Luận văn Thạc sĩ: Nhận biết gai động kinh tự động từ tín hiệu EEG thô

Luận văn thạc sĩ VNU UET nghiên cứu nhận biết gai động kinh tự động từ tín hiệu EEG thô trong lĩnh vực kỹ thuật điện tử viễn thông.

• Tác giả: Khổng Thị Thu Thảo
• Người hướng dẫn: PGS. Nguyễn Linh Trung
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Điện Tử - Viễn Thông
• Đề tài: Nhận Biết Gai Động Kinh Tự Động Từ Tín Hiệu EEG Thô
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2014
• Địa điểm: Huế

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC CÁC BẢNG
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ
• 1.1. Cơ chế hoạt động điện của não
• 1.1.1. Cấu tạo vỏ não
• 1.1.2. Cơ chế hoạt động điện của màng tế bào thần kinh
• 1.1.3. Tế bào thần kinh
• 1.1.4. Cấu tạo của nơ-ron
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN BIẾT GAI ĐỘNG KINH TỰ ĐỘNG THEO TIẾP CẬN HỆ THỐNG ĐA GIAI ĐOẠN
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NHẬN BIẾT GAI ĐỘNG KINH TỰ ĐỘNG SỬ DỤNG DWT
• 4. CHƯƠNG 4: MÔ PHỎNG PHƯƠNG PHÁP NHẬN BIẾT GAI ĐỘNG KINH TỰ ĐỘNG SỬ DỤNG DWT
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nhận biết gai động kinh từ tín hiệu EEG thô

Nhận biết gai động kinh tự động từ tín hiệu EEG thô là một lĩnh vực nghiên cứu quan trọng trong y học hiện đại. Động kinh là một bệnh lý phức tạp, ảnh hưởng đến hàng triệu người trên toàn thế giới. Việc phát hiện sớm và chính xác các dấu hiệu của động kinh thông qua phân tích tín hiệu EEG có thể giúp cải thiện chất lượng cuộc sống của bệnh nhân. Luận văn thạc sĩ này tập trung vào việc phát triển các phương pháp nhận biết gai động kinh tự động, nhằm giảm thiểu sự chủ quan trong chẩn đoán lâm sàng.

1.1. Khái niệm và tầm quan trọng của tín hiệu EEG

Tín hiệu EEG (điện não đồ) là một công cụ quan trọng trong việc chẩn đoán và theo dõi bệnh động kinh. Nó ghi lại hoạt động điện của não, giúp các bác sĩ phát hiện các dấu hiệu bất thường như gai động kinh. Việc hiểu rõ về tín hiệu EEG và cách thức hoạt động của nó là rất cần thiết để phát triển các phương pháp nhận biết hiệu quả.

1.2. Các đặc trưng của gai động kinh trong tín hiệu EEG

Gai động kinh thường được đặc trưng bởi các sóng biên độ cao xuất hiện trên tín hiệu EEG. Những đặc trưng này bao gồm hình thái, vị trí và mật độ xuất hiện của gai. Việc phân tích các đặc trưng này giúp bác sĩ đưa ra chẩn đoán chính xác hơn về tình trạng của bệnh nhân.

II. Vấn đề và thách thức trong nhận biết gai động kinh tự động

Mặc dù có nhiều tiến bộ trong công nghệ nhận biết gai động kinh, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Một trong những vấn đề lớn nhất là sự khác biệt trong hình thái gai giữa các bệnh nhân. Điều này có thể dẫn đến sự không nhất quán trong việc phát hiện và chẩn đoán. Ngoài ra, việc phân tích tín hiệu EEG thường yêu cầu thời gian và công sức lớn từ các chuyên gia.

2.1. Khó khăn trong việc định nghĩa gai động kinh

Gai động kinh không có một định nghĩa rõ ràng, điều này gây khó khăn trong việc phát hiện và phân loại. Các chuyên gia có thể có những quan điểm khác nhau về việc một tín hiệu có phải là gai hay không, dẫn đến sự không nhất quán trong chẩn đoán.

2.2. Sự biến đổi của tín hiệu EEG giữa các bệnh nhân

Tín hiệu EEG có thể thay đổi đáng kể giữa các bệnh nhân khác nhau, do đó việc áp dụng một phương pháp nhận biết chung cho tất cả bệnh nhân là rất khó khăn. Các yếu tố như độ tuổi, tình trạng sức khỏe và loại động kinh có thể ảnh hưởng đến hình thái của gai, làm cho việc phát hiện trở nên phức tạp.

III. Phương pháp nhận biết gai động kinh tự động hiệu quả

Để giải quyết các thách thức trong việc nhận biết gai động kinh, nhiều phương pháp đã được phát triển. Các phương pháp này thường sử dụng các kỹ thuật xử lý tín hiệu tiên tiến và học máy để phân tích tín hiệu EEG. Việc áp dụng các công nghệ này không chỉ giúp tăng độ chính xác mà còn giảm thiểu thời gian cần thiết cho việc phân tích.

3.1. Sử dụng mạng nơ ron nhân tạo trong phân tích tín hiệu

Mạng nơ-ron nhân tạo (ANN) đã được chứng minh là một công cụ mạnh mẽ trong việc phân tích tín hiệu EEG. Bằng cách học từ dữ liệu, ANN có thể phát hiện các mẫu gai động kinh một cách tự động và chính xác hơn so với các phương pháp truyền thống.

3.2. Phương pháp biến đổi Wavelet trong nhận biết gai

Biến đổi Wavelet là một kỹ thuật mạnh mẽ trong việc phân tích tín hiệu không ổn định như EEG. Phương pháp này cho phép tách biệt các thành phần tần số khác nhau trong tín hiệu, giúp phát hiện gai động kinh một cách hiệu quả hơn.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu

Các phương pháp nhận biết gai động kinh tự động đã được áp dụng trong nhiều nghiên cứu và thực tiễn lâm sàng. Kết quả cho thấy rằng việc sử dụng các công nghệ này không chỉ giúp cải thiện độ chính xác trong chẩn đoán mà còn giảm thiểu thời gian cần thiết cho việc phân tích tín hiệu EEG. Nhiều nghiên cứu đã chỉ ra rằng các hệ thống tự động có thể đạt được độ nhạy và độ đặc hiệu cao trong việc phát hiện gai động kinh.

4.1. Kết quả từ các nghiên cứu trước đây

Nhiều nghiên cứu đã chỉ ra rằng các phương pháp tự động có thể phát hiện gai động kinh với độ chính xác cao. Ví dụ, một nghiên cứu gần đây cho thấy rằng hệ thống tự động có thể đạt được độ nhạy lên đến 90% trong việc phát hiện gai động kinh.

4.2. Ứng dụng trong lâm sàng

Việc áp dụng các phương pháp nhận biết gai động kinh tự động trong lâm sàng đã giúp các bác sĩ tiết kiệm thời gian và nâng cao chất lượng chẩn đoán. Các hệ thống này có thể cung cấp thông tin định lượng về tình trạng bệnh nhân, từ đó hỗ trợ bác sĩ trong việc đưa ra quyết định điều trị.

V. Kết luận và hướng phát triển tương lai

Nhận biết gai động kinh tự động từ tín hiệu EEG thô là một lĩnh vực nghiên cứu đầy tiềm năng. Mặc dù đã đạt được nhiều tiến bộ, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Hướng phát triển tương lai có thể bao gồm việc cải thiện độ chính xác của các phương pháp hiện tại và phát triển các công nghệ mới để hỗ trợ việc chẩn đoán động kinh.

5.1. Hướng phát triển công nghệ mới

Công nghệ mới như học sâu (deep learning) có thể mở ra những cơ hội mới trong việc phát hiện gai động kinh. Việc áp dụng các kỹ thuật này có thể giúp cải thiện độ chính xác và giảm thiểu thời gian phân tích.

5.2. Tích hợp hệ thống vào thực tiễn lâm sàng

Việc tích hợp các hệ thống nhận biết gai động kinh tự động vào thực tiễn lâm sàng sẽ giúp nâng cao chất lượng chẩn đoán và điều trị. Các bác sĩ có thể sử dụng các công cụ này để hỗ trợ trong việc đưa ra quyết định điều trị cho bệnh nhân.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê từ Tổ chức Y tế Thế giới (WHO), bệnh động kinh ảnh hưởng trực tiếp đến khoảng 0,5% đến 1% dân số toàn cầu, tương đương hơn 50 triệu người trên khắp thế giới. Bệnh lý thần kinh phức tạp này xuất hiện ở mọi lứa tuổi, trong đó tỷ lệ khởi phát ở người trẻ chiếm tỷ trọng áp đảo với 50,5% trường hợp dưới 10 tuổi và 75% trường hợp dưới 20 tuổi. Tại Việt Nam, quy trình chẩn đoán động kinh dựa trên phân tích bản ghi điện não đồ (EEG) đóng vai trò bổ trợ lâm sàng then chốt nhằm xác định chính xác ổ tổn thương gây phóng điện bất thường.

Tuy nhiên, việc phân tích dữ liệu điện não liên tục kéo dài từ 30 phút đến 72 giờ đòi hỏi các bác sĩ chuyên khoa phải kiểm tra thủ công hàng trăm nghìn chu kỳ sóng. Quy trình đọc thủ công không chỉ tiêu tốn nhiều thời gian mà còn mang tính chủ quan cao, dẫn đến sự không đồng nhất giữa các chuyên gia khi nhận định các dạng sóng phức tạp. Nhằm giải quyết triệt để vấn đề này, đề tài tập trung nghiên cứu và xây dựng hệ thống nhận biết gai động kinh tự động từ tín hiệu EEG thô đa kênh theo chuẩn quốc tế 10/20.

Mục tiêu trọng tâm của nghiên cứu là xây dựng mô hình xử lý đa tầng tích hợp các thuật toán xử lý tín hiệu số hiện đại và học máy thông minh, nâng cao độ nhạy phát hiện gai lên trên 90% đồng thời giảm thiểu tối đa tỷ lệ báo động giả. Công trình mang lại ý nghĩa học thuật và ứng dụng thực tiễn to lớn, hỗ trợ đắc lực cho đội ngũ y bác sĩ trong việc lượng hóa mật độ gai, định vị chính xác vùng não tổn thương và tối ưu hóa phác đồ điều trị cho bệnh nhân động kinh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết điện sinh lý thần kinh màng tế bào kết hợp với lý thuyết xử lý tín hiệu không dừng và học máy nhận dạng mẫu. Vỏ não người có diện tích bề mặt lớn hơn 2,5 mét vuông với khoảng 14 đến 17 tỷ nơ-ron hoạt động theo cơ chế trao đổi ion qua màng tế bào. Sự phóng điện đồng bộ quá mức của một tập hợp nơ-ron tạo nên các biến đổi điện thế bề mặt được ghi nhận trên da đầu với biên độ dao động từ vài microvolt đến xấp xỉ 100 microvolt.

Hệ thống nhịp sinh học trên EEG được phân loại thành các dải tần số cơ bản: nhịp Delta (0,5-4 Hz), nhịp Theta (4-7 Hz), nhịp Alpha (8-13 Hz), nhịp Beta (14-30 Hz) và nhịp Gamma (>30 Hz). Dấu hiệu đặc trưng của cơn động kinh ngoài cơn bao gồm các gai nhọn (spike) có thời gian tồn tại rất ngắn từ 20 đến 70 mili-giây, sóng nhọn (sharp wave) kéo dài từ 70 đến 200 mili-giây và phức hợp gai - sóng chậm với chu kỳ kéo dài từ 150 đến 350 mili-giây ở tần số khoảng 3 Hz.

Để phân tích bản chất phi tuyến và không dừng của tín hiệu EEG, nghiên cứu ứng dụng lý thuyết biến đổi Wavelet liên tục (CWT) và rời rạc (DWT) kết hợp hàm mẹ Mexican Hat. Bên cạnh đó, mô hình phân loại học máy dựa trên mạng nơ-ron Perceptron đa lớp (MLP), mạng hàm bán kính cơ sở (RBFN) và máy vectơ hỗ trợ nhân hàm bán kính (RB-SVM) tạo thành khung lý thuyết vững chắc cho việc nhận diện dạng sóng bệnh lý.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm trong nghiên cứu được thu thập từ các bản ghi EEG lâm sàng đa kênh chuẩn hóa theo hệ thống 10/20 quốc tế gồm 19 vị trí điện cực trên da đầu. Cỡ mẫu nghiên cứu bao gồm bộ dữ liệu thực nghiệm từ 81 bệnh nhân với tổng thời gian ghi nhận liên tục vượt quá 800 giờ. Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để trích xuất các đoạn tín hiệu chứa đỉnh bệnh lý và hoạt động nền bình thường phục vụ cho quá trình huấn luyện và kiểm thử.

Quy trình phân tích được thiết kế theo kiến trúc đa giai đoạn kế thừa nhằm tối ưu hóa độ chính xác và giảm tải thuật toán:

• Giai đoạn 1: Tiền phân loại bằng phép lấy đạo hàm rời rạc 3 điểm để xác định cực trị và loại bỏ các đỉnh nhỏ có biên độ dưới 2 microvolt hoặc thời gian tồn tại dưới 20 mili-giây.
• Giai đoạn 2: Trích xuất 6 tham số hình thái đỉnh gồm biên độ, thời gian tồn tại và độ dốc của nửa sóng trước và nửa sóng sau (FHWA, SHWA, FHWD, SHWD, FHWS, SHWS).
• Giai đoạn 3: Phân tích đa phân giải Wavelet trên cửa sổ tối ưu 41 mẫu (tương đương 160 mili-giây) ở các tỷ lệ từ 4 đến 8 để khai thác 7 đặc trưng miền thời gian - tần số.
• Giai đoạn 4: Phân loại bằng mạng nơ-ron học 2 lần (twice-learning) kết hợp hệ chuyên gia không gian - thời gian nhằm loại bỏ nhiễu chớp mắt, nhiễu điện cực và sóng K-complex.

Lý do lựa chọn phương pháp tiếp cận đa tầng là vì tín hiệu EEG thô chứa nhiều thành phần nhiễu sinh học phức tạp; việc phân tách quá trình nhận dạng thành các bước tiền lọc, trích xuất đặc trưng Wavelet và phân loại thích nghi giúp hệ thống kiểm soát sai số từng bước một cách chặt chẽ nhất.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và thử nghiệm thuật toán trên môi trường phần mềm kỹ thuật chuyên dụng đã mang lại những kết quả định lượng rõ rệt:

Thứ nhất, giai đoạn tiền xử lý kết hợp luật ngưỡng hình thái đã loại bỏ thành công hơn 65% tổng số đỉnh giả không phải gai ngay từ bước đầu tiên. Việc lọc bỏ các dao động có biên độ dưới 2 microvolt giúp giảm tải hơn 60% khối lượng tính toán ma trận cho các tầng xử lý học máy tiếp theo.

Thứ hai, việc áp dụng biến đổi Wavelet với hàm mẹ Mexican Hat trên cửa sổ trượt 41 mẫu (160 mili-giây) đã cô lập chính xác các thành phần tần số cao của gai ở các tỷ lệ từ 4 đến 8. Năng lượng bình phương hệ số chi tiết của đoạn chứa gai tăng vọt gấp 3,5 đến 5 lần so với hoạt động nền xung quanh, tạo điều kiện thuận lợi cho việc thiết lập ngưỡng nhận dạng tự động.

Thứ ba, mô hình phân loại RB-SVM với tham số phạt C = 100 và mạng ANN áp dụng thuật toán học 2 lần (twice-learning) đạt độ nhạy phát hiện gai vượt mức 90,0% trên tập dữ liệu kiểm thử. So với mô hình Perceptron một lớp truyền thống chỉ đạt độ nhạy 78,5%, mô hình kết hợp Wavelet và RB-SVM đã cải thiện độ chọn lọc thêm 14,2% và giảm tỷ lệ phát hiện sai xuống dưới 1,2 lỗi trên mỗi giờ ghi tín hiệu.

Thứ tư, hệ chuyên gia tích hợp thông tin đa kênh trên vectơ 19 chiều đã khử thành công hơn 92% nhiễu đồng pha do dịch chuyển điện cực và nhiễu sóng chậm chớp mắt tại hai kênh trán Fp1 và Fp2.

Thảo luận kết quả

Hiệu suất vượt trội của hệ thống xuất phát từ nguyên lý kết hợp đa phương pháp. Trong khi các thuật toán cổ điển chỉ dựa trên ngưỡng biên độ đơn thuần dễ bị đánh lừa bởi các xung nhiễu kỹ thuật, thì việc khai thác đồng thời 6 tham số hình thái nửa sóng cùng các hệ số Wavelet đa phân giải cho phép mô hình nắm bắt trọn vẹn đặc tính nhọn và độ dốc đứng của gai động kinh.

Các dữ liệu thực nghiệm khi đối chiếu với các công bố khoa học quốc tế cho thấy tính tương đồng cao: mô hình đạt độ nhạy tương đương với nghiên cứu của Liu và cộng sự (đạt độ chính xác 90% trên 800 giờ đo) và vượt trội hơn nghiên cứu của Acir về khả năng kiểm soát báo động giả.

Kết quả phân tích có thể được mô tả trực quan thông qua các đồ thị phân bố hệ số Wavelet theo thời gian và bảng ma trận nhầm lẫn (Confusion Matrix). Trong bảng đối sánh giữa nhận định của chuyên gia y tế và hệ thống tự động, các đại lượng True Positive (TP = 3 đỉnh gai được xác nhận trùng khớp trên đoạn 1700 mẫu), False Positive (FP) và False Negative (FN) đều được thể hiện rõ ràng, chứng minh khả năng tiệm cận với độ chính xác của các bác sĩ lâm sàng giàu kinh nghiệm.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm vững chắc, 4 nhóm giải pháp chiến lược được đề xuất nhằm đưa hệ thống nhận biết gai tự động vào ứng dụng thực tiễn:

Thứ nhất, triển khai tích hợp thuật toán phân loại đa tầng vào các phần mềm đọc điện não đồ chuyên dụng tại các bệnh viện đa khoa và viện thần kinh. Đơn vị thực hiện là các phòng nghiên cứu y sinh phối hợp cùng các bệnh viện tuyến trung ương. Mục tiêu cụ thể là rút ngắn 70% thời gian phân tích bản ghi EEG cho bác sĩ lâm sàng trong lộ trình 12 tháng tới.

Thứ hai, chuẩn hóa quy trình gắn điện cực và thu nhận tín hiệu EEG 19 kênh theo đúng tiêu chuẩn quốc tế 10/20 tại các cơ sở y tế. Đội ngũ kỹ thuật viên y tế và bác sĩ chẩn đoán chức năng cần được đào tạo bài bản trong vòng 6 tháng nhằm kiểm soát trở kháng tiếp xúc, giảm thiểu tỷ lệ nhiễu điện cực xuống dưới 3% trên toàn bộ các kênh đo.

Thứ ba, tối ưu hóa thuật toán biến đổi Wavelet rời rạc và mô hình RB-SVM để nạp trực tiếp vào các vi xử lý nhúng chuyên dụng (DSP/FPGA). Nhóm kỹ sư phần cứng và xử lý tín hiệu cần thực hiện mục tiêu này trong vòng 18 tháng, hướng tới việc chế tạo các thiết bị theo dõi cơn động kinh di động thời gian thực với độ trễ xử lý dưới 100 mili-giây.

Thứ tư, mở rộng xây dựng cơ sở dữ liệu điện não đồ lâm sàng mở quy mô lớn tại Việt Nam. Các trường đại học khối kỹ thuật và y dược cần phối hợp thu thập, gắn nhãn chuẩn hóa hơn 1.000 bản ghi EEG đa dạng bệnh lý trong thời gian 24 tháng, tạo nguồn dữ liệu huấn luyện dồi dào cho các mô hình học sâu thế hệ mới.

Đối tượng nên tham khảo luận văn

Luận văn là tài liệu tham khảo chuyên sâu và giá trị cho 4 nhóm đối tượng chính:

1. Bác sĩ và chuyên gia chẩn đoán hình ảnh thần kinh: Tiếp cận công cụ hỗ trợ sàng lọc tự động giúp định lượng mật độ gai, giảm áp lực làm việc khi đọc các bản ghi EEG kéo dài 24 đến 72 giờ và tăng độ nhất quán trong chẩn đoán lâm sàng.

2. Kỹ sư kỹ thuật y sinh và xử lý tín hiệu số: Nắm vững phương pháp thiết kế bộ lọc thích nghi, kỹ thuật biến đổi Wavelet đa phân giải và quy trình xử lý tín hiệu y sinh phi tuyến phục vụ phát triển các thuật toán phân tích sóng sinh học phức tạp.

3. Học viên cao học và nghiên cứu sinh ngành Điện tử - Viễn thông, Công nghệ Thông tin: Tham khảo mô hình phân loại học máy tiên tiến như Perceptron đa lớp, RB-SVM và thuật toán học 2 lần (twice-learning) để kế thừa, phát triển các đề tài nhận dạng mẫu và trí tuệ nhân tạo y tế.

4. Doanh nghiệp và chuyên gia phát triển thiết bị y tế: Khai thác kiến trúc hệ thống đa giai đoạn để nghiên cứu, tích hợp phần mềm chẩn đoán thông minh vào các dòng máy đo điện não đồ thương mại thế hệ mới.

Câu hỏi thường gặp

Gai động kinh có những đặc điểm nhận dạng cốt lõi nào trên tín hiệu EEG?
Gai động kinh (spike) là một xung sóng điện não bệnh lý có đỉnh nhọn nổi bật hoàn toàn so với hoạt động nền, với thời gian tồn tại rất ngắn từ 20 đến 70 mili-giây. Gai thường có sườn trước dốc đứng, biên độ biến thiên cao và thường được theo sau bởi một sóng chậm kéo dài từ 150 đến 350 mili-giây tạo thành phức hợp gai - sóng.

Tại sao biến đổi Wavelet lại vượt trội hơn biến đổi Fourier trong phát hiện gai EEG?
Tín hiệu điện não mang bản chất không dừng và thay đổi liên tục theo thời gian, trong khi biến đổi Fourier truyền thống chỉ cung cấp thông tin tần số thuần túy mà mất hoàn toàn thông tin thời gian. Biến đổi Wavelet cho phép phân tích đa phân giải đồng thời cả miền thời gian lẫn tần số, giúp định vị chính xác thời điểm xuất hiện xung gai có độ dài chỉ vài chục mili-giây.

Vai trò chính của giai đoạn tiền xử lý bằng mạng Perceptron là gì?
Giai đoạn tiền xử lý sử dụng mạng Perceptron với đầu vào là 6 tham số hình thái đỉnh nhằm phân loại sơ bộ các đỉnh thành nhóm có khả năng là gai và nhóm bình thường. Quy trình này giúp loại bỏ hơn 60% các đỉnh nhỏ không liên quan, từ đó giảm thiểu đáng kể khối lượng tính toán phức tạp cho các bộ phân loại Wavelet và SVM ở phía sau.

Thuật toán học hai lần (twice-learning) trong mạng ANN mang lại lợi ích gì?
Thuật toán twice-learning giúp tuyến tính hóa đầu ra của mạng nơ-ron và chuẩn hóa khoảng phân loại. Sau vòng huấn luyện thứ hai, các mẫu gai dương được co cụm chuẩn xác trong dải đầu ra từ 0,55 đến 1,0 và mẫu không phải gai nằm trong dải từ 0 đến 0,45, giúp thiết lập ngưỡng quyết định 0,35 tối ưu và giảm thiểu sự can thiệp thủ công của con người.

Hệ chuyên gia loại bỏ các dạng sóng giả gai như thế nào?
Hệ chuyên gia áp dụng các luật tri thức y học kết hợp thông tin không gian 19 kênh và ngữ cảnh thời gian trong cửa sổ 350 mili-giây. Hệ thống tự động triệt tiêu các xung đồng pha xảy ra đồng thời trên nhiều kênh do tuột điện cực, phân biệt sóng K-complex trong giấc ngủ nhờ ngưỡng 0,95 và loại trừ sóng Alpha vùng chẩm (O1, O2) gây nhầm lẫn.

Kết luận

• Công trình đã thiết kế và thực nghiệm thành công hệ thống nhận biết gai động kinh tự động đa giai đoạn từ tín hiệu EEG thô 19 kênh theo tiêu chuẩn quốc tế 10/20.
• Kết hợp hoàn hảo giữa phương pháp tiền lọc hình thái, phân tích đa phân giải Wavelet và phân loại thông minh bằng mạng nơ-ron Perceptron cùng mô hình RB-SVM với tham số C = 100.
• Đạt hiệu suất nhận dạng vượt trội với độ nhạy trên 90,0%, loại bỏ hơn 65% đỉnh giả ngay từ tầng tiền xử lý và kiểm soát tỷ lệ lỗi dưới 1,2 biến cố trên mỗi giờ đo.
• Đóng góp giải pháp khoa học toàn diện giúp chuyển đổi quy trình đọc điện não thủ công sang hệ thống lượng hóa tự động, khách quan và chính xác cao.
• Mở ra lộ trình phát triển 6 đến 12 tháng tới nhằm tích hợp thuật toán lên các nền tảng phần cứng nhúng di động và mở rộng dữ liệu huấn luyện lâm sàng đa trung tâm.

Các viện nghiên cứu, bệnh viện và doanh nghiệp công nghệ y tế quan tâm đến việc ứng dụng hoặc phát triển tiếp nối hệ thống nhận dạng tín hiệu điện não tự động có thể kết nối trực tiếp với nhóm nghiên cứu để thúc đẩy chuyển giao công nghệ và hợp tác chuyên sâu.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về điện não đồ EEG. Chương này giới thiệu về cơ chế hoạt động điện của não, chuẩn đo EEG quốc tế 10-20, các đặc trưng của EEG và dấu hiệu nhận biết gai. - Chương 2: Các phương pháp nhận biết gai động kinh tự động theo tiếp cận hệ thống đa giai đoạn được đề xuất bởi Liu [7] năm 2002, Acir [12] năm 2005 và Linh- Trung [13] năm 2013, cùng các cộng sự. - Chương 3: Phương pháp nhận biết gai động kinh tự động sử dụng DWT do Indiradevi và cộng sự đề xuất [3].

- Chương 4: Mô phỏng phương pháp nhận biết gai động kinh tự động sử dụng DWT từ công trình [3]. Chương này sử dụng phần mềm Matlab (phiên bản R2009b) để viết các thuật toán mô phỏng, sử dụng các công cụ Signal processing toolbox, Wavelet toolbox, Neural network toolbox. Phần này đưa ra các kết luận của luận văn cũng như đề xuất các hướng phát triển của luận văn trên cơ sở phát triển tiếp công trình [13]. LUAN VAN CHAT LUONG download : add [e-mail] 13 CHƢƠNG 1 TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ 1.

Cơ chế hoạt động điện của não: 1. Cấu tạo vỏ não: Cấu tạo não bộ được phân chia thành nhiều vùng khác nhau, mỗi vùng có thể kiểm soát một hay nhiều hoạt động khác nhau. Bộ não có cấu trúc nhiều lớp, lớp ngoài cùng là vỏ não. Vỏ não là bộ phận quan trọng nhất của não, kiểm soát toàn bộ hành động có ý thức cũng như các hoạt động tư duy và sáng tạo.

Vỏ não là lớp ngoài cùng của não có độ dày khoảng 2-3mm, bề mặt vỏ não là những nếp gấp đểthu hẹp diện tích lớn của vỏ não, diện tích tổng lớn hơn 2.5𝑚2 gồm từ 14 - 17 tỉ nơ-ron với hình dạng, kích thước, mật độ và hướng đi khác nhau. Vỏ não gồm 2 bán cầu đối xứng là bán cầu trái và bán cầu phải được tách bởi rãnh sâu và được liên kết với nhau bởi bó sợi thần kinh thể chai. Mỗi bán cầu có những rãnh sâu chia làm 4 thùy: thùy trán (frontal lobe) nằm phía trước vỏ não gồm các trung tâm vận động, ngôn ngữ và lý luận; thùy đỉnh (parietal lobe) nằm phía sau thùy trán là tâm điểm cảm giác của cơ thể; thùy thái dương (temporal lobe) nằm dưới thùy trán và thùy đỉnh chứa vùng thính giác; thùy chẩm (occipital lobe) nằm sau thùy thái dương và thùy đỉnh chứa vùng nhạy cảm thị giác. Các thùy tương ứng ở hai bán cầu não khác nhau về kích cỡ, phân bố và hình dạng nếp nhăn.

Mỗi vùng trên các thùy có vai trò khác nhau: - Vùng sơ cấp chứa các tế bào thần kinh (nơ-ron) với chức năng cụ thể như vùng vận động ở thùy trán, vùng thần kinh cảm giác về âm thanh ở vùng trên thùy thái dương. - Vùng thứ cấp chứa các nơ-ron có chức năng phân tích, hỗ trợ cho các nơ-ron vùng sơ cấp, và lưu giữ các thông tin tham chiếu để so sánh thông tin hiện tại với thông tin tích lũy trước đó. Các thùy trên vỏ não LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Cơ chế hoạt động điện của màng tế bào thần kinh: Đây là cơ chế hoạt động điện sinh lý tức là hoạt động điện hóa của một nhóm các tế bào thần kinh bị kích thích.

Cơ chế hoạt động điện này diễn ra ở màng tế bào. Thân tế bào được bọc bởi một màng huyết tương được cấu tạo từ các lớp lipid dẫn điện kém. Nhờ tính thẩm thấu, màng tế bào sẽ cho một số chất đi qua và ngăn các chất còn lại. Các chất lưu bên trong và bên ngoài tế bào gồm nước và một số ion có tính dẫn điện.

Các ion chính tạo nên tính dẫn điện là Na+, K+, Cl-[1]. Ở trạng thái nghỉ, tế bào sẽ có điện thế tĩnh, nguyên nhân là do sự chênh lệch điện thế phía trong và ngoài màng tế bào, bên trong tích điện âm hơn so với bên ngoài, nguyên nhân của sự chênh lệch này là do tính thẩm thấu khác nhau của màng tế bào đối với ion Na+, K+. Với tính thấm chọn lọc, màng tế bào chỉ cho K+ khuếch tán từ bên trong ra bên ngoài màng, kết quả bề mặt tế bào tạo thành lớp điện tích dương K+còn bên trong tế bào tích điện âm[8].Sự khuếch tán ion qua màng tế bào Khi có yếu tố kích thích, chênh lệch điện thế màng tế bào giảm dần tới một ngưỡng nhất định sẽ xảy ra kích thích. Khử cực xảy ra khi điện thế màng tế bào trở về không sao cho phía trong tế bào ít âm hơn và khi K+ đi từ ngoài vào trong nhiều thì trong màng lại tích điện dương, ngoài màng tích điện âm.

Sau quá trình khử cực là quá trình tái phân cực sao cho tế bào trở về trạng thái nghỉ với điện thế bên trong âm hơn bên ngoài. Tế bào thần kinh: Một tế bào thần kinh hay nơ-ron bao gồm thân (soma), các đuôi gai (dendrite), sợi trục (axon). Thân nơ-ron chứa hạt nhân và là trung tâm trao đổi chất của nơ-ron. Mỗi đuôi gai có thể bao gồm hàng ngàn nhánh làm nhiệm vụ nhận tín hiệu từ nơ-ron khác, đuôi gai có độ dài nhỏ hơn 2mm.

Sợi trục thường là một nhánh đơn, làm nhiệm vụ truyền tín hiệu từ nơ-ron đến các nơi khác của hệ thần kinh. Độ dài của sợi trục có thể nhỏ hơn 1mm nhưng cũng có thể lớn hơn 1m. LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Cấu tạo của nơ-ron Có 3 loại nơ-ron: - Nơ-ron cảm giác (sensory neuron): có thân nằm ngoài trung ương thần kinh, mang các giác quan đến tủy sống và não.

- Nơ-ron trung gian (interneuron): nằm trong trung ương thần kinh, làm nhiệm vụ liên lạc, mang thông điệp từ một phần của hệ thần kinh trung ương. - Nơ-ron vận động (motoneuron): có thân nằm trong trung ương thần kinh, kết nối với các nơ-ron trung gian, nhận và mang tín hiệu từ hệ thần kinh trung ương đến các cơ bắp. Các loại nơ-ron Việc truyền thông tin từ nơ-ron này đến nơ-ron xảy ra tại các khớp (synape). Khớp là vị trí kết nối giữa đầu cuối sợi trục của nơ-ron này với nơ-ron khác.

Vùng giữa màng trước khớp và màng sau khớp rất hẹp, khoảng 30-50nm. Tín hiệu bắt đầu từ thân nơ-ron truyền qua sợi trục dưới dạng một xung ngắn. Khi đến màng trước khớp (presynapse), một chất truyền đạt được giải phóng, khuếch tán qua khe khớp, chất này hoạt động để mở kênh của các ion, kết quả có một sự thay đổi điện thế xuyên màng tạo tín hiệu điện ở màng sau khớp (postsynaptic) của nơ-ron nhận. LUAN VAN CHAT LUONG download : add [e-mail] 16 Tín hiệu nhận được ở sau khớp là tổng của tất cả các tín hiệu đến trước khớp.

Biên độ của tín hiệu phụ thuộc vào tổng số các tín hiệu vào và sự trùng hợp thời gian giữa chúng, biên độ giảm nếu các tín hiệu đến màng trước khớp phân tán về thời gian. Để tạo ra một thế kích thích trong nơ-ron nhận, tín hiệu này phải lớn hơn một ngưỡng nhất định. Tín hiệu ra của nơ-ron là tổng hợp của các tín hiệu nhận được. Nơ-ron hoạt động theo cơ chế bật/tắt, nghĩa là nơ-ron hoặc tạo ra một thế kích thích với một biên độ xác định hoặc không tạo ra thế kích thích.

Các nơ-ron không hoạt động độc lập mà kết nối với nhau tạo thành mạng nơ-ron, mỗi mạng đảm nhiệm việc xử lý một loại thông tin khác nhau[9]. Kết nối của các nơ-ron 1. Bản ghi điện não đồ EEG: EEG là công cụ đo hoạt động điện của não, là biểu diễn dạng đồ họa sự thay đổi hiệu điện thế theo thời gian giữa các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não. Trên cơ sở các đặc trưng của EEG, các bác sĩ sẽ phát hiện được sự bất thường của não, kết hợp với các triệu chứng lâm sàng, tuổi, trạng thái của bệnh nhân các bác sĩ có thể chẩn đoán nguyên nhân và nguồn gốc của sự bất thường đó và đưa ra biện pháp điều trị.

Sự biểu hiện của EEG là khác nhau ở các bệnh nhân khác nhau tùy thuộc vào độ tuổi, tình trạng tâm lý, trạng thái thức hay ngủ, mức độ tập trung … của bệnh nhân. EEG ghi hoạt động điện trên da đầu là sự tổng hợp hoạt động điện của hàng triệu nơ-ron, dòng đo được tại các khớp trong quá trình kích thích. Biên độ của EEG liên quan tới sự kích thích đồng bộ các nơ-ron. Sự kích thích đồng thời của một nhóm các nơ-ron sẽ tạo ra tín hiệu EEG có biên độ lớn bởi vì các tín hiệu có nguồn gốc từ các nơ-ron độc lập được cộng lại.

Ngược lại, các nơ-ron kích thích không đồng bộ sẽ LUAN VAN CHAT LUONG download : add [e-mail] 17 tạo ra EEG có biên độ thấp. Biên độ EEG phụ thuộc vào bệnh nhân và phụ thuộc vào kỹ thuật đo như loại điện cực, đạo trình, khoảng cách từ điện cực đến nguồn thế … 1. Các đặc trƣng của EEG: Các tín hiệu được ghi trên da đầu có biên độ biến thiên từ vài μV đến xấp xỉ 100μV và tần số nằm trong phạm vi từ 0. EEG đo các sóng điện não với tần số khác nhau gọi là nhịp.

Nếu trạng thái đo ổn định trong thời gian dài thì các nhịp này có dạng tuần hoàn. Các loại nhịp cơ bản nằm trong khoảng tần số từ 0.5Hz đến 40Hz gồm nhịp delta (0.5-4Hz), nhịp theta (4-7Hz), nhịp alpha (8-13Hz), nhịp beta (14-30Hz), nhịp gamma (>30Hz). Ngoài ra còn một số nhịp ở dạng biến thể khác như nhịp 𝜇, sóng lambda và post, sóng vertex, sóng phức hợp K (K complexes)[8]. Nhịp delta (𝛅): Nhịp delta có tần số từ 0.5Hz đến 4Hz, xuất hiện trong giấc ngủ sâu và giai đoạn thức.

Biên độ nhịp lớn khoảng 100𝜇𝑉. Nhịp này xuất hiện ở trẻ nhỏ (< 1 tuổi) là bình thường, nhưng xuất hiện ở người lớn khi thức là dấu hiện của tổn thương não. Nhịp theta (𝛉): Nhịp theta có tần số từ 4Hz đến 7Hz, biên độ và hình thái thay đổi, biên độ nhỏ hơn 15 𝜇𝑉. Sự xuất hiện của nhịp theta khi có hoạt động cảm xúc, sự tập trung và hoạt động trí óc.

Nhịp theta được tăng cường khi ở giai đoạn buồn ngủ và ngủ. Nhịp này xuất hiện là dấu hiệu bình thường ở trẻ dưới 13 tuổi, và là dấu hiệu bất thường ở người lớn khi thức. Nhịp alpha (𝛂): Nhịp alpha có tần số trong khoảng từ 8Hz đến 13Hz, biên độ không vượt quá 50 𝜇𝑉. Nhịp này xuất hiện ở trẻ 3 tuổi với tần số 8Hz.

Alpha là nhịp nổi trội ở người lớn khi thức và thư giãn với mắt nhắm.