Luận văn: Một số vấn đề xử lý tín hiệu EEG thực tế (ĐH Công nghệ - ĐHQGHN)

Luận văn thạc sĩ về xử lý tín hiệu EEG. Tìm hiểu các phương pháp phân tích, trích xuất đặc trưng và ứng dụng của tín hiệu điện não đồ. Nghiên cứu chuyên sâu về EEG.

Người đăng

Ẩn danh

Thể loại

Luận văn thạc sĩ

2011

74
0
0

Phí lưu trữ

30 Point

Mục lục chi tiết

MỞ ĐẦU

1. CHƯƠNG 1: CƠ SỞ VẬT LÝ VÀ Y - SINH CỦA ĐIỆN NÃO ĐỒ

1.1. Cơ chế phát sinh và các đặc trưng của các tín hiệu trong điện não đồ

1.1.1. Cơ chế Điện – Sinh lý của não

1.1.2. Các hoạt động điện trên màng tế bào não

1.1.3. Đặc điểm của các tín hiệu chính trong điện não đồ

1.2. Nguồn gốc và các đặc trưng tần số, biên độ của các loại nhiễu chính trong điện não đồ

1.2.1. Đặc điểm nhận dạng nhiễu mắt (Electrooculogram – EOG)

1.2.2. Đặc điểm nhiễu cơ (Electromyogram – EMG)

2. TRÌNH BÀY VÀ PHÂN TÍCH MỘT SỐ THUẬT TOÁN LOẠI NHIỄU MẮT VÀ NHIỄU CƠ TRONG TÍN HIỆU ĐIỆN NÃO

2.1. Kỹ thuật tách nguồn mù áp dụng cho phân tích các tín hiệu não đa kênh

2.2. Các kỹ thuật loại nhiễu mắt trong tín hiệu điện não

2.3. Thuật toán loại nhiễu EOG dựa trên trên kỹ thuật tách nguồn mù

2.4. Loại nhiễu EOG sử dụng phương pháp lọc thích nghi

2.4.1. Thuật toán LMS

2.4.2. Kỹ thuật H – infinite

2.4.3. Thuật toán RLS

2.5. Kỹ thuật tách nguồn mù ứng dụng loại nhiễu cơ

2.6. Phân tích quy tắc tương quan kết hợp kỹ thuật tách nguồn mù (BSS-CCA) loại nhiễu cơ trong tín hiệu điện não

2.7. Kỹ thuật phân tích tín hiệu điện não đồ sử dụng EMD

3. THU THẬP DỮ LIỆU ĐIỆN NÃO VÀ TIỀN XỬ LÝ DỮ LIỆU

3.1. Đo đạc và thu thập dữ liệu

3.1.1. Tiến hành đo đạc điện não đồ và thu thập dữ liệu điện não

3.2. Tiền xử lý dữ liệu điện não

4. PHÂN TÍCH VÀ XỬ LÝ NĂM VẤN ĐỀ THỰC TẾ KHI LOẠI NHIỄU MẮT VÀ NHIỄU CƠ TRONG TÍN HIỆU EEG

4.1. Phương pháp đánh giá chất lượng thuật toán với dữ liệu mô phỏng

4.2. Phương pháp đánh giá chất lượng thuật toán với dữ liệu thực

4.3. Lựa chọn các tham số tối ưu cho các thuật toán lọc thích nghi dùng kênh tham chiếu

4.3.1. Thuật toán LMS

4.3.2. Thuật toán RLS

4.3.3. Thuật toán EW

4.3.4. Thuật toán TV

4.4. Loại nhiễu mắt trong dữ liệu điện não thực có gai động kinh

4.5. Loại nhiễu mắt và nhiễu cơ trong bộ dữ liệu thực đa kênh

4.6. Mô phỏng ghép kênh tín hiệu loại nhiễu sau khi xử lý bằng kỹ thuật tách nguồn mù dựa trên tính chất tương quan của dữ liệu

4.7. Loại đồng thời nhiễu cơ và nhiễu mắt trong tín hiệu điện não

4.8. Phân tích các loại tín hiệu trong dữ liệu điện não đồ bằng phương pháp EMD

4.8.1. Các thành phần tín hiệu EEG

4.8.2. Các thành phần tín hiệu của dữ liệu điện não có nhiễu mắt

Tài liệu tham khảo

Tóm tắt

I. Tổng Quan Xử Lý Tín Hiệu EEG Luận Văn Thạc Sĩ Này

Luận văn thạc sĩ về xử lý tín hiệu EEG đi sâu vào việc giải mã và ứng dụng các tín hiệu điện não đồ để hiểu rõ hơn về hoạt động của não bộ. Điện não đồ (EEG) là một kỹ thuật ghi lại hoạt động điện của não thông qua các điện cực được đặt trên da đầu. Phân tích tín hiệu EEG đóng vai trò quan trọng trong chẩn đoán và nghiên cứu các bệnh lý thần kinh, theo dõi giấc ngủ, và phát triển giao diện não-máy tính (Brain computer interface). Nhiều nhà nghiên cứu trên thế giới đã xây dựng và phát triển nhiều kỹ thuật xử lý tín hiệu hiện đại ứng dụng trong phân tích và chẩn đoán chính xác tín hiệu điện não đồ để phát hiện bệnh. Luận văn này tập trung vào các vấn đề thực tế gặp phải khi xử lý tín hiệu EEG, đặc biệt là loại bỏ nhiễu và trích xuất thông tin hữu ích từ dữ liệu. Các kỹ thuật như lọc tín hiệu EEG, nhận dạng mẫu EEG, và phân loại tín hiệu EEG được nghiên cứu và phát triển để cải thiện độ chính xác và hiệu quả của việc giải mã tín hiệu não bộ. Việc phát hiện sớm bệnh động kinh có ý nghĩa quan trọng. Chẩn đoán động kinh hiện nay ở Việt Nam dựa chủ yếu vào phương pháp lâm sàng thông qua nhận biết các dấu hiệu hay triệu chứng của các cơn co giật lâm sàng. Luận văn này sử dụng hệ đo EEG dòng E-series của Compumedics để tiến hành đo tín hiệu điện não trực tiếp 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. Luận văn này sẽ trình bày các phương pháp sử dụng các thuật toán xử lý tín hiệu số cho phép chúng ta loại nhiễu mắt và nhiễu cơ trong tín hiệu EEG. Các thuật toán nhận dạng và loại nhiễu được các nhà nghiên cứu phát triển chủ yếu dựa trên hai kỹ thuật cơ bản là kỹ thuật phân tách nguồn mù và lọc thích nghi. Các tín hiệu sinh học thường có đặc điểm chung là tín hiệu gây nhiễu thường xuất hiện một cách ngẫu nhiên và không biết trước, nên áp dụng kỹ thuật BSS để xử lý các tín hiệu này là rất khả thi. Chính vì thế mà hiện nay, nhiều nghiên cứu đã dựa trên kỹ thuật tách nguồn mù để phát triển các thuật toán phân tích và loại nhiễu trong tín hiệu EEG.

1.1. Điện Não Đồ EEG Ứng Dụng Trong Nghiên Cứu Não Bộ

Điện não đồ (EEG) là một kỹ thuật không xâm lấn được sử dụng để ghi lại hoạt động điện của não bộ thông qua các điện cực đặt trên da đầu. Hoạt động điện này phản ánh sự giao tiếp giữa các tế bào thần kinh và tạo ra các dạng sóng đặc trưng liên quan đến các trạng thái khác nhau của ý thức, như thức, ngủ, và bệnh tật. EEG có nhiều ứng dụng, bao gồm chẩn đoán động kinh, nghiên cứu giấc ngủ, theo dõi độ sâu gây mê, và phát triển giao diện não-máy tính (Giao diện não-máy tính (BCI)).

1.2. Vai Trò Của Xử Lý Tín Hiệu Trong Nghiên Cứu EEG

Xử lý tín hiệu sinh học đóng vai trò then chốt trong việc trích xuất thông tin hữu ích từ dữ liệu EEG thô. Các kỹ thuật xử lý tín hiệu, chẳng hạn như lọc, phân tích tần số và phân tích thành phần chính, được sử dụng để loại bỏ nhiễu, xác định các đặc trưng quan trọng và phân loại các trạng thái não khác nhau. Xử lý tín hiệu giúp các nhà nghiên cứu và bác sĩ hiểu rõ hơn về hoạt động của não bộ và phát triển các phương pháp điều trị hiệu quả hơn cho các bệnh lý thần kinh.

1.3. Tổng Quan Về Các Loại Nhiễu Tín Hiệu EEG Thường Gặp

Tín hiệu EEG thường bị ảnh hưởng bởi nhiều nguồn nhiễu khác nhau, có thể làm giảm chất lượng dữ liệu và gây khó khăn cho việc phân tích. Các loại nhiễu phổ biến bao gồm nhiễu cơ (từ các cơ trên mặt và cổ), nhiễu mắt (từ chuyển động của mắt), nhiễu điện lưới (từ các thiết bị điện), và nhiễu do thiết bị đo. Loại bỏ nhiễu là một bước quan trọng trong quá trình xử lý tín hiệu EEG để đảm bảo độ chính xác của các kết quả phân tích.

II. Vấn Đề Thách Thức Xử Lý Tín Hiệu Điện Não EEG

Việc xử lý tín hiệu não bộ không hề dễ dàng. Sự phức tạp của tín hiệu EEG và sự đa dạng của các nguồn nhiễu đặt ra những thách thức đáng kể. Các tín hiệu EEG có biên độ thấp và dễ bị ảnh hưởng bởi nhiễu từ nhiều nguồn khác nhau, bao gồm cả hoạt động sinh lý và các thiết bị điện tử. Việc tách tín hiệu EEG mong muốn khỏi nhiễu đòi hỏi các thuật toán xử lý tín hiệu tiên tiến và các phương pháp loại bỏ nhiễu tín hiệu EEG hiệu quả. Ngoài ra, sự khác biệt giữa các cá nhân và sự biến đổi theo thời gian của tín hiệu EEG làm cho việc phát triển các phương pháp xử lý tín hiệu tổng quát trở nên khó khăn.

2.1. Khó Khăn Trong Loại Bỏ Nhiễu Tín Hiệu Điện Não EEG

Việc loại bỏ nhiễu trong tín hiệu EEG là một thách thức lớn do sự chồng chéo giữa các thành phần tần số của tín hiệu EEG và nhiễu. Các kỹ thuật lọc truyền thống có thể loại bỏ một phần nhiễu, nhưng chúng cũng có thể làm suy yếu các thành phần quan trọng của tín hiệu EEG. Các thuật toán EEG artifacts removal tiên tiến, chẳng hạn như phân tích thành phần độc lập (ICA) và lọc thích nghi, có thể hiệu quả hơn trong việc loại bỏ nhiễu mà không làm ảnh hưởng đáng kể đến tín hiệu EEG.

2.2. Tính Biến Động Giữa Các Cá Nhân Khi Phân Tích EEG

Tín hiệu EEG có tính biến động cao giữa các cá nhân, do sự khác biệt về giải phẫu não bộ, trạng thái sinh lý và các yếu tố môi trường. Điều này có nghĩa là các phương pháp xử lý tín hiệu được phát triển cho một cá nhân có thể không hoạt động tốt cho người khác. Các phương pháp học máy, chẳng hạn như học sâu (Deep learning EEG), có thể giúp giải quyết vấn đề này bằng cách học các đặc trưng EEG cụ thể cho từng cá nhân.

2.3. Vấn Đề Xử Lý Dữ Liệu EEG Đa Kênh Thời Gian Thực

Trong nhiều ứng dụng, cần xử lý dữ liệu EEG đa kênh và thời gian thực. Điều này đặt ra những thách thức về tính toán, vì các thuật toán xử lý tín hiệu phải đủ nhanh để theo kịp tốc độ thu thập dữ liệu. Các kỹ thuật song song hóa và các thuật toán được tối ưu hóa có thể giúp giải quyết vấn đề này.

III. Phương Pháp Lọc Thích Nghi Để Xử Lý Tín Hiệu EEG Hiệu Quả

Lọc thích nghi là một kỹ thuật mạnh mẽ để loại bỏ nhiễu và trích xuất thông tin hữu ích từ tín hiệu EEG. Các bộ lọc thích nghi tự động điều chỉnh các tham số của chúng để phù hợp với các đặc tính của tín hiệu EEG và nhiễu. Điều này cho phép chúng loại bỏ nhiễu một cách hiệu quả mà không làm suy yếu các thành phần quan trọng của tín hiệu EEG. Các thuật toán lọc thích nghi phổ biến bao gồm thuật toán trung bình phương tối thiểu (LMS), thuật toán bình phương tối thiểu đệ quy (RLS), và kỹ thuật H – infinite. Thuật toán LMS là một trong những thuật toán được ứng dụng rộng rãi trong xử lý tín hiệu số thích nghi được Widrow và Hoff áp dụng lần đầu vào năm 1960. Thuật toán RLS được cho là có tính hội tụ nhanh.

3.1. Giới Thiệu Về Thuật Toán LMS Trong Xử Lý EEG

Thuật toán trung bình phương tối thiểu (LMS) là một thuật toán lọc thích nghi đơn giản và hiệu quả. Nó hoạt động bằng cách điều chỉnh các tham số của bộ lọc để giảm thiểu sai số giữa tín hiệu đầu ra của bộ lọc và tín hiệu mong muốn. Thuật toán LMS có thể được sử dụng để loại bỏ nhiễu, loại bỏ tiếng vọng, và cân bằng kênh trong nhiều ứng dụng xử lý tín hiệu, bao gồm cả xử lý tín hiệu EEG. Với M là bậc của bộ lọc T Theo phương pháp này chúng ta sẽ cập nhật trọng số theo công thức sau: 1 (2.8) w(n+1)=w(n)-  2 max

3.2. Ưu Điểm Hạn Chế Của Thuật Toán RLS Trong Xử Lý EEG

Thuật toán bình phương tối thiểu đệ quy (RLS) là một thuật toán lọc thích nghi khác có tốc độ hội tụ nhanh hơn so với thuật toán LMS. Tuy nhiên, thuật toán RLS cũng phức tạp hơn và đòi hỏi nhiều tính toán hơn. Thuật toán RLS có thể được sử dụng để loại bỏ nhiễu, loại bỏ tiếng vọng, và cân bằng kênh trong nhiều ứng dụng xử lý tín hiệu, bao gồm cả xử lý tín hiệu EEG.

3.3. Ứng Dụng Kỹ Thuật H Infinite Trong Lọc Tín Hiệu Điện Não EEG

Kỹ thuật H-infinite là một trong các kỹ thuật thực hiện theo nguyên tắc lọc thích nghi. Nó có khả năng loại nhiễu trong tín hiệu EEG mà không cần giả sử gì về tính thống kê của tín hiệu. Để tối thiểu hàm lỗi trong trong bộ lọc thích kỹ thuật sử dụng phương pháp ước lượng tối thiểu giá trị cực đại (minmax) để tìm ước lượng tối ưu. Nguyên lý của kỹ thuật H – infinite là tối thiểu hóa các nguồn nhiễu ứng với kênh tham chiếu trong tín hiệu EEG. Kỹ thuật H - infinite sẽ ước lượng tín hiệu nhiễu z(n) chưa biết từ không gian vector tín hiệu nhiễu tham chiếu r(n).

IV. Tách Nguồn Mù BSS Phân Tích Tín Hiệu Điện Não Đa Kênh

Kỹ thuật tách nguồn mù (BSS) là một phương pháp mạnh mẽ để phân tích tín hiệu EEG đa kênh. BSS cố gắng tách các tín hiệu nguồn gốc từ các kênh EEG quan sát được mà không cần thông tin trước về các tín hiệu nguồn hoặc kênh truyền. Điều này làm cho BSS trở thành một công cụ hữu ích để phân tích tín hiệu EEG trong các tình huống mà các nguồn tín hiệu không được biết hoặc không thể đo trực tiếp. Một trong những phương pháp tách nguồn mù hữu hiệu hiện nay để loại nhiễu EOG được phát triển bởi Zhou và cộng sự đã khắc phục được một số nhược điểm của phương pháp ICA chuẩn. Thuật toán loại nhiễu EOG dựa trên trên kỹ thuật tách nguồn mù.

4.1. Nguyên Tắc Cơ Bản Của Kỹ Thuật Tách Nguồn Mù BSS

Kỹ thuật tách nguồn mù (BSS) thường còn được biết đến với các tên khác như kỹ thuật phân tích tín hiệu mù (blind signal decomposition) hay khai triển nguồn mù ( blind source extraction). Kỹ thuật BSS xử lý tín hiệu nhằm khôi phục lại các tín hiệu gốc từ một tập các tín hiệu quan sát được. Các tín hiệu này được giả sử là tổ hợp tuyến tính của các tín hiệu gốc. Ma trận tổ hợp được quyết định bởi kênh truyền. Thuật ngữ “mù” ở đây ám chỉ rằng không có thông tin tiền nghiệm (prior information) về ma trận trộn cũng như tín hiệu nguồn. Kỹ thuật này phù hợp với xử lý tín hiệu điện não vì chúng ta không biết các tín hiệu nguồn phát ra từ não.

4.2. Phân Tích Thành Phần Độc Lập ICA Trong Xử Lý Tín Hiệu EEG

Phân tích thành phần độc lập (ICA) là một kỹ thuật BSS phổ biến được sử dụng để phân tách tín hiệu EEG thành các thành phần độc lập. Mỗi thành phần độc lập đại diện cho một nguồn tín hiệu tiềm năng, chẳng hạn như hoạt động não, nhiễu cơ, hoặc nhiễu mắt. ICA có thể được sử dụng để loại bỏ nhiễu và trích xuất thông tin hữu ích từ tín hiệu EEG.

4.3. Loại Nhiễu Mắt EOG Sử Dụng Kỹ Thuật Tách Nguồn Mù

Nhiễu mắt (EOG) là một nguồn nhiễu phổ biến trong tín hiệu EEG. Chuyển động của mắt tạo ra các tín hiệu điện có thể chồng lên tín hiệu EEG và gây khó khăn cho việc phân tích. Các kỹ thuật BSS, chẳng hạn như ICA, có thể được sử dụng để loại bỏ nhiễu mắt khỏi tín hiệu EEG bằng cách xác định và loại bỏ các thành phần độc lập liên quan đến chuyển động của mắt.

V. Phân Tích Quy Tắc Tương Quan CCA Loại Nhiễu Cơ Trong EEG

Kỹ thuật phân tích quy tắc tương quan (CCA) là một phương pháp thống kê được sử dụng để tìm mối quan hệ tuyến tính giữa hai tập hợp biến. Trong xử lý tín hiệu EEG, CCA có thể được sử dụng để loại bỏ nhiễu cơ bằng cách xác định và loại bỏ các thành phần EEG liên quan đến hoạt động cơ. Khác với các cách trên, kỹ thuật này dựa trên phương pháp phân tích quy tắc tương quan thống kê (CCA). Kỹ thuật này có thể được coi như một ứng dụng của kỹ thuật xử lý nguồn mù (BSS).

5.1. Ứng Dụng CCA Để Xác Định Loại Bỏ Nhiễu Cơ

Nhiễu cơ là một nguồn nhiễu phổ biến trong tín hiệu EEG, đặc biệt là khi đo EEG trong khi người tham gia thực hiện các nhiệm vụ vận động. Hoạt động cơ tạo ra các tín hiệu điện có thể chồng lên tín hiệu EEG và gây khó khăn cho việc phân tích. CCA có thể được sử dụng để xác định và loại bỏ nhiễu cơ khỏi tín hiệu EEG bằng cách tìm mối quan hệ giữa tín hiệu EEG và tín hiệu điện cơ (EMG) được đo đồng thời.

5.2. Kết Hợp CCA Với Tách Nguồn Mù BSS CCA Để Tăng Hiệu Quả

Kết hợp CCA với các kỹ thuật BSS, chẳng hạn như ICA, có thể tăng hiệu quả của việc loại bỏ nhiễu cơ. BSS được sử dụng để phân tách tín hiệu EEG thành các thành phần độc lập, và CCA được sử dụng để xác định và loại bỏ các thành phần liên quan đến hoạt động cơ. Sự kết hợp của hai kỹ thuật này có thể loại bỏ nhiễu cơ một cách hiệu quả hơn so với việc sử dụng một kỹ thuật duy nhất.

5.3. So Sánh Ưu Nhược Điểm CCA Với Các Phương Pháp Khác

CCA có một số ưu điểm so với các phương pháp loại bỏ nhiễu khác. Nó có thể loại bỏ nhiễu cơ một cách hiệu quả mà không cần thông tin trước về các đặc tính của tín hiệu cơ. Tuy nhiên, CCA cũng có một số nhược điểm. Nó có thể phức tạp về mặt tính toán và có thể yêu cầu lượng lớn dữ liệu. Hơn nữa, CCA có thể không hiệu quả trong việc loại bỏ nhiễu cơ từ các nguồn sâu bên trong não.

VI. Ứng Dụng Thực Tiễn Của Xử Lý Tín Hiệu EEG Kết Luận

Việc tiếp tục phát triển các thuật toán xử lý tín hiệu EEG tiên tiến sẽ mở ra những cơ hội mới cho việc hiểu và điều trị các bệnh lý thần kinh, cũng như cho việc tương tác với thế giới xung quanh.

6.1. Chẩn Đoán Theo Dõi Bệnh Động Kinh Dựa Trên Tín Hiệu EEG

EEG là một công cụ quan trọng để chẩn đoán và theo dõi bệnh động kinh. Các cơn động kinh tạo ra các dạng sóng EEG đặc trưng có thể được xác định bằng các thuật toán xử lý tín hiệu. EEG cũng có thể được sử dụng để xác định vị trí của các nguồn động kinh trong não bộ, giúp lập kế hoạch phẫu thuật hoặc các phương pháp điều trị khác.

6.2. Phát Triển Giao Diện Não Máy Tính BCI Sử Dụng EEG

EEG có thể được sử dụng để phát triển giao diện não-máy tính (BCI) cho phép người dùng điều khiển các thiết bị bên ngoài bằng suy nghĩ của họ. Các thuật toán xử lý tín hiệu được sử dụng để giải mã ý định của người dùng từ tín hiệu EEG và chuyển chúng thành các lệnh điều khiển. BCI có thể giúp những người bị liệt hoặc các khuyết tật vận động khác tương tác với thế giới xung quanh.

6.3. Nghiên Cứu Giấc Ngủ Các Rối Loạn Giấc Ngủ Bằng EEG

EEG là một công cụ quan trọng để nghiên cứu giấc ngủ và các rối loạn giấc ngủ. Các giai đoạn khác nhau của giấc ngủ tạo ra các dạng sóng EEG đặc trưng có thể được xác định bằng các thuật toán xử lý tín hiệu. EEG cũng có thể được sử dụng để chẩn đoán các rối loạn giấc ngủ, chẳng hạn như chứng mất ngủ và chứng ngưng thở khi ngủ.

23/09/2025

Trích đoạn nội dung tài liệu

CHƯƠNG 1- CƠ SỞ VẬT LÝ VÀ Y - SINH CỦA ĐIỆN NÃO ĐỒ 1. Cơ chế phát sinh và các đặc trưng của các tín hiệu trong điện não đồ 1.1 Cơ chế Điện – Sinh lý của não Điện não đồ (EEG – Electroencephalogram ) đo và biểu diễn sự thay đổi điện thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não trên đồ thị máy tính. Thông qua các đặc trưng 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 trưng đó, các chuyên gia có thể đánh giá, phân tích các biểu hiện bất thường 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 thước khác nhau lằm làm tăng diện dích hệ thần kinh, với tổng diện tích hơn 2,5m 2 bao gồm hơn 10 tỉ nơ-ron thần kinh [10].

Vỏ não bao gồm 2 bán cầu đối xứng: bán cầu trái và bán cầu phải, được tách biệt bởi rãnh sâu. Mỗi bán cầu được chia thành bốn thùy khác nhau: thùy trán (frontal lobe), thùy thái dương (temporal lobe), thùy đ ỉnh (parietal lobe), thùy chẩm (occipital lobe) (hình 1. Mỗi vùng trên các thùy có các vai trò khác nhau: - Các vùng sơ cấp (chiếm diện tích tương đối nhỏ): các nơ-ron (các tế bào thần kinh được gọi chung là nơ-ron) trong vùng này có một mục đích cụ thể như 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 dương. - 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 được tích lũy trước đó. TIEU LUAN MOI download : skknchat@gmail. Phân chia các thùy trên vỏ não [10] 1.2 Các hoạt động điện trên màng tế bào não 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 được có nguồn gốc tại khớp (synapse) trong quá trình kích thích.

Sự kết nối các Nơ-ron [10] Biên độ của tín hiệu EEG liên quan tới mức độ đồng bộ của các nơ-ron khi chúng tương 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 được cộng lại. Ngược 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 như tình trạng tâm lý, lứa tuổi và phụ thuộc TIEU LUAN MOI download : skknchat@gmail.com 6 vào kỹ thuật đo như 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 được quan sát rõ nếu sự thay đổi này xảy ra gần các điện cực hoặc được 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 lượng các đặc trưng của tín hiệu EEG có ý nghĩa quan trọng trong nghiên cứu trạng thái của não.3 Đặc điểm của các tín hiệu chính trong điện não đồ 1.

Đặc điểm của tín hiệu điện não EEG EEG được đặc trưng 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 được 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 tượng đo ổn định trong một khoảng thời gian, các nhịp này có dạng tuần hoàn [10]. Các nhịp cơ bản được chia thành 5 dải.

+ Nhịp delta: tần số 0.5 - 4Hz + Nhịp theta: tần số 4-7,5Hz + 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 thường ở trẻ nhỏ, nhưng xuất hiện ở người lớn khi thức là dấu hiệu của các tổn thương 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 được quan sát dễ dàng khi có các hoạt động cảm xúc, tập trung hoặc các hoạt động trí óc. Thông thường, nhịp theta tăng cường 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 lượng lớn các nhịp theta không liên tục ở người lớn khi thức là dấu hiệu bất thường có nguyên nhân từ nhiều bệnh lý khác nhau[10].  Nhịp alpha: Nhịp alpha biến thiên trong khoảng 8-13,5Hz (chu kỳ sóng từ 75ms đến 125ms). Thông thường, biên độ của nhịp alpha không vượt quá 50μV. Nhịp Alpha bình thường bắt đầu xuất hiện ở trẻ em 3 tuổi với tần số 8Hz.

Alpha là nhịp nổi trội ở TIEU LUAN MOI download : skknchat@gmail.com 7 người lớn khi thức và thư giãn với mắt nhắm. Nhịp alpha giảm hoặc mất đi khi người 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 thường có dạng hình sine hoặc tròn.

Trong một số ít trường hợp, nhịp alpha có dạng như sóng nhọn. Trường hợp này, phần âm có dạng nhọn, phần dương có dạng tròn. Alpha là nhịp nổi trội nhất trong các nhịp quan sát được trong hoạt động điện não. Nhịp alpha đo được ở nửa sau của đầu, xuất hiện trên tất cả các thuỳ phía sau đầu, phân bố nhiều và có biên độ lớn nhất ở vùng chẩm.

Khoảng ¼ số người lớn bình thường rất khó quan sát nhịp alpha. Nhịp alpha bất đối xứng lớn hơn 50% giữa hai bán cầu được coi là bất thường, đặc biệt trong trường hợp biên độ bên trái lớn hơn bên phải[10].  Nhịp beta: Nằm trong miền tần số từ 14-30Hz (chu kỳ sóng từ 34ms đến 71ms), thường quan sát được trong khoảng 18-25Hz. Biên độ nhịp beta thông thường nhỏ hơn 20μV.

Nhịp beta có biên độ lớn hơn 25μV là bất thường. Đây là nhịp không đều, có biên độ nhỏ, quan sát trong lúc buồn ngủ, ngủ nhẹ hoặc hoạt động trí óc. Nhịp beta cũng xuất hiện ở giai đoạn giấc ngủ REM ở giai đoạn 3. Khi có sự hoảng loạn, nhịp beta tăng.

Nhịp beta quan sát thấy chủ yếu ở vùng trán và vùng trung tâm. Nhịp beta ở vùng trung tâm bị mất khi có các hoạt động vận động hoặc kích thích xúc giác. Nhịp này cũng tăng lên quanh các vùng có khối u hay các khuyết tật về xương. Beta là nhịp bình thường thấy ở người lớn [10].

 Nhịp gamma: Có tần số lớn 30Hz, biên độ nhỏ, tần suất xuất hiện thấp. Nhịp này liên quan với trạng thái hoạt động xử lý thông tin của vỏ não. Sử dụng một điện cực đặt trên vùng vận động và kết nối với kỹ thuật ghi độ nhạy cao, nhịp gamma có thể quan sát được khi di chuyển các ngón tay[10]. Đặc điểm tín hiệu động kinh (gai động kinh) Tín hiệu động kinh hay còn gọi là gai động kinh là biểu hiện sự thay đổi điện thế của vỏ não do các rối loạn kinh niên (mạn tính) được đặc trưng bởi các cơn không kích thích lặp đi lặp lại.

Trong tín hiệu EEG, các gai động kinh xuất hiện theo từng cơn do sự phóng điện đồng bộ, bất thường, quá mức và không điều khiển được của các nơ-ron thần kinh trong não. Các tín hiệu kích thích tăng cường các hoạt động điện của các nơ-ron, ngược lại các tín hiệu kiềm chế làm giảm hoạt động. Bình thường các tín hiệu này là cân bằng, tuy nhiên, sự bất cân bằng sẽ gây ra cơn động kinh Việc chẩn đoán động kinh dựa trên sự xuất hiện của các gai động kinh trên các đường điện não truyền thống không dễ dàng bởi vì các dấu hiệu bệnh lý rất khó phát hiện và các dấu hiệu này xảy ra bất kỳ. Để ghi nhận được một cơn động kinh, EEG phải được TIEU LUAN MOI download : skknchat@gmail.com 8 theo dõi trong nhiều giờ, thậm chí nhiều ngày.

Đây là một điều kiện không dễ gì thực hiện được. Do đó, các thầy thuốc chuyên khoa thần kinh trước hết sẽ tìm kiếm các dấu hiệu mách bảo trên các đường EEG được đo khi bệnh nhân ngoài cơn, để chẩn đoán hoặc ít nhất ghi nhận yếu tố đáng quan tâm. Dấu hiệu phổ biến là các gai (spike), nhọn (sharp), đa gai, các sóng chậm có biên độ lớn nằm tách biệt, phức hợp gai sóng đo được giữa các cơn. Sự khác biệt giữa gai và nhọn là khoảng thời gian: gai kéo dài ngắn hơn 70ms, sóng nhọn có thời gian kéo dài từ 70-200ms [10].

 Nhận dạng Gai động kinh (Spikes) Gai động kinh 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, được đặc trưng bởi đường đi lên dốc đứng tạo ra đỉnh nhọn, nổi bật trên các sóng cơ bản, biên độ tương đối lớn. Các dạng gai phổ biến được trình bày như trên hình 1. Dạng phức Hình 1.

Dạng phức hợp hợp gai – sóng [10] gai và sóng[10] đa gai [10] 1. Nguồn gốc và các đặc trưng tần số, biên độ của các loại nhiễu chính trong điện não đồ. Trong các tín hiệu điện não đồ chúng ta đo được thường xuyên xuất hiện các loại tín hiệu lạ không phải là tín hiệu điện não xuất phát từ da đầu, chúng được gọi là nhiễu (artifact). Các nhiễu này được chia thành hai nhóm chính.

Nhóm thứ nhất là nhiễu do thiết bị và mang tính hệ thống (do tiếp xúc điện cực và sai số thiết bị đo), loại nhiễu này thường khá dễ dàng nhận biết và loại bỏ vì nó có tính tương quan cao.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ