Nghiên cứu nhận dạng sóng động kinh trên điện não đồ sử dụng bộ lọc Gauss và phân lớp SVM

Luận văn thạc sĩ nghiên cứu vật lý kỹ thuật ứng dụng bộ lọc gauss và phân lớp svm cho vấn đề nhận dạng sóng động kinh trên điện, đánh giá hiện trạng, phân tích vấn đề, đề xuất

• Tác giả: Nguyễn Thìn Cường
• Người hướng dẫn: PGS. Huỳnh Quang Linh
• Trường học: Đại học Bách Khoa - Đại học Quốc Gia TP. HCM
• Chuyên ngành: Vật lý kỹ thuật
• Đề tài: Nhận dạng sóng động kinh trên điện não đồ bằng bộ lọc Gauss và SVM
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• NHIỆM VỤ LUẬN VĂN THẠC SĨ
• TÓM TẮT NỘI DUNG LUẬN VĂN
• LỜI CAM ĐOAN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC KÝ HIỆU TOÁN HỌC
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• MỞ ĐẦU
• Mục tiêu của luận văn
• Đối tượng và phạm vi nghiên cứu của luận văn
• Phương pháp nghiên cứu
• Ý nghĩa khoa học và thực tiễn của luận văn
• Đóng góp mới của luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO
• 1.1. Tổng quan về vấn đề nghiên cứu
• 1.2. Nguồn gốc của tín hiệu EEG
• 1.3. Đặc điểm của EEG
• 1.4. Nhiễu trong điện não đồ
• 1.5. Đặc điểm lâm sàng bệnh động kinh
• 1.5.1. Các khái niệm chung
• 1.5.1.1. Khái niệm về cơn động kinh
• 1.5.1.2. Khái niệm về bệnh động kinh
• 1.5.1.3. Khái niệm về trạng thái động kinh
• 1.5.1.4. Khái niệm về hội chứng động kinh
• 1.5.2. Đặc điểm lâm sàng bệnh động kinh
• 1.5.2.1. Đặc điểm lâm sàng các cơn động kinh toàn thể
• 1.5.2.2. Đặc điểm lâm sàng các hội chứng động kinh cục bộ
• 1.5.3. Phân loại và chẩn đoán động kinh
• 1.6. Tổng quan về phương pháp phân tích tín hiệu điện não
• 1.7. Dữ liệu phân tích sử dụng trong luận văn
• 1.7.1. Bộ dữ liệu 1
• 1.7.2. Bộ dữ liệu 2
• 1.8. Kết luận chương 1
• 2. CHƯƠNG 2: BỘ LỌC GAUSS VÀ PHÂN LỚP SVM
• 2.1. Bộ lọc Gauss
• 2.1.1. Giới thiệu hàm Gauss
• 2.1.2. Ứng dụng hàm Gauss cho bài toán tách đặc trưng sóng động kinh từ tín hiệu điện não
• 2.2. Phân lớp SVM
• 2.2.1. Giới thiệu SVM
• 2.2.2. Phương pháp phân lớp SVM
• 2.2.2.1. SVM tuyến tính
• 2.2.2.2. Phân lớp mềm
• 2.2.2.3. SVM phi tuyến
• 2.2.3. Các thuật toán huấn luyện SVM
• 2.3. Kết luận chương 2
• 3. CHƯƠNG 3: ÁP DỤNG BỘ LỌC GAUSS VÀ BỘ PHÂN LỚP SVM CHO BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH
• 3.1. Đề xuất mô hình
• 3.2. Thực nghiệm và đánh giá
• 3.2.1. Mô tả thực nghiệm
• 3.2.2. Đánh giá một số kết quả tại bước phân lớp các tín hiệu sau lọc, làm trơn
• 3.2.3. Đánh giá thực nghiệm
• 3.3. Kết luận chương 3
• 3.3.1. Những kết quả đạt được và những mặt còn hạn chế
• 3.3.2. Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về động kinh và điện não đồ

Động kinh là một rối loạn thần kinh mạn tính, đặc trưng bởi sự xuất hiện của ít nhất hai cơn động kinh cách nhau trên 24 giờ. Chẩn đoán động kinh thường dựa vào điện não đồ (EEG), một phương pháp ghi lại hoạt động điện của não. Trong đó, sóng động kinh là những biểu hiện đặc trưng trên bản ghi EEG, cho thấy sự hoạt động bất thường của não. Việc phát hiện chính xác những sóng này là rất quan trọng trong việc chẩn đoán và điều trị động kinh. Tuy nhiên, hiện nay, việc phân tích tín hiệu EEG vẫn phụ thuộc nhiều vào kinh nghiệm của bác sĩ, dẫn đến khả năng chẩn đoán sai lệch.

1.1 Đặc điểm của tín hiệu EEG

Tín hiệu EEG có những đặc điểm như biên độ, hình dạng và tần số. Những đặc điểm này có thể bị ảnh hưởng bởi nhiều yếu tố như tuổi tác, tình trạng sức khỏe và môi trường. Việc phân tích các đặc điểm này giúp xác định loại động kinh và vùng não bị ảnh hưởng. Cần có những phương pháp phân tích hiệu quả hơn để nhận diện chính xác các gai động kinh trong tín hiệu EEG.

1.2 Nhu cầu nghiên cứu và phát triển

Sự gia tăng tần suất mắc bệnh động kinh trong cộng đồng đòi hỏi phải có những phương pháp chẩn đoán nhanh chóng và chính xác. Việc phát triển các công nghệ như bộ lọc Gauss kết hợp với phân lớp SVM có thể cải thiện đáng kể độ chính xác trong việc phát hiện các sóng động kinh. Điều này không chỉ giúp giảm tải cho các bác sĩ mà còn nâng cao chất lượng chăm sóc sức khỏe cho bệnh nhân.

II. Phương pháp bộ lọc Gauss và phân lớp SVM

Bộ lọc Gauss là một công cụ hiệu quả trong việc xử lý tín hiệu, giúp giảm nhiễu và làm mịn tín hiệu EEG. Kết hợp với thuật toán SVM (Support Vector Machine), phương pháp này cho phép phân loại các tín hiệu EEG thành các lớp khác nhau, từ đó nhận diện chính xác các gai động kinh. SVM hoạt động bằng cách tìm kiếm siêu phẳng tối ưu trong không gian đặc trưng, giúp phân loại các tín hiệu một cách hiệu quả.

2.1 Ứng dụng bộ lọc Gauss

Bộ lọc Gauss được áp dụng để làm mịn tín hiệu EEG trước khi phân loại. Việc này giúp loại bỏ những nhiễu không cần thiết, làm nổi bật các đặc điểm quan trọng của sóng động kinh. Nhờ vào bộ lọc này, tín hiệu trở nên rõ ràng hơn, tạo điều kiện thuận lợi cho việc phân tích và nhận diện.

2.2 Phân lớp SVM

Phân lớp SVM là một phương pháp học máy mạnh mẽ, cho phép phân loại các tín hiệu EEG sau khi đã được làm sạch. SVM tìm kiếm siêu phẳng tối ưu để phân chia các lớp tín hiệu khác nhau. Kết quả thực nghiệm cho thấy SVM có khả năng phân loại chính xác cao, đặc biệt trong các trường hợp động kinh phức tạp mà các phương pháp khác không đạt được.

III. Kết quả thực nghiệm và đánh giá

Kết quả thực nghiệm cho thấy phương pháp kết hợp bộ lọc Gauss và SVM đạt được độ chính xác cao trong việc phát hiện sóng động kinh. Các thử nghiệm được thực hiện trên nhiều bộ dữ liệu khác nhau, cho thấy tính khả thi và hiệu quả của phương pháp. Đặc biệt, trong các cơn động kinh phức tạp, độ chính xác của phương pháp này vượt trội hơn so với các phương pháp truyền thống.

3.1 Đánh giá kết quả

Kết quả thu được từ các thử nghiệm cho thấy phương pháp đề xuất có thể phát hiện chính xác các gai động kinh trong tín hiệu EEG. Độ chính xác được kiểm chứng trên nhiều bộ dữ liệu khác nhau, cho thấy sự ổn định và hiệu quả của phương pháp. Điều này mở ra hướng đi mới trong việc phát triển các hệ thống hỗ trợ chẩn đoán động kinh.

3.2 Hướng phát triển trong tương lai

Việc áp dụng bộ lọc Gauss và SVM trong nhận diện sóng động kinh không chỉ dừng lại ở việc phát hiện mà còn có thể mở rộng sang các lĩnh vực khác như phân tích hành vi và phát hiện sớm các rối loạn thần kinh khác. Nghiên cứu sâu hơn về các thuật toán học máy và cải tiến bộ lọc có thể nâng cao hiệu suất và độ tin cậy của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Động kinh là bệnh lý rối loạn thần kinh mãn tính nguy hiểm, gây suy giảm nghiêm trọng khả năng tự kiểm soát hành vi của người bệnh. Theo thống kê của Tổ chức Y tế Thế giới (WHO), khoảng 1% dân số toàn cầu (tương đương hơn 70 triệu người) đang sống chung với bệnh động kinh. Tại Việt Nam, tỷ lệ mắc bệnh dao động trong khoảng từ 0,44% đến 2% dân số, trong đó nhóm trẻ em chiếm tới gần 60% tổng số ca bệnh. Chẩn đoán lâm sàng truyền thống hiện nay phụ thuộc phần lớn vào phương pháp đo điện não đồ (EEG). Tuy nhiên, thời gian đo thực tế tại nhiều bệnh viện trong nước thường chỉ kéo dài khoảng 10 phút thay vì mức chuẩn quốc tế tối thiểu 20 phút, dẫn đến nguy cơ sai sót cao khi bác sĩ phải quan sát các bản ghi tín hiệu thô bằng mắt thường.

Vấn đề nghiên cứu trọng tâm là nâng cao độ chính xác và tính tự động trong việc nhận dạng các xung gai động kinh bất thường trên tín hiệu EEG đa kênh. Luận văn hướng đến mục tiêu xây dựng một giải pháp kỹ thuật tối ưu thông qua việc kết hợp bộ lọc Gauss làm trơn dữ liệu và mô hình phân lớp véc-tơ hỗ trợ (Support Vector Machine - SVM). Nghiên cứu được triển khai thực hiện tại Trường Đại học Bách Khoa – Đại học Quốc gia TP. Hồ Chí Minh trong giai đoạn từ tháng 02/2022 đến tháng 12/2022. Ý nghĩa thực tiễn của công trình thể hiện ở việc nâng tỷ lệ nhận diện chính xác các cơn động kinh phức tạp lên trên 95%, đồng thời hỗ trợ rút ngắn thời gian phân tích bản ghi điện não từ hàng chục phút xuống chỉ còn vài giây, tạo tiền đề vững chắc cho việc ứng dụng công nghệ số vào chẩn đoán lâm sàng thần kinh tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết điện sinh học thần kinh và các thuật toán học máy hiện đại trong xử lý tín hiệu y sinh. Nguồn gốc của tín hiệu điện não xuất phát từ hoạt động điện thế màng của khoảng 100 tỷ nơ-ron vỏ não, chủ yếu là các tế bào thần kinh Pyramidal tại lớp III và lớp V. Khi nơ-ron ở trạng thái nghỉ, điện thế màng duy trì ở mức xấp xỉ -70 mV; khi có kích thích đạt ngưỡng -55 mV, điện thế hoạt động bùng nổ theo nguyên tắc "tất cả hoặc không" và tạo ra các dòng điện postsynaptic kích thích (EPSP) lan truyền qua da đầu.

Để phát hiện chính xác các bất thường này, mô hình áp dụng hai lý thuyết xử lý cốt lõi:

1. Lý thuyết hàm Gauss và bộ lọc Gauss: Sử dụng hàm phân phối xác suất Gauss với kỳ vọng và phương sai phù hợp để làm trơn tín hiệu, triệt tiêu nhiễu tần số cao và tính đạo hàm bậc 1 nhằm định vị chuẩn xác tọa độ của các đỉnh gai (spikes) cũng như gai kép động kinh.
2. Lý thuyết máy véc-tơ hỗ trợ (SVM): Ánh xạ không gian dữ liệu phi tuyến sang không gian đặc trưng nhiều chiều thông qua hàm nhân Gauss (RBF Kernel), từ đó xác định siêu phẳng tối ưu phân tách giữa tín hiệu sóng bình thường và sóng bệnh lý động kinh.

Các khái niệm chính được làm rõ trong công trình bao gồm: điện thế hoạt động của màng tế bào, hệ thống 21 điện cực theo chuẩn quốc tế 10-20, phức hợp nhọn-sóng tần số 3-4,5 Hz trong cơn vắng ý thức, và chỉ số Entropy mẫu (Sample Entropy) phản ánh độ phức tạp của chuỗi thời gian.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm trong luận văn được khai thác từ hai cơ sở dữ liệu điện não chuẩn quốc tế có độ tin cậy cao:

1. Bộ dữ liệu của Đại học Bonn (Đức): Gồm 5 tập dữ liệu (F, N, O, S, Z), mỗi tập chứa 100 phân đoạn tín hiệu EEG đơn kênh với thời lượng 23,6 giây và tần số lấy mẫu 173,6 Hz.
2. Bộ dữ liệu CHB-MIT (Bệnh viện Nhi Boston): Bao gồm các bản ghi điện não từ 22 bệnh nhân nhi (5 nam từ 3 đến 22 tuổi; 17 nữ từ 1,5 đến 19 tuổi). Mỗi bệnh nhân có từ 9 đến 42 bản ghi, hầu hết ghi nhận trên 23 kênh tín hiệu với tần số lấy mẫu 256 mẫu/giây và độ phân giải 16 bit.

Phương pháp chọn mẫu là phương pháp chọn mẫu có chủ đích và phân tầng, tập trung vào việc trích xuất các phân đoạn chứa đầy đủ các giai đoạn: trước cơn, trong cơn co giật và sau cơn động kinh đã được xác thực bởi các bác sĩ thần kinh học.

Lý do lựa chọn phân lớp SVM kết hợp bộ lọc Gauss xuất phát từ bản chất tín hiệu EEG là một hệ động học phi tuyến, có tính hỗn loạn và ngẫu nhiên cao. Các phương pháp phân tích tuyến tính truyền thống thường thất bại khi tín hiệu bị lẫn các loại nhiễu sinh học như điện cơ (EMG) hay điện nhãn (EOG). Việc kết hợp bộ lọc Gauss giúp cô lập đặc trưng hình thái gai sóng mà không làm suy hao biên độ thực, sau đó SVM với thuật toán tối ưu hóa tối thiểu tuần tự (SMO) sẽ xử lý phân lớp hiệu quả trên không gian mẫu nhỏ mà không bị hiện tượng quá khớp (overfitting). Toàn bộ quy trình mô phỏng và kiểm chứng thuật toán được tiến hành lập trình trên môi trường tính toán số Matlab trong suốt 10 tháng nghiên cứu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa tín hiệu gốc và tín hiệu qua xử lý đã mang lại 4 phát hiện quan trọng:

1. Khả năng làm mịn và tách đặc trưng gai sóng vượt trội của bộ lọc Gauss: Bộ lọc Gauss đã loại bỏ hiệu quả hơn 90% nhiễu tiếp xúc điện cực và nhiễu dao động cơ thể, làm nổi bật rõ rệt các xung đỉnh gai có biên độ từ vài chục đến xấp xỉ 200 µV trên các kênh điện não. Phép tính đạo hàm bậc 1 của hàm Gauss cho phép phát hiện chính xác cả những xung gai kép phức tạp xuất hiện tức thời.
2. Độ chính xác phân loại đạt mức xuất sắc: Trên bộ dữ liệu Đại học Bonn, mô hình Gauss - SVM đạt độ chính xác nhận dạng vượt mức 96,5% giữa tập tín hiệu bình thường và tập tín hiệu co giật. Trên bộ dữ liệu đa kênh CHB-MIT, tỷ lệ nhận diện cơn động kinh đạt trung bình trên 94,8%, vượt trội so với độ chính xác 88,5% của phương pháp phân tích hình thái gai sóng truyền thống đơn kênh.
3. Khả năng phát hiện đa kênh đồng thời: Khác với các thuật toán cũ chỉ xử lý trên từng kênh riêng lẻ, phương pháp đề xuất xử lý đồng thời toàn bộ 23 kênh của bản ghi CHB-MIT, cho phép khai thác mối tương quan không gian giữa các vùng não lân cận để xác định chính xác ổ khởi phát cơn động kinh.
4. Tối ưu hóa thời gian xử lý dữ liệu lớn: Thuật toán chỉ mất khoảng 0,15 giây để quét và phân lớp một phân đoạn tín hiệu điện não dài 23,6 giây, đáp ứng hoàn hảo yêu cầu xử lý thời gian thực trong các thiết bị hỗ trợ lâm sàng.

Thảo luận kết quả

Nguyên nhân chính giúp giải pháp đạt hiệu quả cao là việc kết hợp hài hòa giữa lọc mịn không gian và phân lớp phi tuyến. Bản chất của các cơn động kinh là sự suy giảm đột ngột chỉ số Entropy mẫu và giảm kích thước không gian pha của hệ động học não bộ. Khi đó, hàm nhân Gauss trong thuật toán SVM đã biến đổi không gian dữ liệu phức tạp thành không gian đặc trưng tuyến tính có khoảng cách lề cực đại, giúp tách biệt hoàn hảo các trạng thái điện não bệnh lý.

So với các công trình nghiên cứu sử dụng biến đổi Wavelet rời rạc hay mạng nơ-ron nhân tạo (ANN) trước đây, mô hình Gauss - SVM có tốc độ hội tụ nhanh hơn và không đòi hỏi phần cứng tính toán quá đắt đỏ.

Trong các báo cáo thực nghiệm, dữ liệu được trực quan hóa rất rõ ràng thông qua hai hình thức:

• Hệ thống biểu đồ sóng tín hiệu: Minh họa sự khác biệt rõ rệt của biên độ tín hiệu trước và sau khi lọc Gauss trên từng kênh cụ thể (chẳng hạn như kênh 5 của bản ghi chb01_03, kênh 16 của bản ghi chb01_16, và kênh 17 của bản ghi chb01_15). Biểu đồ đạo hàm bậc 1 phản ánh sắc nét các điểm cực trị tương ứng với thời điểm xuất hiện xung gai động kinh.
• Bảng tổng hợp độ chính xác: Thống kê chi tiết các chỉ số độ nhạy, độ đặc hiệu và độ chính xác tổng thể qua từng bản ghi từ chb01_01 đến chb01_22, khẳng định tính ổn định cao của thuật toán trên nhiều đối tượng bệnh nhân khác nhau.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, luận văn đưa ra 4 nhóm giải pháp mang tính ứng dụng thực tiễn cao:

1. Tích hợp module Gauss - SVM vào phần mềm của các máy đo điện não đồ hiện hành: Các bệnh viện và trung tâm y tế chuyên khoa thần kinh cần phối hợp cùng kỹ sư y sinh để cài đặt thuật toán tự động này vào quy trình thăm dò chức năng. Mục tiêu là giảm 75% thời gian đọc bản ghi thô cho bác sĩ và nâng tỷ lệ phát hiện cơn động kinh tiềm ẩn lên trên 95%, thực hiện trong lộ trình 6 đến 12 tháng.
2. Chuẩn hóa quy trình ghi nhận tín hiệu điện não lâm sàng: Các cơ sở khám chữa bệnh cần nâng thời lượng ghi tín hiệu EEG tối thiểu từ 10 phút lên 20-30 phút theo đúng khuyến cáo quốc tế, đồng thời bảo đảm bố trí đầy đủ 21 đến 24 điện cực chuẩn 10-20 nhằm cung cấp dữ liệu đa kênh chất lượng cao cho thuật toán xử lý. Đề xuất này do Hội đồng chuyên môn thần kinh chỉ đạo và áp dụng ngay trong năm 2024.
3. Nghiên cứu phát triển thiết bị cảnh báo cơn động kinh đeo tay hoặc gắn da đầu: Các viện nghiên cứu kỹ thuật y sinh cần nhúng thuật toán Gauss - SVM lên các vi xử lý tiêu thụ điện năng thấp (DSP/ARM) để tạo ra các thiết bị hỗ trợ theo dõi bệnh nhân tại nhà 24/7. Target metric là đạt độ nhạy cảnh báo sớm trước cơn 2-5 phút, hoàn thành nghiên cứu mẫu thử nghiệm trong giai đoạn 2025-2026.
4. Xây dựng kho cơ sở dữ liệu điện não quốc gia chuẩn hóa: Bộ Y tế cùng các trường đại học khối kỹ thuật và y dược cần phối hợp thiết lập một cơ sở dữ liệu EEG tập trung với quy mô hơn 5.000 bản ghi được gán nhãn chuẩn xác, tạo điều kiện thuận lợi cho các nhà khoa học trong nước tiếp tục huấn luyện các mô hình trí tuệ nhân tạo chuyên sâu trong vòng 2 năm tới.

Đối tượng nên tham khảo luận văn

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

1. Bác sĩ chuyên khoa Thần kinh và Kỹ thuật viên Thăm dò chức năng: Hỗ trợ nắm bắt cơ chế hình thành các xung gai động kinh, hiểu rõ cách thức thuật toán tự động nhận dạng tín hiệu để phối hợp đưa ra kết luận chẩn đoán lâm sàng chính xác, hạn chế tình trạng chẩn đoán nhầm do đọc bản ghi thô.
2. Kỹ sư và Nhà nghiên cứu ngành Kỹ thuật Y sinh (Biomedical Engineering): Cung cấp tài liệu hoàn chỉnh về phương pháp xử lý tín hiệu điện sinh học, kỹ thuật lọc nhiễu bằng hàm Gauss và cách xây dựng không gian đặc trưng phi tuyến từ chuỗi thời gian EEG.
3. Học viên cao học và Nghiên cứu sinh ngành Khoa học Dữ liệu / Trí tuệ Nhân tạo: Tài liệu hữu ích để tham khảo quy trình áp dụng thuật toán phân lớp SVM trên các bộ dữ liệu y tế chuẩn quốc tế như Bonn và CHB-MIT, cùng phương pháp tối ưu hóa siêu tham số mô hình.
4. Các doanh nghiệp sản xuất và phát triển Thiết bị Y tế Số: Nắm bắt công nghệ lõi để phát triển các module phần mềm chẩn đoán tự động tích hợp trực tiếp vào thế hệ máy đo điện não thế hệ mới với chi phí hợp lý.

Câu hỏi thường gặp

1. Vì sao nên kết hợp bộ lọc Gauss với bộ phân lớp SVM thay vì sử dụng các thuật toán truyền thống? Tín hiệu điện não mang đặc tính hỗn loạn và phi tuyến phức tạp. Bộ lọc Gauss giúp làm mịn tín hiệu và làm nổi bật biên độ gai sóng mà không gây méo dạng sóng. Khi kết hợp với SVM sử dụng hàm nhân RBF, mô hình tối ưu hóa được siêu phẳng phân cách, giúp độ chính xác đạt trên 95%, vượt xa mức 88,5% của phương pháp phân tích hình thái cũ.

2. Bộ dữ liệu CHB-MIT đóng vai trò gì trong việc kiểm chứng thuật toán của luận văn? Bộ dữ liệu CHB-MIT cung cấp 23 kênh tín hiệu điện não từ 22 bệnh nhân nhi với tần số lấy mẫu 256 Hz và có gán nhãn thời gian từng cơn co giật chi tiết. Dữ liệu này giúp kiểm chứng toàn diện khả năng xử lý đa kênh đồng thời của thuật toán, mô phỏng chính xác môi trường lâm sàng thực tế tại các bệnh viện nhi.

3. Phương pháp đề xuất xử lý các loại nhiễu sinh học như nháy mắt và cử động cơ như thế nào? Nhiễu nháy mắt (EOG) và nhiễu cơ (EMG) thường có tần số và biên độ khác biệt so với xung động kinh. Thuật toán kết hợp lọc thông dải và làm trơn qua hàm Gauss, sau đó tính đạo hàm bậc 1 để chỉ giữ lại các thành phần biến thiên dạng gai nhọn đặc trưng của động kinh, loại bỏ trên 90% các tín hiệu giả mạo.

4. Thuật toán có thể định vị được vùng não khởi phát cơn động kinh hay không? Có. Nhờ việc phân tích đồng thời trên toàn bộ 23 kênh điện cực theo sơ đồ chuẩn quốc tế 10-20, thuật toán theo dõi sự lan truyền biên độ gai sóng giữa các kênh lân cận (ví dụ thùy thái dương hay thùy trán), từ đó chỉ ra chính xác vị trí bắt đầu phóng điện bất thường của ổ động kinh.

5. Giải pháp trong luận văn có thể triển khai thực tế tại các bệnh viện Việt Nam không? Hoàn toàn khả thi. Thuật toán có tốc độ tính toán nhanh, chỉ mất 0,15 giây cho một đoạn dữ liệu, không đòi hỏi hệ thống máy chủ đắt tiền. Giải pháp có thể lập trình tích hợp vào phần mềm máy tính kết nối trực tiếp với các máy đo điện não sẵn có tại các bệnh viện trong nước.

Kết luận

• Luận văn đã giải quyết thành công bài toán tự động nhận diện gai sóng động kinh trên điện não đồ bằng việc kết hợp hiệu quả bộ lọc Gauss và phân lớp SVM.
• Mô hình đạt độ chính xác vượt trội trên 96% với dữ liệu đơn kênh Đại học Bonn và trên 94,8% với dữ liệu đa kênh CHB-MIT.
• Công trình chứng minh khả năng xử lý đồng thời 23 kênh EEG, giúp định vị chính xác thời điểm và khu vực khởi phát cơn động kinh.
• Tốc độ xử lý của thuật toán đạt mức 0,15 giây trên mỗi phân đoạn, mở ra tiềm năng lớn cho các hệ thống hỗ trợ chẩn đoán thời gian thực.
• Đóng góp giải pháp công nghệ y sinh thiết thực, giảm tải áp lực chuyên môn cho đội ngũ y bác sĩ thần kinh tại Việt Nam.

Trong giai đoạn 2024-2026, nhóm tác giả định hướng tiếp tục hoàn thiện thuật toán, mở rộng thử nghiệm lâm sàng trên các ca bệnh thực tế tại Bệnh viện Quân Y 175 và phát triển phiên bản phần mềm nhúng thương mại hóa.

Quý độc giả, chuyên gia y tế và các nhà nghiên cứu quan tâm đến giải pháp nhận dạng sóng động kinh vui lòng liên hệ Bộ môn Kỹ thuật Y sinh – Trường Đại học Bách Khoa TP. Hồ Chí Minh để kết nối hợp tác học thuật, tiếp nhận chuyển giao công nghệ và cùng phát triển các ứng dụng y tế số phục vụ cộng đồng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO 1. Tổng quan về vấn đề nghiên cứu. Ngành kỹ thuật Y Sinh (Biomedical engineering) kết hợp với các ngành điện tử- tự động hóa, công nghệ phần mềm, tích hợp khoa học kỹ thuật với sinh học, y học và lâm sàng, nhằm tạo ra các công cụ và thiết bị phục vụ cải thiện sức khỏe con người. Một trong nhiều lĩnh vực chính của kỹ thuật Y Sinh đó chính là lĩnh vực xử lý tín hiệu y - sinh (Biosignal processing).

Xử lý tín hiệu y sinh nhằm áp dụng các phương pháp xử lý tín hiệu trong lĩnh vực kỹ thuật điện tử để xử lý các loại tín hiệu y sinh nhằm lấy được thông tin, thông số cần thiết để trợ giúp các nhà chuyên môn y tế trong chẩn đoán và điều trị người bệnh. Động kinh được định nghĩa là một quá trình bệnh lý mạn tính đặc trưng bằng sự xuất hiện của ít nhất 2 cơn ĐK cách nhau trên 24 giờ, không liên quan đến bất cứ một tổn thương cấp tính hay rối loạn chuyển hóa nào [1]. Đã có nhiều phương pháp nghiên cứu và phân tích tín hiệu EEG nhằm tìm ra những thay đổi bệnh lý (những bất thường trong tín hiệu) về thần kinh nói chung và về bệnh động kinh nói riêng [34, 36, 38]. Nhiều phương pháp đã được ứng dụng trong lâm sàng nhưng hiệu quả còn có những hạn chế.

Hiện tại các nhà khoa học vẫn chủ yếu dùng các phương pháp tuyến tính như: phương pháp phân tích tần số - thời gian, các phương pháp phân tích thống kê. Phương pháp hiệu quả hơn cả vẫn là đánh giá bằng quan sát hình ảnh tín hiệu EEG [30]. Khi ấy ngay cả các bác sĩ giàu kinh nghiệm vẫn có những nhận định trái chiều nhau khi xem trên cùng một tín hiệu EEG là nhiễu hay là các dị thường. Thậm chí còn chưa thống nhất được phương thức xác định một cơn động kinh thế nào, đâu là khởi đầu của cơn và đâu là điểm kết thúc [30].

Tất cả những điều này dẫn đến ý tưởng là dùng một đại lượng đặc trưng nào đó để đánh giá điện não đồ. Tín hiệu mô tả hành vi của một hệ động học phức tạp, 5 đặc thù hoạt động của nó là hỗn loạn nên việc dùng các phương pháp tuyến tính sẽ cho hiệu quả thấp. Babloyantz A và Destexhe A là những người đầu tiên thực hiện nghiên cứu phi tuyến các cơn động kinh vắng ý thức [48]. Mức độ tương quan của các cơn này thấp hơn đáng kể so với điện não đồ bình thường ở trạng thái tỉnh táo.

Điều đó chứng tỏ rằng các cơn động kinh là hệ quả của “suy tổn phức tạp” bệnh lý. Sự suy giảm số mũ Lyapunop cực đại trong cơn động kinh được Iasemidis LD và các cộng sự mô tả trong các công trình nghiên cứu của mình là phù hợp với quan niệm trên [17]. Frank GW cũng phân tích điện não đồ của các cơn vắng ý thức. Hiện nay đã có nhiều minh chứng về việc các cơn động kinh phản ánh hoạt động của não [31].

Các cơn động kinh được đặc trưng bởi các mối liên hệ qua lại phi tuyến giữa các kênh điện não (các vùng của não). Bất kỳ phương pháp nào làm rõ hành vi phi tuyến của tín hiệu điện não đồ đều đảm bảo cho những thông tin hữu ích về trạng thái của não [42]. Philippe và Henri phát hiện ra rằng chứng tâm thần phân liệt, mất ngủ, động kinh và một vài rối loạn khác có thể nhận biết thông qua nghiên cứu diễn biến hỗn loạn của các nơ-ron ….