Bài viết tiến hành thực nghiệm phân tích và đánh giá sự thay đổi entropy của tín hiệu EEG trước, trong và sau cơn động kinh. Xây dựng phần mềm phân tích chỉ số Sample entropy của tín hiệu điện não để tiến tới xây dựng công cụ tự động phát hiện các cơn động kinh trong các bản ghi điện não hỗ trợ cho các bác sỹ chuẩn đoán bệnh. Mời các bạn cùng tham khảo!
Trang 1Phân tích tín hiệu điện não trong các cơn động kinh
bằng phương pháp đánh giá entropy
Phạm Văn Thuận và Trần Ngọc Quang
Bộ môn Điện Tử Y Sinh-Khoa Kỹ Thuật Điều Khiển,
Học Viện Kỹ Thuật Quân Sự Email: thuanysinh@gmail.com, ngocquangbme@gmail.com
Abstract— Trong bài báo này chúng tôi tiến hành thực nghiệm
phân tích và đánh giá sự thay đổi entropy của tín hiệu EEG
trước, trong và sau cơn động kinh Xây dựng phần mềm phân
tích chỉ số Sample entropy của tín hiệu điện não để tiến tới xây
dựng công cụ tự động phát hiện các cơn động kinh trong các bản
ghi điện não hỗ trợ cho các bác sỹ chuẩn đoán bệnh
Keywords- EEG, Động kinh, Entropy, Sample entropy
I GIỚI THIỆU Tín hiệu điện não được xem như tổng các điện thế hoạt
động của các nơron thần kinh ở các vùng khác nhau của não và
được thu nhận bằng phương pháp điện não đồ EEG Thông
thường tín hiệu điện não đồ EEG được phân tích trong miền
tần số nhờ việc sử dụng phép biến đổi Fourier nhanh Các
nghiên cứu về sinh lý thần kinh đã chỉ ra rằng hệ thống nơron
thần kinh biểu hiện các tính chất của các tiến trình hỗn loạn và
phi tuyến.Vì vậy có thể sử dụng các phương pháp của lý
thuyết động lực phi tuyến để phân tích tín hiệu điện não, một
trong số đó là phương pháp phân tích entropy
Entropy thường được xem như là chỉ số mức độ hỗn loạn
của một hệ động lực và có thể dùng để phân tích tính không dự
báo trước của tín hiệu EEG [1] Đã có nhiều nghiên cứu dùng
entropy tín hiệu EEG để theo dõi độ sâu gây mê [3,4], đánh
giá giai đoạn giấc ngủ [5], , phát hiện các bệnh như alzheimer
[6], hay phát hiện các cơn động kinh [7,8,9] Bai và các cộng
sự [2] đã sử dụng entropy để phân tích tín hiệu điện não trong
các cơn động kinh và nhận thấy entropy giảm xuống trong cơn
Cách tiếp cận Entropy để phân tích tín hiệu y sinh được các
nhà nghiên cứu đặc biệt quan tâm bởi những yếu tố sau: thứ
nhất, khác với phương pháp tần số thì các phương pháp dùng
Entropy có tính đến môi trường phi tuyến của tín hiệu, thứ hai
là các phương pháp Entropy dùng mẫu ngắn, thứ ba là các
phương pháp Entropy ổn định trong nhiễu Entropy phụ thuộc
trực tiếp tín hiệu phân tích
Lần đầu tiên khái niệm entropy được Shannon đưa ra và xem
như là một đơn vị đo thông tin (vào giữa thế kỷ XX) Ông đề
xuất đánh giá thông tin trung bình (tính k dự báo) với xác suất
các khởi đầu của nó
2 1
N
i
(1)
với K là hằng số phụ thuộc vào đơn vị đo đã chọn và cơ số log (nếu k = 1 thì cơ số log là 2) và entropy đo bằng bit, Pi là xác suất của sự kiện i N là tổng số giá trị ban đầu
Khi tính toán thực tế thì xác suất Pi được thay bằng các đánh giá của nó - tần số xuất hiện chuỗi các biểu tượng trong không gian pha với chiều đã chọn Chiều L được hiểu số lượng mẫu của tín hiệu khảo sát trong chuỗi biểu tượng với i = 1 (N-L+1)
Entropy điều kiện được xác định như là hiệu các giá trị entropy không điều kiện xảy ra khi chuyển từ chiều không gian L-1 sang L
(2)
Để phân tích tín hiệu điện não EEG có thể dùng Entropy Shannon như là chỉ số mức độ có thể dự báo giá trị biên độ tín hiệu EEG, chỉ số này nhận được trên cơ sở đánh giá mật độ xuất hiện giá trị biên độ tín hiệu EEG trên khoảng khảo sát
Entropy xấp xỉ (AE - Approximate Entropy)
Một thuật toán biến thể tính Entropy do Kolmogorov đưa ra năm 1991 đó là Entropy xấp xỉ - thước đo mức độ phức tạp của
hệ thống Do thuật toán có thể tính toán với mẫu chọn ngắn (tới 1000 mẫu) và ổn định khi có nhiễu tác động nên thuật toán tính AE được dùng để phân tích dữ liệu online Thuật toán tính
AE được thể hiện như sau:
Chọn giá trị các tham số: m - độ dài của chuỗi phân tích (bản chất đó là chiều không gian), r - ngưỡng xác định kích thước ô không gian; r = 0.05 - 0.3, SDx - độ lệch chuẩn R - kích thước ô
Từ các giá trị mẫu rời rạc đã cho của tín hiệu x(i) tạo ra chuỗi độ dài m
X i x i x i x i m ii N m
Một chuỗi giá trị được hiểu như một điểm trong không gian m chiều Ví dụ: (m=2) trong mặt phẳng, (m=3) trong không gian 3 chiều Ở vùng lân cận mỗi điểm đó ta dựng một hình cầu bán kính R và đánh giá xác suất rơi vào bên trong hình cầu đó của các điểm khác (như vậy xác suất có thể coi là tần số rơi vào hình cầu bán kính R) Tổng các giá trị tần số (xác suất) được xem là giá trị không điều kiện của AE
(3)
1
1
1
1
N m
r i
C i
1
L E
Trang 2Trong đó C r ( )i - tần số rơi vào hình cầu i
Giá trị điều kiện của AE là hiệu của giá trị không điều kiện
khi chuyển từ không gian m chiều sang m+1, tức là:
(4)
Entroly lựa chọn (SE- Sample Entropy)
Entropy lựa chọn là một trong số Entropy dạng mới và cho
thấy kết quả rất tốt khi phân tích tín hiệu điện não so với các
phương pháp khác
Việc tính SE cũng giống như tính AE, tuy nhiên có một số
điểm khác như sau:
- Thay đổi thứ tự lấy logarit và tính trung bình
- Khi đếm số điểm rơi vào bên trong hình cầu bán kính R sẽ
không tính điểm ban đầu (điểm hiện thời), như vậy đánh giá
riêng xác suất sẽ giảm đi một:
1
1
N m
r i
…… (5)
1
( )
( )
m
m
r
SE m r N
r
Trong bài báo này chúng tôi sử dụng Sample Entropy để
đánh giá tín hiệu điện não EEG trước trong và sau cơn động
kinh, trên bộ cơ sở dữ liệu “CHB-MIT scalp EEG database”
được chia sẻ tại physionet.org
3.1 Dữ liệu phân tích
Dữ liệu phân tích khai thác từ cơ sở dữ liệu “CHB-MIT
scalp EEG database” được chia sẻ tại physionet.org Cơ sở dữ
liệu này được thu thập tại Bệnh viện Nhi Boston, bao gồm các
bản ghi EEG từ các bệnh nhân là trẻ em với các cơn động
kinh Các bệnh nhân này đã được theo dõi trong vài ngày sau
khi ngừng thuốc chống động kinh để xác định cơn động kinh
và đánh giá khả năng của họ khi can thiệp phẫu thuật
Tần số lấy mẫu của tất cả các bản ghi là 256 mẫu/giây, với
độ phân giải 16 bit Hầu hết mỗi bản ghi bao gồm 23 tín hiệu
EEG (một số tường hợp là 24 hoặc 26) với thời gian khoảng 1
giờ Vị trí gắn điện cực theo chuẩn 10 – 20 quốc tế, tên của
từng tín hiệu EEG được gắn theo các bản ghi
Trong tất cả các bản ghi có tổng cộng 198 cơn động kinh,
thời điểm bắt đầu và kết thúc của từng cơn động kinh đều
được ghi chú lại Các bản ghi trong cơ sở dữ liệu với những
thông tin rất đầy đủ, giúp cho nhóm tác giả có thể dễ dàng xác
định các tín hiệu EEG, các phân đoạn trước, trong và sau cơn
động kinh
Hình 1 là đồ thị biểu diễn 8 tín hiệu EEG của bản ghi
chb01_02 (bản ghi này không có cơn động kinh nào)
Hình 1 Tín hiệu EEG bản ghi chb01_02
Hình 2 Tín hiệu EEG bản ghi chb01_03 Hình 2 là đồ thị biểu diễn 8 tín hiệu EEG của bản ghi chb01_03, trích một đoạn trong cơn động kinh từ giây 2996 đến giây 3036 của bản ghi
3.2 Phần mềm xử lý dữ liệu
Nhóm nghiên cứu đã xây dựng công cụ phân tích tín hiệu điện não dựa trên phần mềm Matlab
Công cụ cho phép lựa chọn các bản ghi dữ liệu, lựa chọn khoảng thời gian, các kênh cần xử lý trên đoạn bản ghi đó đồng thời hiển thị hình ảnh tín hiệu EEG của bản ghi và sự biến thiên Sample Entropy theo thời gian đoạn khảo sát Ngoài ra, công
cụ còn cho phép tính toán giá trị trung bình của Sample Entropy trong từng khoảng thời gian ngắn tùy thuộc vào lựa chọn của người nghiên cứu
Mỗi giá trị Sample Entropy được tính trong khoảng thời gian 1 giây (256 mẫu)
1
AE( ) m m( ) r m( ) r
Trang 3Hình 3 Giao diện công cụ xử lý dữ liệu Trong bài báo này, chúng tôi thực hiện các phân tích đối với
các đoạn tín hiệu EEG có các cơn động kinh, trích đoạn phân
tích bao trùm khoảng thời gian trước, trong và sau cơn động
kinh ở mỗi bản ghi Giá trị trung bình Sample Entropy được
tính trong mỗi khoảng 15 giây tín hiệu
Bản ghi chb01_03_edfm có độ dài 3600s và có một cơn
động kinh bắt đầu từ giây thứ 2996 đến 3036, chúng tôi tiến hành phân tích trong khoảng thời gian từ 2850s đến 3150s
Hình 4 Tín hiệu điện não kênh 1 bản ghi chb01_03_edfm
Hình 5 Biến thiên Sample Entropy theo thời gian phân tích (kênh 1 bản ghi chb01_03_edfm)
Trang 4Hình 6 Biến thiên Sample Entropy theo thời gian phân tích (kênh 1-5 bản ghi chb01_03_edfm)
Trích đoạn phân tích (giây)
Giá trị Sample Entropy trung bình của các kênh
Ghi chú
2850-2865 0.0742 0.0699 0.0417 0.0477 0.0454 2865-2880 0.0469 0.0531 0.0411 0.0481 0.0246 2880-2895 0.0382 0.0421 0.041 0.0597 0.0182 2895-2910 0.0484 0.0528 0.0504 0.0732 0.0226 2910-2925 0.0524 0.0378 0.0346 0.0459 0.0199 2925-2940 0.0241 0.0399 0.0395 0.0841 0.0261 2940-2955 0.0241 0.037 0.0443 0.0605 0.0189 2955-2970 0.0207 0.0385 0.0392 0.0555 0.0179 2970-2985 0.0298 0.0454 0.0349 0.0673 0.0093 2985-3000 0.0195 0.0356 0.0308 0.0527 0.0215 3000-3015 0.0039 0.0046 0.0043 0.0057 0.0039 động kinh 3015-3030 0.0039 0.0039 0.004 0.0049 0.0039 động kinh 3030-3045 0.004 0.0043 0.0043 0.0065 0.0039 3045-3060 0.0061 0.0045 0.0048 0.0095 0.0065 3060-3075 0.022 0.009 0.01 0.016 0.012 3075-3090 0.015 0.0296 0.0109 0.0184 0.0131 3090-3105 0.0566 0.019 0.0136 0.0233 0.0346 3105-3120 0.0816 0.0324 0.0392 0.0697 0.049 3120-3135 0.0977 0.0326 0.0265 0.0311 0.0416 3135-3150 0.061 0.033 0.0258 0.051 0.0438
Bảng 1 Giá trị trung bình Sample Entropy của 5 kênh EEG (1-5) bản ghi chb01_03_edfm
thời gian từ 2850s đến 3150s Bản ghi chb01_16_edfm có độ dài 3600s và có một cơn
động kinh bắt đầu từ giây thứ 1015 đến 1066, chúng tôi tiến
hành phần tích trong khoảng thời gian từ 940s đến 1150s
Hình 7 Tín hiệu điện não kênh 7 bản ghi chb01_16_edfm
Trang 5Hình 8 Biến thiên Sample Entropy theo thời gian phân tích (kênh 7 bản ghi chb01_16_edfm)
Hình 9 Biến thiên Sample Entropy theo thời gian phân tích (kênh 6-10 bản ghi chb01_16_edfm)
Trích đoạn phân tích (giây)
Giá trị Sample Entropy trung bình của các kênh
Ghi chú
940-955 0.0057 0.0091 0.0093 0.0044 0.0048 955-970 0.0042 0.0061 0.0047 0.0041 0.0042 970-985 0.0041 0.0071 0.0053 0.0048 0.0044 985-1000 0.0044 0.0063 0.00412 0.0043 0.0045 1000-1015 0.004 0.005 0.0041 0.0039 0.004 1015-1030 0.004 0.005 0.0039 0.0039 0.0039 động kinh 1030-1045 0.0039 0.004 0.0039 0.0039 0.0039 động kinh 1045-1060 0.0039 0.0039 0.0039 0.0039 0.004 động kinh 1060-1075 0.0048 0.006 0.0044 0.0047 0.0039 1075-1090 0.004 0.005 0.004 0.004 0.004 1090-1105 0.0059 0.006 0.0064 0.0085 0.004 1105-1120 0.0055 0.006 0.0045 0.0059 0.0042 1120-1135 0.011 0.0073 0.0072 0.0067 0.006 1135-1150 0.018 0.011 0.0094 0.0093 0.0064
Bảng 2 Giá trị trung bình Sample Entropy của 5 kênh EEG (6-10) bản ghi chb01_16_edfm
thời gian từ 940s đến 1150s
Các kết quả phân tích cho thấy, trong thời điểm cơn động
kinh đang diễn ra thì giá trị Sample Entropy của tín hiệu EEG
ít biến thiên nhất và đạt giá trị trung bình nhỏ nhất Giá trị
trung bình đó xấp xỉ 0.004 Trước khi vào cơn động kinh thì
tốc độ biến thiên Sample Entropy giảm dần và tăng dần sau
cơn động kinh Có thể sử dụng giá trị entropy trong cơn để chính xác lại khoảng thời gian tồn tại cơn trong các bản ghi Như vậy, dựa trên kết quả phân tích tín hiệu điện não trong các cơn động kinh bằng phương pháp đánh giá entropy chúng
ta có thể tiến tới xây dựng được thuật toán và công cụ phần mềm để tự động phát hiện các cơn động kinh trong các bản ghi điện não
Trang 6TÀILIỆUTHAMKHẢO [1] Цветков О В Энтропийный анализ данных в физике, биологии
и технике СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2015 202 с
[2] D Bai, T Qiu, Li, The sample entropy and its application in EEG based epilepsy detection, J Biomed Eng 24 (1) (2007) 200–205
[3] Bruhn J et al Shannon entropy applied to the measurement of the electroencephalographic effects of des-flurane // Anesthesiology 2001 Vol 95 P 30-35
[4] Немирко А.П., Манило Л.А., Калиниченко А.Н., Волкова С.С Энтропийные методы оценки уровня анестезии по ЭЭГ-сигналу –
«Информационно-управляющие системы», №3, 2010
[5] Bruce Eugene N, Bruce Margaret C, Vennelaganti S Sample entropy tracks changes in EEG power spectrum with sleep state and aging // Journal of Clinical Neurophysiology 2009 Vol 26(4) P 257 – 266
[6] Abásolo D.,Hornero R., Espino P Entropy analysis of the EEG background activity in Alzheimer’s disease patients // Physiological Measure-ment 2006 Vol 27(3) P 241 – 253.
[7] Srinivasan, V., Eswaran, C., & Sriraam Approximate entropy-based epileptic EEG detection using artificial neural networks IEEE Transactions on information Technology in Biomedicine 2007.11(3); 288-295.
[8] Song, Y., & Liò, P A new approach for epileptic seizure detection: sample entropy based feature extraction and extreme learning machine Journal of Biomedical Science and Engineering, 2010 3, 556-556
[9] Song, Y., Crowcroft, J., & Zhang, J Automatic epileptic seizure detection in EEGs based on optimized sample entropy and extreme learning machine Journal of neuroscience methods 2012 210(2),
132-146
