, thường là dấu hiệu nhận biết bệnh động kinh. Gai có thời gian tồn tại từ 20-70ms, đặc trưng bởi đường đi lên dốc đứng tạo ra đỉnh nhọn, nổi bật trên các sóng cơ bản. Sóng nhọn tương tự gai nhưng thời gian tồn tại dài hơn (70-200ms). Việc phân tích hình thái và phân bố của gai và sóng nhọn giúp chẩn đoán bệnh động kinh.

II. Thách Thức Xử Lý Nhiễu Tín Hiệu Điện Não Đồ EEG Hiệu Quả

Nhiễu là một vấn đề lớn trong phân tích EEG, gây khó khăn cho việc chẩn đoán chính xác. Nhiễu có thể xuất phát từ nhiều nguồn khác nhau, bao gồm lỗi kỹ thuật, nhiễu sinh lý (nhiễu mắt, nhiễu cơ), và nhiễu từ môi trường. Việc loại bỏ nhiễu là rất quan trọng để đảm bảo độ tin cậy của kết quả phân tích EEG. Các loại nhiễu thường gặp bao gồm: Nhiễu mắt (EOG) do chuyển động mắt, nhiễu cơ (EMG) do hoạt động cơ bắp, nhiễu điện từ từ các thiết bị điện tử xung quanh. Để có thể áp dụng các thuật toán xử lý tín hiệu cần chuyển đổi dữ liệu từ định dạng của máy đo sang dạng *.MAT để xử lý bằng MATLAB.

2.1. Các Loại Nhiễu Thường Gặp trong Bản Ghi Điện Não Đồ

Nhiễu mắt (EOG) là một trong những loại nhiễu phổ biến nhất, gây ra bởi chuyển động của mắt (nháy mắt, liếc mắt). Nhiễu cơ (EMG) xuất phát từ hoạt động của cơ bắp, đặc biệt là cơ mặt và cơ cổ. Nhiễu điện từ từ các thiết bị điện tử, như nhiễu 50Hz từ nguồn điện, cũng có thể ảnh hưởng đến tín hiệu EEG. Các loại nhiễu này có thể làm sai lệch kết quả phân tích và gây khó khăn cho việc nhận diện các đặc trưng quan trọng của EEG.

2.2. Ảnh Hưởng Của Nhiễu Đến Độ Chính Xác Phân Tích Điện Não Đồ

Sự hiện diện của nhiễu có thể làm giảm độ chính xác của việc phân tích EEG, dẫn đến sai sót trong chẩn đoán và điều trị. Nhiễu có thể che lấp các tín hiệu quan trọng, như gai động kinh, làm cho việc phát hiện chúng trở nên khó khăn hơn. Ngoài ra, nhiễu cũng có thể gây ra các kết quả dương tính giả, dẫn đến chẩn đoán sai và điều trị không cần thiết. Việc loại bỏ nhiễu là rất quan trọng để đảm bảo độ tin cậy và chính xác của phân tích EEG.

III. Phương Pháp Tách Nguồn Mù SOBI Loại Bỏ Nhiễu EEG

Luận văn này đề xuất một phương pháp sử dụng thuật toán tách nguồn mù (Blind Source Separation - BSS) SOBI (Second-Order Blind Identification) kết hợp với kỹ thuật nhận dạng nguồn để loại bỏ nhiễu mắt và nhiễu cơ trong tín hiệu điện não. SOBI là một thuật toán mạnh mẽ trong việc tách các tín hiệu độc lập từ một hỗn hợp các tín hiệu, dựa trên thông tin thống kê bậc hai. Kỹ thuật nhận dạng nguồn được sử dụng để xác định các thành phần nhiễu và loại bỏ chúng khỏi tín hiệu EEG. Thuật toán đề xuất được trình bày trong luận văn đã được thực hiện thành công và áp dụng trên nhiều mẫu dữ liệu khác nhau.

3.1. Ưu Điểm của Thuật Toán SOBI Trong Xử Lý Tín Hiệu EEG

Thuật toán SOBI có khả năng tách các tín hiệu độc lập mà không cần thông tin trước về nguồn tín hiệu. Điều này rất hữu ích trong xử lý tín hiệu EEG, vì thông tin về nguồn gốc của nhiễu thường không có sẵn. SOBI dựa trên thông tin thống kê bậc hai, làm cho nó mạnh mẽ hơn so với các thuật toán BSS khác chỉ sử dụng thông tin thống kê bậc nhất. Ngoài ra, SOBI có thể được thực hiện một cách hiệu quả về mặt tính toán, làm cho nó phù hợp cho xử lý dữ liệu EEG lớn.

3.2. Kỹ Thuật Nhận Dạng Nguồn Nhiễu Kết Hợp Với SOBI

Để tăng cường hiệu quả của SOBI, kỹ thuật nhận dạng nguồn được sử dụng để xác định các thành phần nhiễu. Các đặc trưng của nhiễu, như tần số và biên độ, được sử dụng để phân biệt nhiễu với tín hiệu não thực. Sau khi xác định, các thành phần nhiễu được loại bỏ khỏi tín hiệu EEG, giúp cải thiện độ chính xác của việc phân tích và chẩn đoán. Cần loại nhiễu cơ bản do các thiết bị điện tử gây ra như nhiễu 50Hz, nhiễu tần số cao do tiếp xúc điện cực.

3.3. Xử lý tín hiệu EEG đa kênh và chiều dài lớn hiệu quả

Trong thực tế, cần xử lý tín hiệu EEG đa kênh và có chiều dài lớn, đòi hỏi xử lý loại nhiễu trên từng đoạn tín hiệu và ghép chúng lại. Matlab hạn chế về thiết kế giao diện, hạn chế việc quản lý dữ liệu bệnh nhân, không phù hợp pháp triển phần mềm. Cần sử dụng ngôn ngữ C# để lập trình quản lý dữ liệu và có được giao diện thân thiện, đồng thời kết hợp với thư viện Matlab để xử lý tính toán.

IV. Ứng Dụng Hệ Thống Phân Tích Điện Não Đồ Kết Quả Nghiên Cứu

Hệ thống phân tích điện não đồ được xây dựng có khả năng xử lý nhiễu mắt và nhiễu cơ cho tín hiệu điện não. Thuật toán đề xuất đã được thử nghiệm thành công trên nhiều mẫu dữ liệu khác nhau, cho thấy triển vọng áp dụng hệ thống này vào thực tiễn, hỗ trợ cho các bác sĩ. Một số kết quả bước đầu đạt được cho thấy sự khả quan trong việc phát hiện gai động kinh tự động, loại nhiễu mắt và nhiễu cơ trong tín hiệu EEG.

4.1. Đánh Giá Hiệu Quả Loại Bỏ Nhiễu Mắt và Nhiễu Cơ

Hiệu quả của phương pháp loại bỏ nhiễu được đánh giá bằng cách so sánh tín hiệu EEG trước và sau khi xử lý. Các chỉ số như tỷ lệ tín hiệu trên nhiễu (SNR) và sai số trung bình bình phương (RMSE) được sử dụng để định lượng mức độ loại bỏ nhiễu. Kết quả cho thấy phương pháp đề xuất có khả năng loại bỏ nhiễu mắt và nhiễu cơ một cách hiệu quả, cải thiện đáng kể chất lượng tín hiệu EEG.

4.2. Hỗ Trợ Phát Hiện Gai Động Kinh Tự Động

Hệ thống phân tích điện não đồ cũng được sử dụng để phát hiện gai động kinh tự động. Thuật toán phát hiện gai dựa trên các đặc trưng của gai, như biên độ, độ dốc và thời gian tồn tại. Kết quả cho thấy hệ thống có khả năng phát hiện gai động kinh với độ chính xác cao, giúp các bác sĩ chẩn đoán bệnh động kinh một cách nhanh chóng và chính xác hơn.

4.3. So sánh với các phương pháp khác đã được công bố

Đánh giá một số phương pháp loại nhiễu trong tín hiệu điện não đồ, và đề xuất phương pháp mới sử dụng thuật toán tách nguồn mù SOBI kết hợp kĩ thuật nhận dạng nguồn nhiễu .

V. Kết Luận và Hướng Phát Triển Hệ Thống Phân Tích EEG

Luận văn đã trình bày một hệ thống phân tích điện não đồ có khả năng loại bỏ nhiễu và hỗ trợ phát hiện gai động kinh tự động. Hệ thống này có tiềm năng lớn trong việc hỗ trợ các bác sĩ chẩn đoán và điều trị bệnh động kinh. Tuy nhiên, vẫn còn nhiều vấn đề cần được nghiên cứu và phát triển thêm, như cải thiện độ chính xác của thuật toán phát hiện gai và tích hợp hệ thống với các công cụ chẩn đoán khác. Mục tiêu của luận văn là xây dựng một phần mềm có các chức năng cần thiết hỗ trợ các bác sĩ trong việc chẩn đoán bệnh động kinh. Phần mềm sử dụng ngôn ngữ C# (mạnh về thiết kế giao diện) kết hợp với thư viện Matlab (để xử lý tính toán) nên có thể giải quyết các vấn đề toán học phức tạp mà các bác sĩ vẫn có thể sử dụng trực tiếp và dễ thao tác.

5.1. Các Vấn Đề Cần Nghiên Cứu Thêm để Tối Ưu Hệ Thống

Cần tiếp tục nghiên cứu để cải thiện độ chính xác của thuật toán phát hiện gai động kinh, đặc biệt trong các trường hợp gai có biên độ thấp hoặc bị che lấp bởi nhiễu. Ngoài ra, cần nghiên cứu các phương pháp loại bỏ nhiễu nâng cao hơn, như sử dụng trí tuệ nhân tạo để phân biệt nhiễu và tín hiệu não thực. Việc tích hợp hệ thống với các công cụ chẩn đoán khác, như hình ảnh cộng hưởng từ (MRI), cũng có thể giúp cải thiện độ chính xác của chẩn đoán.

5.2. Hướng Phát Triển Tương Lai của Hệ Thống Phân Tích Điện Não Đồ

Trong tương lai, hệ thống phân tích điện não đồ có thể được phát triển thành một công cụ chẩn đoán toàn diện, tích hợp nhiều kỹ thuật và phương pháp khác nhau. Hệ thống có thể được sử dụng để theo dõi hoạt động não trong thời gian thực, giúp các bác sĩ điều chỉnh phương pháp điều trị một cách linh hoạt hơn. Ngoài ra, hệ thống có thể được sử dụng để nghiên cứu các bệnh lý não khác, như Alzheimer và Parkinson.

Nội dung chính

Tổng quan nghiên cứu

Điện não đồ (EEG) là công cụ quan trọng trong chẩn đoán và theo dõi các bệnh lý thần kinh, đặc biệt là bệnh động kinh – một rối loạn não phổ biến chiếm khoảng 1% dân số thế giới. Tại Việt Nam, việc phân tích và đọc tín hiệu EEG còn nhiều khó khăn do thiếu hụt chuyên gia và quy trình đo chưa đạt chuẩn quốc tế, dẫn đến tỷ lệ chẩn đoán nhầm cao. Một trong những thách thức lớn là sự xuất hiện của các thành phần nhiễu như nhiễu mắt (EOG) và nhiễu cơ (EMG) làm giảm chất lượng tín hiệu EEG, ảnh hưởng đến việc phát hiện các gai động kinh đặc trưng.

Mục tiêu của luận văn là xây dựng một hệ thống phân tích tín hiệu EEG có khả năng loại bỏ hiệu quả các nhiễu mắt và nhiễu cơ, từ đó hỗ trợ các bác sĩ thần kinh trong chẩn đoán bệnh động kinh. Nghiên cứu tập trung vào phát triển thuật toán xử lý tín hiệu dựa trên kỹ thuật tách nguồn mù SOBI kết hợp với kỹ thuật nhận dạng nguồn nhiễu, đồng thời xây dựng phần mềm ứng dụng với giao diện thân thiện, dễ sử dụng. Dữ liệu nghiên cứu được thu thập từ hơn 50 bệnh nhân động kinh, với tần số lấy mẫu 256Hz, sử dụng hệ thống đo EEG dòng E-series của Compumedics tại Khoa Điện tử Viễn thông, Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác trong phân tích tín hiệu EEG, giảm thiểu sai sót trong chẩn đoán, đồng thời tạo nền tảng cho các ứng dụng thực tiễn trong y học thần kinh tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Điện não đồ (EEG): Ghi lại hoạt động điện của não qua các điện cực đặt trên da đầu, phản ánh sự đồng bộ của các nơ-ron thần kinh. Tín hiệu EEG bao gồm các nhịp cơ bản như delta (0.5-4Hz), theta (4-7.5Hz), alpha (8-13.5Hz), beta (14-30Hz) và gamma (>30Hz). Gai động kinh là dạng sóng bất thường đặc trưng trong EEG, có thời gian tồn tại 20-70ms.

• Nhiễu mắt (EOG): Tín hiệu điện sinh học do chuyển động giác mạc và võng mạc, có biên độ từ 50 đến 3500 µV, chủ yếu ảnh hưởng ở tần số dưới 4Hz. Nhiễu mắt gây biến dạng tín hiệu EEG, đặc biệt do nháy mắt và chuyển động mí mắt.

• Nhiễu cơ (EMG): Tín hiệu điện sinh học phát sinh từ hoạt động co cơ, đặc biệt cơ mặt, có dải tần rộng nhưng chủ yếu trên 30Hz, gây che phủ tín hiệu EEG nền, làm khó khăn trong việc phát hiện gai động kinh.

• Thuật toán tách nguồn mù SOBI (Second-Order Blind Identification): Sử dụng thống kê bậc hai để tách các nguồn tín hiệu độc lập từ tín hiệu hỗn hợp, phù hợp với tín hiệu EEG có nhiễu. SOBI kết hợp với kỹ thuật nhận dạng nguồn nhiễu dựa trên phân tích phổ năng lượng để xác định và loại bỏ các thành phần nhiễu EOG và EMG.

• Phương pháp lọc thích nghi: Bao gồm các thuật toán LMS, RLS và H-infinite, dùng để loại bỏ nhiễu dựa trên tín hiệu tham chiếu, tuy nhiên hạn chế khi không có kênh tham chiếu cho nhiễu cơ.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu EEG được thu thập từ 50 bệnh nhân động kinh, tuổi từ 4 đến 19, sử dụng hệ thống đo EEG dòng E-series của Compumedics với 19 kênh dữ liệu, tần số lấy mẫu 256Hz. Dữ liệu thô được lưu dưới định dạng *.eeg và chuyển đổi sang *.mat để xử lý trên Matlab.

• Tiền xử lý dữ liệu: Áp dụng ba bộ lọc FIR gồm bộ lọc thông cao (cắt tần số dưới 0.5Hz), bộ lọc thông thấp (cắt tần số trên 70Hz) và bộ lọc triệt dải 50Hz để loại bỏ nhiễu điện lưới và các thành phần không phải tín hiệu EEG.

• Phân tích và xử lý nhiễu: Sử dụng thuật toán SOBI kết hợp kỹ thuật nhận dạng nguồn nhiễu để tách và loại bỏ các thành phần nhiễu mắt và nhiễu cơ. Thuật toán được thực hiện trên các cửa sổ dữ liệu kích thước cố định (khoảng 1000 mẫu) để đảm bảo hiệu quả xử lý.

• Xây dựng phần mềm: Phần mềm được phát triển trên nền tảng Microsoft Visual Studio 2010, ngôn ngữ C#, kết hợp thư viện Matlab DLL để xử lý toán học phức tạp. Hệ thống sử dụng mô hình 3 lớp, quản lý dữ liệu bệnh nhân bằng cơ sở dữ liệu Microsoft Access, cung cấp giao diện thân thiện, dễ thao tác cho người dùng.

• Timeline nghiên cứu: Thu thập dữ liệu và tiền xử lý trong giai đoạn đầu, phát triển thuật toán và thử nghiệm trên dữ liệu mô phỏng và thực tế trong giai đoạn giữa, xây dựng phần mềm và đánh giá kết quả cuối cùng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả loại bỏ nhiễu mắt (EOG): Thuật toán SOBI kết hợp kỹ thuật nhận dạng nguồn nhiễu cho kết quả loại bỏ nhiễu mắt vượt trội so với các phương pháp lọc thích nghi LMS, RLS và thuật toán Zhou. Giá trị sai số trung bình bình phương tương đối (RRMSE) giảm xuống khoảng 0.16-0.28 tùy theo tỷ lệ tín hiệu trên nhiễu (SNR), thấp hơn đáng kể so với các phương pháp khác (RRMSE từ 0.42 đến 0.69).

2. Hiệu quả loại bỏ nhiễu cơ (EMG): Thuật toán đề xuất cũng cho kết quả tốt trong việc loại bỏ nhiễu cơ, giúp làm rõ các gai động kinh trên tín hiệu EEG mà trước đó bị che phủ bởi nhiễu. Các kênh bị ảnh hưởng nhiều như F4, P4, C4 và Fp1 sau xử lý cho thấy tín hiệu gai động kinh rõ ràng hơn.

3. Bảo toàn tín hiệu gai động kinh: Thuật toán không làm biến dạng hoặc mất mát các đặc trưng gai động kinh quan trọng, đảm bảo tính chính xác trong chẩn đoán. So sánh tín hiệu trước và sau lọc cho thấy biên độ gai động kinh được giữ nguyên hoặc tăng cường rõ rệt.

4. Xây dựng thành công hệ thống phần mềm: Phần mềm phân tích EEG được phát triển với giao diện đơn giản, dễ sử dụng, tích hợp các chức năng lọc tín hiệu thô, loại bỏ nhiễu mắt và nhiễu cơ, đọc và hiển thị dữ liệu EEG theo thời gian và mẫu. Hệ thống quản lý dữ liệu bệnh nhân hiệu quả qua cơ sở dữ liệu Access.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy thuật toán SOBI kết hợp kỹ thuật nhận dạng nguồn nhiễu là giải pháp hiệu quả trong việc xử lý nhiễu mắt và nhiễu cơ trên tín hiệu EEG, vượt trội hơn các phương pháp truyền thống dựa trên lọc thích nghi hoặc ICA chuẩn. Việc sử dụng thống kê bậc hai giúp giảm độ phức tạp tính toán so với các thuật toán dựa trên thống kê bậc cao, đồng thời phù hợp với đặc tính tín hiệu EEG thực tế.

Tuy nhiên, nhược điểm của phương pháp là khối lượng tính toán lớn do phải thực hiện biến đổi Fourier nhanh (FFT) trên toàn bộ dữ liệu, dẫn đến tốc độ xử lý chậm. Điều này đặt ra yêu cầu cải tiến thuật toán để phát hiện và xử lý các đoạn dữ liệu có nhiễu một cách chọn lọc, giảm thiểu thời gian tính toán.

So với các nghiên cứu trước đây, luận văn đã áp dụng thành công thuật toán SOBI trong môi trường thực tế với dữ liệu thu thập từ bệnh nhân động kinh tại Việt Nam, đồng thời phát triển phần mềm ứng dụng có tính thực tiễn cao, hỗ trợ đắc lực cho công tác chẩn đoán.

Dữ liệu kết quả có thể được trình bày qua các biểu đồ so sánh RRMSE theo SNR giữa các phương pháp, biểu đồ phổ tín hiệu trước và sau lọc, cũng như bảng số liệu chi tiết về các kênh EEG bị ảnh hưởng và mức độ cải thiện sau xử lý.

Đề xuất và khuyến nghị

1. Tối ưu hóa thuật toán xử lý tín hiệu: Nghiên cứu phát triển các kỹ thuật phát hiện tự động các đoạn dữ liệu nhiễu để chỉ áp dụng thuật toán SOBI trên các vùng cần thiết, giảm thiểu khối lượng tính toán và tăng tốc độ xử lý. Thời gian thực hiện dự kiến trong 1-2 năm, do nhóm nghiên cứu CNTT và y sinh phối hợp thực hiện.

2. Mở rộng bộ dữ liệu và thử nghiệm lâm sàng: Thu thập thêm dữ liệu EEG từ đa dạng nhóm bệnh nhân và các bệnh lý thần kinh khác để đánh giá tính tổng quát của thuật toán và phần mềm. Thời gian 1 năm, phối hợp với các bệnh viện chuyên khoa thần kinh.

3. Phát triển giao diện phần mềm nâng cao: Cải tiến giao diện người dùng, tích hợp thêm các công cụ phân tích nâng cao như phát hiện tự động gai động kinh, báo cáo kết quả chẩn đoán hỗ trợ bác sĩ. Thời gian 6-12 tháng, do nhóm phát triển phần mềm thực hiện.

4. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho bác sĩ và kỹ thuật viên về sử dụng phần mềm, đồng thời chuyển giao công nghệ cho các trung tâm y tế để ứng dụng rộng rãi. Thời gian 6 tháng, phối hợp với các cơ sở y tế.

Đối tượng nên tham khảo luận văn

1. Bác sĩ chuyên khoa thần kinh: Hỗ trợ trong việc phân tích và chẩn đoán bệnh động kinh chính xác hơn, giảm thiểu sai sót do nhiễu tín hiệu EEG. Use case: sử dụng phần mềm để lọc và đọc tín hiệu EEG trong quá trình khám bệnh.

2. Nhà nghiên cứu công nghệ thông tin và y sinh: Tham khảo phương pháp xử lý tín hiệu EEG, thuật toán tách nguồn mù SOBI và kỹ thuật nhận dạng nguồn nhiễu để phát triển các ứng dụng mới. Use case: phát triển thuật toán xử lý tín hiệu sinh học.

3. Kỹ thuật viên y tế và kỹ sư thiết bị y tế: Áp dụng kiến thức về tiền xử lý dữ liệu EEG, chuyển đổi định dạng và xây dựng hệ thống đo lường chuẩn quốc tế. Use case: vận hành hệ thống đo EEG và chuẩn bị dữ liệu cho phân tích.

4. Sinh viên và học viên cao học ngành công nghệ thông tin, y sinh: Nắm bắt kiến thức chuyên sâu về xử lý tín hiệu EEG, phát triển phần mềm ứng dụng trong y học. Use case: nghiên cứu luận văn, phát triển đề tài khoa học.

Câu hỏi thường gặp

1. Tại sao cần loại bỏ nhiễu mắt và nhiễu cơ trong tín hiệu EEG?
   Nhiễu mắt (EOG) và nhiễu cơ (EMG) làm biến dạng tín hiệu EEG, che phủ các đặc trưng quan trọng như gai động kinh, gây khó khăn trong phân tích và chẩn đoán. Loại bỏ nhiễu giúp tăng độ chính xác và tin cậy của kết quả.

2. Thuật toán SOBI hoạt động như thế nào trong việc tách tín hiệu?
   SOBI sử dụng thống kê bậc hai để phân tích các ma trận hiệp phương sai có độ trễ thời gian, từ đó tách các nguồn tín hiệu độc lập trong hỗn hợp mà không cần tín hiệu tham chiếu, phù hợp với tín hiệu EEG có nhiễu.

3. Phần mềm được xây dựng có thể sử dụng trên các hệ thống đo EEG khác không?
   Phần mềm được thiết kế linh hoạt, có thể tích hợp với dữ liệu từ các hệ thống đo EEG chuẩn quốc tế, miễn là dữ liệu được chuyển đổi sang định dạng *.mat phù hợp để xử lý.

4. Tốc độ xử lý của thuật toán có đáp ứng được yêu cầu thực tế không?
   Hiện tại, thuật toán có khối lượng tính toán lớn do xử lý toàn bộ dữ liệu bằng FFT, dẫn đến tốc độ xử lý chậm. Nghiên cứu tiếp theo sẽ tập trung tối ưu để đạt tốc độ nhanh hơn, phù hợp ứng dụng thực tế.

5. Làm thế nào để đảm bảo tín hiệu gai động kinh không bị mất khi loại bỏ nhiễu?
   Thuật toán kết hợp kỹ thuật nhận dạng nguồn nhiễu dựa trên phân tích phổ năng lượng, giúp phân biệt rõ ràng tín hiệu nhiễu và tín hiệu gai động kinh, từ đó bảo toàn các đặc trưng quan trọng trong tín hiệu EEG.

Kết luận

• Đã nghiên cứu và phân tích đặc tính tín hiệu EEG, nhiễu mắt (EOG) và nhiễu cơ (EMG) trong bối cảnh chẩn đoán bệnh động kinh.
• Đề xuất thuật toán xử lý tín hiệu sử dụng SOBI kết hợp kỹ thuật nhận dạng nguồn nhiễu, cho hiệu quả loại bỏ nhiễu vượt trội và bảo toàn tín hiệu gai động kinh.
• Xây dựng thành công phần mềm phân tích EEG với giao diện thân thiện, tích hợp các chức năng lọc tín hiệu và quản lý dữ liệu bệnh nhân.
• Kết quả thử nghiệm trên dữ liệu thực tế từ hơn 50 bệnh nhân cho thấy tính khả thi và ứng dụng thực tiễn cao.
• Đề xuất các hướng nghiên cứu tiếp theo nhằm tối ưu thuật toán, mở rộng ứng dụng và đào tạo chuyển giao công nghệ.

Khuyến khích các cơ sở y tế và nhà nghiên cứu phối hợp triển khai thử nghiệm phần mềm, đồng thời đầu tư phát triển các cải tiến thuật toán để nâng cao hiệu quả và tốc độ xử lý.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Điện não đồ dùng để đo tín hiệu điện não, phục vụ phân tích, chẩn đoán, điều trị các bệnh liên quan đến thần kinh. Một bệnh phổ biến trên thế giới và ở Việt Nam là bệnh động kinh. Động kinh là một rối loạn não đƣợc đặc trƣng bởi sự xuất hiện xung động kinh lặp đi lặp lại nhiều lần, do có sự phóng điện bất thƣờng, đồng bộ và quá mức trong hoạt động của não bộ. Tỉ lệ ngƣời mắc bệnh động kinh trên thế giới chiếm 1% các loại bệnh (tƣơng đƣơng với bệnh ung thƣ vú) và ở Việt Nam là 0.

Hiện nay, các chuyên gia thần kinh đọc trên dữ liệu điện não thô, không qua công đoạn xử lý tín hiệu bậc cao, và qui trình đo chƣa đáp ứng chuẩn quốc tế, nên có những khó khăn trong phân tích điện não đồ. Việc chẩn cũng gặp nhiều khó khăn do sự biến thiên phức tạp về hình thái của gai, và sự xuất hiện của các thành phần nhiễu (artifacts) nhƣ nhiễu mắt, nhiễu cơ. Thực tế tại Việt Nam thiếu bác sĩ chuyên khoa trong đọc và phân tích EEG và việc chẩn đoán nhầm khá phổ biến. Để hỗ trợ các chuyên gia thần kinh trong việc phân tích điện não đồ, việc xây dựng hệ thống phân tích tín hiệu với các phƣơng pháp tiên tiến là rất cấp thiết.

Mục tiêu của luận văn này là xây dựng một hệ thống xử lý nhiễu mắt, nhiễu cơ cho tín hiệu điện não. Thuật toán đề xuất đƣợc trình bày trong luận văn đã đƣợc thực hiện thành công và áp dụng trên nhiều mẫu dữ liệu khác nhau. Kết quả cho thấy triển vọng của việc áp dụng hệ thống này vào ứng dụng thực tiễn, hỗ trợ cho các bác sỹ. Các khó khăn trong thực tế xây dựng hệ thống xử lý tín hiệu điện não Với mục đích đó, chúng tôi đã tiến hành đo tín hiệu điện não trực tiếp bằng hệ đo EEG dòng E-series của Compumedics, đặt tại Khoa Điện tử Viễn thông, trên rất nhiều bệnh nhân động kinh để nghiên cứu và xây dựng các bộ dữ liệu điện não phục vụ cho các nghiên cứu thử nghiệm.

Một số kết quả bƣớc đầu đạt đƣợc cho thấy sự khả quan trong việc phát hiện gai động kinh tự động, loại nhiễu mắt và nhiễu cơ trong tín hiệu EEG. Tuy nhiên, khi phân tích và xử lý các tín hiệu điện não thực đƣợc đo trực tiếp trên hệ đo EEG dòng E-series thì vẫn còn nhiều vấn đề trong thực tế xử lý tín hiệu điện não và đòi hỏi cần đƣợc giải quyết. Sau đây là một số vấn đề mà luận văn này đề cập đến: 1. Để có thể áp dụng các thuật toán xử lý tín hiệu cần chuyển đổi dữ liệu từ định dạng của máy đo sang dạng *.MAT để xử lý bằng MATLAB, phục vụ cho các nghiên cứu về xử lý tiếp theo; (LUAN.04 TIEU LUAN MOI download : skknchat@gmail.

Cần loại nhiễu cơ bản do các thiết bị điện tử gây ra nhƣ nhiễu 50Hz, nhiễu tần số cao do tiếp xúc điện cực, v. Cần nghiên cứu các đặc điểm của nhiễu mắt, nhiễu cơ để có phƣơng pháp phù hợp loại bỏ chúng. Trong thực tế, cần xử lý tín hiệu EEG đa kênh và có chiều dài lớn, đòi hỏi xử lý loại nhiễu trên từng đoạn tín hiệu và ghép chúng lại. Matlab hạn chế về thiết kế giao diện, hạn chế việc quản lý dữ liệu bệnh nhân, không phù hợp pháp triển phần mềm.

Cần sử dụng ngôn ngữ C# để lập trình quản lý dữ liệu và có đƣợc giao diện thân thiện, đồng thời kết hợp với thƣ viện Matlab để xử lý tính toán. Mục tiêu của luận văn là xây dựng một phần mềm có các chức năng cần thiết hỗ trợ các bác sĩ trong việc chẩn đoán bệnh động kinh. Phần mềm sử dụng ngôn ngữ C# (mạnh về thiết kế giao diện) kết hợp với thƣ viện Matlab (để xử lý tính toán) nên có thể giải quyết các vấn đề toán học phức tạp mà các bác sĩ vẫn có thể sử dụng trực tiếp và dễ thao tác. Luận văn này sẽ tập trung phân tích và xử lý các vấn đề trên, nhằm phát triển và ứng dụng các thuật toán loại nhiễu mắt và nhiễu cơ trong tín hiệu điện não chứa tín hiệu gai động kinh một cách hữu hiệu nhất.

Luận văn đƣợc trình bày theo cấu trúc nhƣ sau:  Chƣơng 1: Trình bày tổng quan về điện não đồ, các loại nhiễu nhƣ nhiễu mắt, nhiễu cơ.  Chƣơng 2: Đánh giá một số phƣơng pháp loại nhiễu trong tín hiệu điện não đồ, và đề phƣơng pháp mới sử dụng thuật toán tách nguồn mù SOBI kết hợp kĩ thuật nhận dạng nguồn nhiễu.  Chƣơng 3: Xây dựng hệ thống.  Kết luận và đặt ra một số vấn đề cần nghiên cứu tiếp.04 TIEU LUAN MOI download : skknchat@gmail.

GIỚI THIỆU CÁC KHÁI NIỆM CƠ BẢN 1. KHÁI QUÁT VỀ ĐIỆN NÃO ĐỒ 1. Điện não đồ là gì Điện não đồ (EEG – Electroencephalogram) đo và biểu diễn sự thay đổi điện thế theo thời gian của các điện cực đƣợc đặt ở các vị trí khác nhau trên da đầu tƣơng ứng với các vùng của vỏ não trên đồ thị máy tính. Thông qua các đặc trƣng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG cho ta các thông tin về các hoạt động của não.

Dựa trên các đặc trƣng đó, các chuyên gia có thể đánh giá, phân tích các biểu hiện bất thƣờng của bộ não để phát hiện bệnh động kinh dựa trên sự xuất hiện các gai động kinh trong EEG. Trong quá trình hoạt động, não sẽ phát ra các xung điện lan truyền theo các dây thần kinh. Các xung điện này phản ánh trạng thái hoạt động và kích thích của bộ não. Các xung điện não sẽ lan truyền đến lớp vỏ não có độ dày khoảng 2-3mm.

Bề mặt của vỏ não có dạng các lớp, khe nhỏ với nhiều kích thƣớc khác nhau lằm làm tăng diện dích hệ thần kinh, với tổng diện tích hơn 2,5m2 bao gồm hơn 10 tỉ nơ-ron thần kinh [17]. Vỏ não bao gồm 2 bán cầu đối xứng: bán cầu trái và bán cầu phải, đƣợc tách biệt bởi rãnh sâu. Mỗi bán cầu đƣợc chia thành bốn thùy khác nhau: thùy trán (frontal lobe), thùy thái dƣơng (temporal lobe), thùy đỉnh (parietal lobe), thùy chẩm (occipital lobe) (hình 1-1). Hình 1-1: Phân chia các thùy trên vỏ não [17] (LUAN.04 TIEU LUAN MOI download : skknchat@gmail.04 12 Mỗi vùng trên các thùy có các vai trò khác nhau: - Các vùng sơ cấp (chiếm diện tích tƣơng đối nhỏ): các nơ-ron (các tế bào thần kinh đƣợc gọi chung là nơ-ron) trong vùng này có một mục đích cụ thể nhƣ vùng chuyên về vận động (the motor cortex) nằm ở thùy trán, vùng thần kinh cảm giác về âm thanh nằm ở vùng trên của thùy thái dƣơng.

- Các vùng thứ cấp: các nơ-ron ở vùng này làm nhiệm vụ phân tích, hỗ trợ cho các nơ-ron vùng sơ cấp. Các nơron này cũng chứa các thông tin tham chiếu để so sánh giữa các thông tin hiện tại với các thông tin đƣợc tích lũy trƣớc đó. EEG ghi hoạt động điện trên da đầu không phải là hoạt động riêng lẻ của từng nơ-ron mà là tổng hợp hoạt động điện của hàng triệu nơ-ron. Dòng đo đƣợc có nguồn gốc tại khớp (synapse) trong quá trình kích thích.

Biên độ của tín hiệu EEG liên quan tới mức độ đồng bộ của các nơ-ron khi chúng tƣơng tác lẫn nhau. Sự kích thích đồng thời của một nhóm các nơ-ron sẽ tạo ra tín hiệu có biên độ lớn trên bề mặt da bởi vì các tín hiệu có nguồn gốc từ các nơ-ron độc lập đƣợc cộng lại. Ngƣợc lại, các nơ-ron kích thích không đồng bộ sẽ tạo ra EEG có biên độ thấp. Biên độ EEG phụ thuộc vào chủ thể đo nhƣ tình trạng tâm lý, lứa tuổi và phụ thuộc vào kỹ thuật đo nhƣ loại điện cực, đạo trình, khoảng cách từ điện cực đến nguồn thế v.

Biên độ EEG giảm khi tăng trở kháng. Sự thay đổi biên độ điện thế đƣợc quan sát rõ nếu sự thay đổi này xảy ra gần các điện cực hoặc đƣợc tạo bởi một vùng mô có diện tích lớn. Sự thay đổi cũng có thể quan sát rõ khi điện thế tăng, giảm chậm. Việc định lƣợng các đặc trƣng của tín hiệu EEG có ý nghĩa quan trọng trong nghiên cứu trạng thái của não.

Các đặc điểm của Điện não đồ EEG đƣợc đặc trƣng bởi biên độ, tần số, hình thái, sự phân cực, phân bố vị trí và điều kiện làm thay đổi của hiệu điện thế. Các tín hiệu đƣợc ghi trên da đầu có biên độ biến thiên từ vài μV đến xấp xỉ 200μV và tần số nằm trong phạm vi từ 0. Nếu trạng thái của đối tƣợng đo ổn định trong một khoảng thời gian, các nhịp này có dạng tuần hoàn [17]. Các kênh Fz, Cz, Pz là những kênh tốt nhất cho việc đọc tín hiệu EEG.

 Các nhịp cơ bản đƣợc chia thành 5 dải [10] + Nhịp delta: tần số 0.5 - 4Hz + Nhịp theta: tần số 4-7,5Hz (LUAN.04 TIEU LUAN MOI download : skknchat@gmail.04 13 + Nhịp alpha: 8-13,5Hz + Nhịp beta: 14-30Hz + Nhịp gamma: có tần số lớn 30Hz - Nhịp delta: Có tần số nằm trong khoảng từ 0.5- 4Hz: nhịp delta xuất hiện trong giấc ngủ sâu và có thể xuất hiện trong giai đoạn thức giấc. Biên độ nhịp delta lớn, trung bình 100μV. Nhịp này là bình thƣờng ở trẻ nhỏ, nhƣng xuất hiện ở ngƣời lớn khi thức là dấu hiệu của các tổn thƣơng hoặc bệnh ở não. - Nhịp theta: Nhịp theta có phạm vi tần số từ 4-7.5Hz, biên độ và hình thái thay đổi, xuất hiện ở vùng trán tới vùng trung tâm.

Biên độ nhỏ cỡ 15μV. Nhịp theta ở vùng trán đƣợc quan sát dễ dàng khi có các hoạt động cảm xúc, tập trung hoặc các hoạt động trí óc. Thông thƣờng, nhịp theta tăng cƣờng hoạt động khi chủ thể ở trạng thái buồn ngủ hoặc ngủ. Nhịp theta đóng vai trò quan trọng ở trẻ nhỏ.

Sự xuất hiện với một số lƣợng lớn các nhịp theta không liên tục ở ngƣời lớn khi thức là dấu hiệu bất thƣờng có nguyên nhân từ nhiều bệnh lý khác nhau. - Nhịp alpha: Nhịp alpha biến thiên trong khoảng 8-13,5Hz (chu kỳ sóng từ 75ms đến 125ms). Thông thƣờng, biên độ của nhịp alpha không vƣợt quá 50μV. Nhịp Alpha bình thƣờng bắt đầu xuất hiện ở trẻ em 3 tuổi với tần số 8Hz.

Alpha là nhịp nổi trội ở ngƣời lớn khi thức và thƣ giãn với mắt nhắm. Nhịp alpha giảm hoặc mất đi khi ngƣời bệnh mở mắt, hoặc nghe một âm thanh lạ, lo lắng, hoạt động trí óc. Khi nhắm mắt nhịp alpha lại xuất hiện. Nhịp alpha thƣờng có dạng hình sine hoặc tròn.

Trong một số ít trƣờng hợp, nhịp alpha có dạng nhƣ sóng nhọn.