Xử lý tín hiệu điện não trong tưởng tượng vận động chi trên

Các điện cực được sử dụng trong mô hình lọc Laplacian được đánh dấu màu xanh còn màu cam là điện cực thu được lọc 37 Hình 1.21 a Định vị các đoạn tín hiệu tương ứng với chuyển động tưởng

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS.TS PHẠM VĂN BÌNH

2 TS PHẠM HẢI ĐĂNG

Hà Nội – 2016

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu trong luận án này là trung thực và chưa từng công bố trong bất kỳ công trình nào khác Tập thể giáo viên hướng dẫn Tác giả

Phạm Phúc Ngọc

LỜI CẢM ƠN

Đầu tiên tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy hướng dẫn khoa học PGS.TS Phạm Văn Bình và thầy đồng hướng dẫn TS Phạm Hải Đăng Các thầy là người định hướng cho tôi triển khai các ý tưởng khoa học và luôn tận tình hướng dẫn tôi trong suốt thời gian thực hiện luận án

Tôi cũng xin chân thành cảm ơn các Anh, Chị, em và các bạn đồng nghiệp tại

Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện, định hướng và giúp đỡ để tôi hoàn thành công trình nghiên cứu này

Tôi xin cảm ơn Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, bộ môn Mạch

& xử lý tín hiệu Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội, khoa Thần kinh Bệnh viện Bạch Mai đã hỗ trợ tôi về cơ sở vật chất, trang thiết bị nghiên cứu, các góp ý định hướng nghiên cứu và các kỹ thuật trong y học để tôi hoàn thành tốt công trình nghiên cứu của mình

Tôi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học, Viện Điện tử - Viễn thông trường Đại học Bách Khoa Hà nội đã tạo điều kiện cho tôi trong quá trình học tập và nghiên cứu

Tôi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EEG&Arm Rehabilitation đã hỗ trợ và cùng tham gia với tôi trong việc triển khai các thí nghiệm đo lường, phân tích tín hiệu điện não tại phòng thí nghiệm

Cuối cùng tôi xin chân thành cảm ơn Bố mẹ, vợ, con trai và những người thân trong gia đình luôn động viên về tinh thần, thời gian và vật chất để tôi có động lực thực hiện con đường nghiên cứu khoa học

Hà nội ngày …… tháng … ….năm……

Tác giả

Phạm Phúc Ngọc

MỤC LỤC

Trang

CHƯƠNG 1 HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ MÔ

HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN VẬN ĐỘNG

CỦA

NGƯỜI………

… 9

1.1 Hệ thần kinh điều khiển vận động……… … 9

1.1.1 Các hoạt động điện của

não………

….12

1.1.2 Điện thế hoạt động……… ……13 1.1.3 Tạo tín hiệu EEG……… ……14 1.1.4 Hệ thống điều khiển vận động của não……… ……18 1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động……… ……25 1.2 Mô hình xử lý tín hiệu điện não IHMv……… ……27 1.2.1 Xác định vị trí không gian điện cực thu nhận tín hiệu IHMv……… ……28 1.2.2 Nâng cao tỷ số SNR của tín hiệu……… ……31

1.2.2.1 Tăng cường chất lượng tín hiệu EEG dựa trên việc sử dụng

1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation)

từ bản ghi điện não đồ……… ……37 1.3 Kết luận chương……… ……46

CHƯƠNG 2 PHÁT TRIỂN BỘ ĐẶC TRƯNG MỚI NÂNG CAO ĐỘ

CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN LỚP

IHMv ĐẦU RA… ……… ……48

2.1 Phương pháp định lượng trên miền thời gian – tần số dựa trên biến đổi

wavelet……… ……53 2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu điều khiển vận động

IHMv……… ……59 2.3 Mô tả bộ cơ sở dữ liệu vận động/tưởng tượng vận động

Physionet……

……65

2.4 Đề xuất lựa chọn bộ thuộc tính mô tả tín hiệu IHMv bằng phương pháp

phân tích phương sai một chiều ANOVA theo chỉ số F và

CHƯƠNG 3 PHƯƠNG PHÁP PHÂN LOẠI BA PHÂN LỚP

IHMv……

……80

3.1 Xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv từ bộ đặc

trưng đề xuất và cấu trúc các

lớp………

……85

3.2 Mô hình máy vector hỗ trợ nhị phân SVM……… ……87

3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình

vector học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng

tượng vận động tay trái, tay phải và nghỉ……… ……95 3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại

3IHMv_SMV2……… ……99

3.5 Kết luận chương……… … 104

CHƯƠNG 4 XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA ĐỐI

TƯỢNG NGƯỜI VIỆT NAM……… … 105

4.1 Quy trình đo và xây dựng bộ dữ liệu điện não liên quan đến vận động

Nam………

….105

4.1.1 Hệ thống thu nhận dữ liệu điện não liên quan đến vận động/ tưởng

tượng vận động của đối tượng đo người Việt

nam………

… 106

4.1.2 Kết quả và đánh giá bộ dữ liệu……… … 114

4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định

ba phân lớp IHMv và hệ thống cánh tay robot hỗ trợ vận

động…………

….123

4.3 Kết luận chương……… … 125 KẾT LUẬN CHUNG……… ….127

mới………

….127

2 Hướng nghiên cứu tiếp……… ….129

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC CÔNG BỐ……… … 131 TÀI LIỆU THAM KHẢO……… … 132

1………

….143

PHỤ LỤC 2……… ….153 PHỤ LỤC 3……… ….157

4………

… 170

PHỤ LỤC

5………

… 173

DANH MỤC TỪ VIẾT TẮT

ANOVA Analysis of Variance Phân tích phương sai

AP Action Potential Điện thế hoạt động

AR Autoregressive Tự động hồi quy

ARMA Autoregressive Moving

Avarage

Tự đồng hồi quy trung bình dịch

AUC Area Under ROC Curve Diện tích dưới đường ROC

AVACC Average Accuracy Độ chính xác trung bình

BA4 Brodmann Area 4 Khu vực Brodmann 4

BA6 Brodmann Area 6 Khu vực Brodmann 6

BCI Brain Computer Interface Giao tiếp người – máy

CAR Common Average Reference Tham chiếu trung bình

CNS Central Nervous System Hệ thần kinh trung ương

CS_LDA Class Separability Linear

Discriminant Analysis

Phân chia lớp kết hợp với phân tích phân chia tuyến tính CSP Common Spatial Patterns Các thành phần không gian

chung CS_SVM Class Separability Support

Vector Machine

Phân tích lớp kết hợp vector máy hỗ trợ

DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc

EEG Electroencephalogram Điện não đồ

EMG Electromyography Điện cơ

ERD Event-Related

Desynchronization

Khử đồng bộ liên quan đến sự kiện

ERP Event – Related Potential Điện thế liên quan đến sự kiện ERS Event-related Synchronization Đồng bộ liên quan đến sự kiện ERSP Event-related spectral Phổ năng lượng hỗn loạn liên

perturbation quan đến sự kiện FFT Fast Fourier Transform Biến đổi Fourier nhanh

FIR Finite Impulse Response Đáp ứng xung hữu hạn

FMRI Functional Magnetic Resonance

Imaging

Cộng hưởng từ chức năng

FNR False Negative Rate Tỷ lệ âm tính giả

FPR False Positive Rate Tỷ lệ dương tính giả

HJ_ACT Hjorths Activity Thông số Hjorths hoạt động HJ_MOBI Hjorths Mobility Thông số Hjorths linh động ICA Independent Component

Analysis

Phân tích thành phần độc lập

ICMS Intracortical Microstimulation Vi kích thích trong hộp sọ IHMv Imagery Hand Movement Tưởng tượng vận động chi trên IPL Inferior Parietal Lobule Tiểu thùy đỉnh dưới

Lf_IHMv Imagery Left Hand Movement Tưởng tượng vận động tay trái LOG_EN Logarithm Entropy Logarit Entropy

M1 Primary Motor Cortex Vỏ não vận động chính

MEMD Multivariate Empirical Mode

Decomposition

Phương pháp MEMD

MI Mutual Information Thông tin chung

MMAV Modified Mean Absolute Value Giá trị sửa đổi trung bình tuyệt

đối MRCPs Movement-Related Cortical

NN Neural Network Mạng nơ ron

PLV Phase Lock Value Giá trị khóa pha

RBF Radial basis function Hàm RBF

Characteristic

Đường cong ROC

S1 Primary Somatosensory Cortex Vùng não cảm giác chính SHAN_EN Shannon Entropy Shannon Entropy

SMA Supplement Motor Area Vùng não vận động bổ sung

SNR Signal to Noise Ratio Tỷ lệ tín hiệu trên nhiễu

SPL Superior Parietal Lobule Tiểu thùy đỉnh trên

SSI Simple Square Integral Chỉ số năng lượng tín hiệu STFT Short Time Fourier Transform Biến đổi Fourier thời gian ngắn SVM Support Vector Machine Máy vector hỗ trợ

SSC Slope Sign Change Thay đổi chiều dốc

SWT Stationary Wavelet Transform Biến đổi wavelet ổn định TNR True Negative Rate Tỷ lệ âm tính thật

TPR True Positive Rate Tỷ lệ dương tính thật

WAMP Willison Amplitude Thuộc tính WAMP

WPICA Wavelet packet-based

independent component analysis

Phân tích thành phần độc lập dựa trên biến đổi wavelet

ZC Zero Crossings Tỷ lệ cắt không

DANH MỤC BẢNG

Trang Bảng 1.1 Mô tả giá trị tín hiệu trước lọc và tín hiệu sau lọc thông dải 33 Bảng 2.1 Các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8 mức

SWT

59

Bảng 2.2 Tóm tắt giá trị trung bình và phương sai của các thuộc tính

theo các phân lớp IHMv khác nhau

68

Bảng 2.3 Giá trị ANOVA F và p đối với từng đặc trưng băng tần α và

β trên kênh C3 và C4

75

Bảng 2.4 Nhóm 62 các thuộc tính sử dụng để xây dựng vector đặc

trưng phân lớp IHMv lựa chọn theo mô hình ANOVA

79

Bảng 3.1 Mô tả quyết định trạng thái phân lớp đầu ra của bộ phân loại 99 Bảng 3.2 Mô tả thông số kỹ thuật của bộ phân loại IHMv_SVM3 99 Bảng 3.3 Mô tả độ chính xác phân loại của bộ phân loại

3IHMv_SVM2

100

Bảng 3.4 Độ chính xác phân loại của mô hình phân loại SVM 2 tầng

với vector đặc trưng 6 thuộc tính (2 kênh x 3 băng tần)

DANH MỤC HÌNH

Trang Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não

(Cerebellum) và cuống não (brain stem)

10

Hình 1.2 Vị trí của Đại não chiếm phần lớn não người 10

Hình 1.3 Vị trí của tiểu não 11Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong

động tay và chân phải tưởng tượng

Hình 1.16 Sơ đồ điện cực 64 kênh theo tiêu chuẩn 10/20 29Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông

dải 1Hz-40Hz

33

Hình 1.18 a) Tín hiệu gốc trên kênh C3 b) Tín hiệu đã bị trễ với bộ lọc

thông thường c) Tín hiệu trên kênh C3 được lọc với bộ lọc

pha bằng không

35

Hình 1.19 Kiểm tra tương quan chéo cho thấy tín hiệu gốc và tín hiệu

lọc pha không đã được đồng bộ về mặt thời gian

35

Hình 1.20 Mô hình phân bố điện cực EEG 64 kênh Các điện cực được

sử dụng trong mô hình lọc Laplacian được đánh dấu màu

xanh còn màu cam là điện cực thu được lọc

37

Hình 1.21 a) Định vị các đoạn tín hiệu tương ứng với chuyển động

tưởng tượng

40

Hình 1.22 Biểu diễn của các đoạn tín hiệu sau khi phân tách khỏi bản

ghi điện não trên một kênh tín hiệu EEG

42

Hình 1.23 Bản đồ thời gian – tần số của đối tượng S04 (Physionet)

tương ứng với 3 trạng thái điều khiển vận động trên kênh C3

45

Hình 1.24 Bản đồ thời gian – tần số của đối tượng S04 (Physionet)

tương ứng với 3 trạng thái điều khiển vận động trên kênh C4

tuân theo chuẩn 10/20

Hình 3.1 Mô hình phân loại ba phân lớp IHMv 81 Hình 3.2 Mô tả ma trận dữ liệu huấn luyện 87 Hình 3.3 Mô tả ma trận nhãn 87 Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM

cho các mẫu thuộc hai phân lớp

88

Hình 3.5 Hàm Kernel sẽ ánh xạ các điểm từ mô hình 2D sang không

gian 3D

90

Hình 3.6 Giải thuật xây dựng mô hình phân loại cho bộ phân loại 2

tầng 3IHMv_SVM2 có sử dụng thuật toán tối ưu C và

Hình 3.8 Mô hình phân lớp ba trạng thái tưởng tượng vận động dựa

trên mô hình 2 tầng SVM phi tuyến

97

Hình 3.9 Mô hình huấn luyện của tầng phân loại SVM1 97 Hình 3.10 Mô hình huấn luyện tầng phân loại SVM2 98 Hình 4.1 Hình ảnh hệ thống 107 Hình 4.2 Mũ điện cực theo chuẩn quốc tế 10-20 107 Hình 4.3 Ký hiệu của chuấn quốc tế 10-20 107 Hình 4.4 Kiểm tra trở kháng tiếp xúc 108 Hình 4.5 Mô tả quá trình bơm gel dẫn điện lên các điện cực trước khi

Hình 4.7 Một số hình ảnh thiết kế thí nghiệm đo điện não của các đối

tượng người Việt Nam bằng thiết bị Exea Ultra

111

Hình 4.8 Hướng dẫn đối tượng thực hiện chuyển động tay trái hoặc tay

phải Các mũi tên lần lượt được xuất hiện trong các thời

điểm định sẵn

113

Hình 4.9 Thứ tự các sự kiện được thiết lập sẵn Các sự kiện này được

sắp xếp ngẫu nhiên để tránh đối tượng ghi nhớ quá trình

114

Hinh 4.10 Một số hình ảnh thực hiện quá trình ghi tín hiệu điện não tại

phòng thí nghiệm sử dụng hệ thống đo Exea Ultra và mũ

điện cực 19 kênh theo tiêu chuẩn 10/20

116

Hình 4.11 (a) Tín hiệu điện não khi tình nguyện viên P011 được đo trên

kênh C3 trước khi loại bỏ nhiễu đường biên và sau khi loại

bỏ nhiễu đường biên

118

Hình 4.12 Phổ tín hiệu kênh Fp1 trước và sau quá trình tiền xử lý bằng

bộ lọc FIR (1-40Hz)(Bản ghi P011E08)

118

Hình 4.13 Kết quả phân tách đoạn tín hiệu liên quan đến vận động của

thí nghiệm P011E08 (tưởng tượng chuyển động tay)

121

Hình 4.14 Mô hình hệ thống hỗ trợ vận động bằng sóng não 123 Hình 4.15 Ứng dụng tạo quyết định 3 phân lớp trạng thái đầu ra tín hiệu

điện não điều khiển tưởng tượng vận động chi trên dựa trên

bộ phân loại đề xuất

124

Hình 4.16 Khung cơ khí hoàn thiện 125 Hình 4.17 Giao diện thu nhận thông tin vận động 125

cơ giúp con người có thể thực hiện các vận động chủ động theo ý muốn Xét về mặt sinh lý học, não bộ của người là một tổ chức có cấu trúc phức tạp gồm hàng triệu các nơ ron thần kinh Các nơ ron thần kinh này phát đi các xung điện và được lan truyền theo tủy sống tới điều khiển các khu vực khác nhau trong cơ thể qua hệ thống sợi trục thần kinh và các gai thần kinh Quá trình thu nhận và xử lý các thông tin điều khiển vận động của não bộ bằng kỹ thuật đo không xâm lấn điện não đồ đa kênh EEG và tạo ra tín hiệu điều khiển vận động có nhiều ý nghĩa trong thực tiễn Luận án tập trung nghiên cứu các tín hiệu não bộ liên quan đến điều khiển vận động

Vận động chi trên của người là một vận động quan trọng giúp con người có thể thực hiện các hoạt động cần thiết hàng ngày của con người như cầm nắm vật, vệ sinh hay mặc quần áo Sóng não điều khiển tưởng tượng vận động chi trên (IHMv

- Imagery Hand Movement) là một hoạt động của não bộ khi con người tưởng

tượng hoặc suy nghĩ về điều khiển vận động chi trên mà không tạo ra chuyển động thật Việc nghiên cứu các tín hiệu này sẽ giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người Bên cạnh đó, các thông tin này cũng

sẽ giúp tạo sợi dây liên lạc mới từ não bộ tới thế giới xung quanh Điều này rất có ý nghĩa thực tiễn khi con người có thể sử dụng các thông tin điều khiển từ não bộ để tạo ra các chuyển động cho các thiết bị ngoại vi hoặc giao tiếp với máy tính Hơn nữa, việc phân giải được các thông tin điều khiển vận động từ sóng não còn có ý nghĩa to lớn trong y học, đặc biệt là đối với các bệnh nhân trải qua các cơn đột quỵ, hoặc các bệnh nhân mắc hội chứng khóa trong (locked -in) (các bệnh nhân bị

Amyotrophic Lateral Sclerosis) bị mất kết nối giữa hệ thần kinh trên và hệ thần kinh dưới nhưng khả năng tưởng tượng vận động hoặc vận động thật của các đối tượng này vẫn được duy trì [57], [13], [33] Nghiên cứu về các hoạt động tưởng tượng vận động có thể sử dụng như một phương pháp huấn luyện phục hồi chức năng đối với những người bị liệt chi sau đột quỵ [54], [100], [20], [40], [19], hoặc kết hợp giữa tưởng tượng vận động với các thiết bị robot hỗ trợ phục hồi chức năng [49], [68], [82], [44], [53], [106] Như vậy có thể thấy, cần thiết phải khai thác và phân giải được các thông tin điều khiển vận động từ sóng não và tạo ra được các tín hiệu điều khiển vận động từ sóng não sẽ có vai trò trò rất lớn trong các hệ thống hỗ trợ vận động, giao tiếp người máy BCI hoặc các thiết bị chân tay giả được điều khiển bởi hệ thống thần kinh Trong nghiên cứu của luận án, tác giả tập trung nghiên cứu về các tín hiệu tưởng tượng vận động của chi trên của người

Tuy nhiên các hệ thống phân giải sóng điện não liên quan đến tưởng tượng vận động chi trên vẫn còn tồn tại một số thách thức như vấn đề độ tin cậy, chính xác của hệ thống, thời gian thiết lập và tốc độ xử lý còn chậm, chưa đáp ứng được các ứng dụng thời gian thực Như ta biết, sóng điện não IHMv là tín hiệu phức tạp khi phân tích và có bản chất không dừng nên khi xây dựng các hệ thống phân giải sóng điện não IHMv cần thiết phải quan tâm nghiên cứu phát triển các thuộc tính giúp đặc tả tín hiệu Có một số phương pháp xây dựng bộ đặc trưng IHMv được phát triển để nâng cao độ chính xác phân lớp IHMv như xác định chỉ số khóa pha PLV của các cặp điện cực trên hai nửa bán cầu não [10], sử dụng sự biến thiên năng lượng và công suất của tín hiệu dựa trên quá trình suy giảm đồng bộ và tăng đồng

bộ trong và trước khi xảy ra quá trình vận động tại băng tần µ (Mu) và β (beta) [113], [93], [76], [132], [88], [21], hoặc sử dụng mô hình tự hồi quy (AR), trung bình dịch tự động hồi quy (ARMA) [25], [16], các thông số đặc tả tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet [23], [89] Trong các phương pháp tiếp cận trên, phương pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet là một phương pháp tiếp cận hiệu quả do tính đơn giản, ít phép biến đổi tín hiệu và có thể áp dụng trên số kênh đo ít hơn Do đó luận án tập trung xây dựng

nhóm thuộc tính đặc trưng cho tín hiệu IHMv theo phương pháp phân tích tín hiệu trên miền thời gian - tần số dựa trên biến đổi wavelet nhằm tăng độ chính xác và độ tin cậy của hệ thống

Để đạt được độ chính xác và xử lý nhanh phân lớp IHMv, các hệ thống ra quyết định phân loại phải kết hợp sử dụng mô hình định lượng tín hiệu vận động từ nhiều điện cực CSP [42], lọc không gian [131], ICA [75], WPICA [133] hoặc định lượng tín hiệu vận động dựa trên một số điện cực trên khu vực vỏ não vận động và kết hợp với các mô hình vector học máy CS_SVM, CS_LDA [98], [125] hoặc mạng nơron để ra quyết định phân nhóm tín hiệu Hiện nay, đối với bài toán phân loại các nhóm IHMv, các phương pháp được đề cập ở trên đã sử dụng các mô hình phân loại với vector đặc trưng được xây dựng dữ liệu nhiều điện cực và áp dụng chủ yếu cho bài toán phân lớp hai trạng thái đầu ra (giữa tưởng tượng chuyển động tay trái và tay phải hoặc trường hợp có vận động tay và trạng thái nghỉ) Như vậy, để có thể tăng cường khả năng ứng dụng của hệ thống tạo tín hiệu điều khiển vận động từ sóng não vận động lên các hệ thống hỗ trợ vận động, luận án tập trung nghiên cứu phương pháp phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não IHMv có độ chính xác phân loại, tốc độ xử lý cao và tăng số phân lớp đầu ra

Tình hình nghiên cứu trong nước

Hiện nay trong nước tại các cơ sở y tế, do nhu cầu về việc khám chữa bệnh lớn nên việc sử dụng hệ thống điện não EEG chủ yếu được áp dụng trong các nghiên cứu về hệ thần kinh và chẩn đoán bệnh lý của não bộ như theo dõi các giai đoạn của giấc ngủ, tổn thương não bộ, bệnh động kinh Các bác sỹ đầu ngành và các chuyên gia nghiên cứu về thần kinh cũng đã nhìn thấy được tiềm năng của các tín hiệu điện não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi với các bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt Điều này cũng đòi hỏi sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các nhà khoa học kỹ thuật để triển khai mô hình hỗ trợ điều khiển vận động người bằng

sóng não, giúp các đối tượng sử dụng hệ thống có thể thực hiện được nhiều chuyển động phức tạp bằng sóng não Qua đó các bệnh nhân có hệ não bộ tốt vẫn hoàn toàn

có thể thực hiện được các vận động phục vụ cuộc sống cá nhân và giảm gánh nặng cho gia đình và xã hội Một số cơ sở nghiên cứu trong nước cũng đã sử dụng một số thiết bị đeo trên đầu để hỗ trợ người tàn tật điều khiển xe lăn tuy nhiên các hệ thống điện cực đo này sử dụng tín hiệu điện trên da đầu sinh ra nhờ hoạt động nháy mắt hoặc liếc mắt để điều khiển chứ chưa khai thác được các thông tin sóng não liên quan đến điều khiển vận động của não bộ Để đẩy mạnh các hướng nghiên cứu về tín hiệu điện não liên quan đến điều khiển vận động của đối tượng người Việt nam, luận án cũng nghiên cứu các phương pháp thu nhận và phân giải các tín hiệu điện não liên quan đến vận động để có thể tạo ra một bộ cơ sở dữ liệu được thu nhận trên đối tượng là người Việt nam, phục vụ nghiên cứu và phân tích chẩn đoán

Mục đích của luận án

Phát triển một phương pháp phân giải các tín hiệu tưởng tượng vận động chi trên có độ tin cậy và chính xác cao dựa trên tín hiệu điện não đồ sử dụng cho các hệ thống hỗ trợ vận động của người điều khiển bằng sóng não

Mục tiêu nghiên cứu của luận án

- Đề xuất bộ đặc trưng tín hiệu IHMv nhằm nâng cao độ chính xác phân loại

ba phân lớp tưởng tượng vận động chi trên

- Xây dựng phương pháp phân loại các tín hiệu IHMv theo hướng tăng độ chính xác và số lượng các phân nhóm Xây dựng mô hình hệ thống quyết định các phân lớp IHMv dựa trên bộ thuộc tính và phương pháp phân loại đề xuất

- Xây dựng bộ dữ liệu điện não liên quan đến điều khiển vận động của đối tượng là người Việt Nam phục vụ nghiên cứu và phân tích

Các vấn đề cần giải quyết của luận án

- Lựa chọn phương pháp tiền xử lý tín hiệu IHMv giúp nâng cao chất lượng tín hiệu IHMv thu nhận là một vấn đề cần giải quyết của luận án

- Do tín hiệu IHMv có bản chất không dừng và có dạng phức tạp nên việc xây dựng các thuộc tính mô tả tốt tín hiệu sẽ giúp nâng cao khả năng phân giải tín hiệu Bên cạnh đó, tín hiệu điện não được thu nhận từ hệ thống nhiều điện cực dẫn đến các hệ thống phải xử lý lượng thông tin rất lớn Do đó luận án cần nghiên cứu

mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ thông số đặc trưng trên số lượng kênh đo ít hơn và có khả năng phân biệt các nhóm tín hiệu IHMv để

có thể nâng cao độ chính xác phân loại các trạng thái tưởng tượng vận động chi trên dựa trên tín hiệu điện não

- Nghiên cứu và đề xuất phương pháp phân loại ba phân lớp IHMv bao gồm: tưởng tượng chuyển động tay trái (Lf_IHMv), tưởng tượng chuyển động tay phải (Ri_IHMv) và trạng thái nghỉ (Re_IHMv) dựa trên tín hiệu sóng não để sử dụng trong các hệ thống hỗ trợ vận động người Để thực hiện được điều này thì kết hợp giữa nhóm các thuộc tính đề xuất với mô hình phân loại để phân giải ba phân lớp IHMv là một vấn đề cần giải quyết

- Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến vận động người của đối tượng người Việt Nam phục vụ nghiên cứu và phân tích

Từ các kết quả nghiên cứu phân giải các tín hiệu IHMv, luận án sẽ thực hiện xây dựng ứng dụng tự động phân loại các nhóm IHMv để tạo ra quyết định phân lớp trạng thái đầu ra, phục vụ cho các hệ thống hỗ trợ điều khiển vận động sử dụng sóng não

- Nghiên cứu phương pháp phân loại các tín hiệu IHMv

- Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến vận động chi trên của đối tượng là người Việt nam khỏe mạnh

Phương pháp nghiên cứu

- Nghiên cứu cơ sở lý thuyết về tín hiệu điện não liên quan đến tưởng tượng vận động chi trên

- Mô hình hóa phương pháp định lượng và phân loại ba phân lớp IHMv

- Kiểm chứng đánh giá phương pháp phân lớp IHMv bằng thực nghiệm trên bộ

dữ liệu mẫu và trên bộ dữ liệu từ máy đo thực tế

Các đóng góp mới của Luận án

- Đề xuất bộ đặc trưng mới định lượng tín hiệu IHMv Bộ đặc trưng mới được phát triển từ phương pháp định lượng tín hiệu trên miền thời gian - tần số dựa trên biến đổi Wavelet với số lượng kênh xử lý rút gọn Dựa trên phương pháp kiểm định ANOVA, bộ đặc trưng đề xuất đã cho thấy khả năng phân biệt ba phân lớp IHMv trên bộ dữ liệu mẫu

- Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân lớp 3 trạng thái đầu ra bao gồm: Lf_IHMv, Ri_IHMv, Re_IHMv Phương pháp được đề xuất dựa trên việc xây dựng bộ phân loại theo mô hình vector học máy SVM được cấu trúc 2 tầng nối tiếp Kết quả mô phỏng trên bộ dữ liệu mẫu cho thấy cấu trúc bộ phân loại đề xuất cho kết quả phân loại tốt với ba phân lớp IHMv

- Xây dựng tập dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật chi trên của đối tượng người Việt Nam khỏe mạnh Bộ dữ liệu sẽ đóng góp vào bộ dữ liệu điện não liên quan đến vận động chi trên của thế giới

và có khả năng sử dụng cho quá trình huấn luyện hệ thống phân loại

- Xây dựng ứng dụng tạo quyết định 3 phân lớp IHMv theo mô hình phân loại

đề xuất Kết quả hệ thống đã thực nghiệm thành công trên bộ dữ liệu mẫu và

bộ dữ liệu thực tế được đo tại phòng thí nghiệm Điều này cho thấy tính khả thi của phương pháp phân loại trên các bộ dữ liệu thực tế

Cấu trúc nội dung luận án

Nội dung luận án bao gồm 4 chương Trong đó các đóng góp khoa học của luận án thể hiện ở các nội dung đề xuất và thực hiện trong chương 2, chương 3 và chương 4 Các nội dung cụ thể như sau:

- Chương 1: Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các

mô hình xử lý và phân giải tín hiệu IHMv Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ

số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian

- Chương 2: Chương 2 trình bày đề xuất phát triển bộ đặc trưng mới để định

lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian – tần số dựa trên biến đổi wavelet để nâng cao độ chính xác phân loại tín hiệu IHMv Phần đầu chương tập trung nghiên cứu các phương pháp định lượng tín hiệu IHMv theo phương pháp định lượng tín hiệu trên miền thời gian - tần số Phần tiếp theo, các đặc trưng sẽ được xây dựng và đánh giá khả năng phân biệt các trạng thái dựa trên phương pháp kiểm định thống kê ANOVA Phần cuối của chương, luận án đề xuất việc lựa chọn đặc trưng để xây dựng vector đặc trưng mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái điều khiển vận động tưởng tượng chi trên theo chỉ số

F và p của mô hình phân tích phương sai ANOVA

- Chương 3: Chương 3 đề xuất phương pháp sử dụng bộ đặc trưng định lượng

để thực hiện phân lớp ba trạng thái IHMv ứng dụng cho hệ thống hỗ trợ vận

động điều khiển bằng sóng não EEG Trong chương này, luận án nghiên cứu

và đề xuất sử dụng bộ phân loại ba phân lớp IHMv theo mô hình phân loại SVM 2 tầng dựa trên bộ đặc trưng đề xuất Phần tiếp theo sẽ mô tả khả năng thực hiện của hệ thống trên bộ dữ liệu mẫu Physionet để đánh giá hiệu quả của mô hình

- Chương 4: Chương 4 trình bày quy trình xây dựng bộ dữ liệu liên quan đến

vận động chi trên của đối tượng đo là người Việt nam phục vụ phân tích và nghiên cứu Phần đầu chương mô tả phương pháp thiết lập hệ thống đo và đối tượng đo để thu nhận tín hiệu điện não IHMv Phần tiếp theo mô tả đóng góp về bộ dữ liệu điện não IHMv của đối tượng người Việt Phần cuối chương trình bày kết quả mô phỏng của bộ phân loại đề xuất trên bộ dữ liệu được tạo ra và đánh giá kết quả

- KẾT LUẬN: Kết luận và hướng phát triển tiếp theo cho luận án

CHƯƠNG 1 HỆ THẦN KINH ĐIỀU KHIỂN VẬN ĐỘNG VÀ

MÔ HÌNH XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ LIÊN QUAN

VẬN ĐỘNG CỦA NGƯỜI

Chương 1 trình bày cơ sở hệ thần kinh điều khiển vận động, các mô hình xử lý

và phân giải tín hiệu IHMv Phần đầu chương trình bày tổng quan về đặc điểm giải phẫu khu vực vỏ não vận động, hoạt động điện, cơ chế truyền dẫn, cách thức thu nhận tín hiệu điều khiển vận động theo hệ thống đo điện não EEG Phần tiếp theo, nghiên cứu mô hình xử lý tín hiệu IHMv và đưa ra các kiến nghị về các giải pháp kỹ thuật trong mô hình xử lý để tăng tỷ số SNR của tín hiệu như lựa chọn kênh đo, sử dụng bộ lọc số FIR có pha bằng không, lọc không gian Laplacian

Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển các cơ quan trong cơ thể Não người là phần trên và trước nhất của hệ thần kinh trung ương và là cơ quan chủ yếu trong điều hành hệ thần kinh ngoại vi Não người

có trọng lượng khoảng 1,5 kg [105] Trong đó, não người Việt Nam cân nặng khoảng 1400 gam và ở nam giới có trọng lượng lớn hơn nữ giới [50] Diện tích bề mặt của não khoảng 1600 cm², và dày khoảng 3 mm Xét về mặt giải phẫu học thì

bộ não người bao gồm có 3 phần chính: đại não, tiểu não, thân não; và các phần nhỏ khác gọi chung là não trung gian (Hình 1.1) Khu vực nhìn tập trung vào thùy chẩm trong khi đó khu vực cảm giác và vận động có mặt ở cả hai phía của não bộ Có một

số vị trí xác định tại vỏ não cảm giác và vận động mà chỉ có khu vực đó sẽ điều khiển một bộ phận nào đó của cơ thể Kích thước của mỗi khu vực này thì tỷ lệ với

độ chính xác cần có của cảm giác hoặc của hệ điều khiển vận động Khu vực cảm giác từ lưỡi và tay có phân bố khá rộng trong khi khu vực cảm giác của phần giữa

cơ thể và mắt phân bố hẹp hơn Khu vực vận động của chi trên và các cơ quan phụ trách nói có phân bố rộng [101], [67]

Hình 1.1 Cấu tạo não gồm 3 phần đại não (Cerebrum), tiểu não (Cerebellum) và

thân não (brain stem)

- Đại não

Trong não người, đại não là phần não phát triển mạnh nhất Nó chiếm toàn bộ khối lượng và thể tích não bộ Đại não gồm hai nửa trái, phải đối xứng qua rãnh liên bán cầu với ba mặt: mặt trên, mặt dưới, mặt trong Trên bề mặt đại não có các khe, các rãnh ăn sâu vào trong chia bề mặt đại não thành các thuỳ, các hồi não Bán cầu trái kiểm soát phần lớn chức năng của nửa phải cơ thể trong khi bán cầu phải điều khiển hầu hết chức năng nửa trái Sự bắt chéo của các sợi thần kinh xảy ra ở thân não

Hình 1.2 Vị trí của đại não chiếm phần lớn não người [50]

Do đó, tổn thương ở bán cầu trái sẽ gây ra sự giảm cảm giác và vận động ở nửa phải và ngược lại Mặt trên có 3 khe là khe Sylvius (khe bên); khe Rolando (khe giữa); khe thẳng góc ngoài (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy: thùy

khiển hầu hết chức năng nửa trái Sự bắt chéo của các sợi thần kinh xảy ra ở thân não

trán, thùy đỉnh, thùy chẩm, thùy thái dương Mặt trong có 3 khe: khe dưới trán, khe thẳng góc trong, khe cựa Ba khe này chia bán cầu đại não thành 5 thùy: thùy vuông, thùy viền, thùy chêm, thùy thái dương Mặt dưới có 2 khe là khe Bisa, khe sylvius, chia mặt dưới thành 2 thùy: thùy ổ mắt (ở phía trước) và thùy thái dương - chẩm (ở phía sau)

+ Thùy trán: phụ trách mức độ tập trung, cảm xúc, phối hợp các chuyển động, tạo

ra các chuyển động, chuyển động mắt, chuyển động cơ, các chuyển động thành kỹ năng

+ Thùy chẩm: Đọc và nhìn

+ Thùy đỉnh: Một số chức năng ngôn ngữ, đọc, nhìn, cảm nhận xúc giác

+ Thùy thái dương: Nghe, ghi nhớ hình ảnh, âm nhạc

- Tiểu Não

Tiểu não là một cấu trúc lớn nằm sau cầu não và hành tuỷ, bị thùy chẩm của bán cầu đại não che khuất Tiểu não được phát triển mạnh ở động vật có vú và chim Tiểu não có ba thùy: một thùy giun ở giữa và hai bán cầu tiểu não ở hai bên Bán cầu tiểu não được phát triển cùng với sự phát triển của bán cầu đại não và chỉ

có ở động vật có vú Tiểu não cũng do hai phần: chất xám và chất trắng tạo nên Tiểu não là khu vực chịu trách nhiệm điều hòa trương lực cơ, duy trì thăng bằng và định hướng cử động và phối hợp động tác

Hình 1.3 Vị trí của tiểu não

- Thân não

Thân não gồm các cấu trúc thần kinh: hành não, cầu não, não giữa Thân não

có nhiều chức năng tự động khác nhau, như kiểm soát hô hấp, nhịp tim, huyết áp, giấc ngủ, trạng thái thức, và sự chú ý

1.1.1 Các hoạt động điện của não

Hệ thần kinh trung tâm chứa các tế bào thần kinh và tế bào thần kinh đệm (nằm giữa các nơron) Mỗi tế bào thần kinh chứa sợi trục thần kinh, đuôi gai, nhánh thần kinh và thân tế bào Các tế bào thần kinh đáp ứng lại kích thích và truyền thông tin qua một khoảng cách dài Tế bào thần kinh có một nhân và chứa hầu hết các trao đổi chất của tế bào, đặc biệt là liên quan đến tổng hợp protein Protein được tạo ra trong thân tế bào sẽ được truyền đến các phần còn lại của tế bào thần kinh Sợi trục thần kinh là một ống dài để truyền xung điện và có thể truyền vài mét trong tủy sống

Gai thần kinh để kết nối tới cả trục thần kinh hoặc gai thần kinh của các tế bào khác và nhận xung từ các tế bào thần kinh khác hoặc chuyển tiếp (relay) tín hiệu tới các tế bào thần kinh khác Trong não người thì mỗi tế bào thần kinh được kết nối tới xấp xỉ 10.000 tế bào thần kinh khác, hầu hết thông qua kết nối gai thần kinh [104] Các hoạt động trong hệ thần kinh trung tâm (CNS) chủ yếu liên quan đến dòng tiếp hợp được truyền giữa các chỗ chuyển tiếp của trục thần kinh và nhánh thần kinh

hoặc nhánh thần kinh với nhánh thần kinh của tế bào khác Điện thế có cực âm và khoảng 60-70mV có thể thấy được dưới lớp màng của thân tế bào

Điện thế này thay đổi với sự thay đổi của các hoạt động chuyển tiếp Nếu một điện thế hoạt động chuyển tiếp truyền dọc sợi, và kết thúc tại một khớp thần kinh kích thích, thì một điện thế khớp thần kinh sau kích thích sẽ xảy ra ở nơron tiếp theo Nếu hai điện thế hoạt động cùng truyền dọc cùng một sợi trong một khoảng cách ngắn thì sẽ là tổng của hai EPSP và tạo ra một điện thế hoạt động trên nơron tiếp theo

Nếu sợi trục kết thúc ở một khớp thần kinh hạn chế, sẽ xảy ra hiện tượng siêu phân cực và sẽ được thể hiện bằng một điện thế hạn chế sau chuyển tiếp

Hình 1.4 Điện thế màng tế bào thần kinh thay đổi và dòng điện trong quá trình

synap kích thích được ghi bằng các vi điện cực nội tế bào Điện thế hoạt động trong hoạt động kích thích và hạn chế tiền synap dẫn đến hoạt động EPSP và IPSP ở

nơron sau synap.[110]

0

-60

0 -60

0 -60

1.1.2 Điện thế hoạt động

Thông tin truyền bởi tế bào thần kinh được gọi là điện thế hoạt động AP Các

AP được tạo ra do sự trao đổi ion giữa các màng tế bào thần kinh và một AP là một

sự thay đổi điện thế màng tạm thời và được truyền dọc trục thần kinh Nó thường được bắt đầu từ thân tế bào truyền theo một hướng Điện áp màng khử cực (trở nên dương hơn) và tạo ra đỉnh Sau khi tạo đỉnh thì màng lại tái cực (trở nên âm hơn) Điện thế trở nên âm hơn so với điện thế nghỉ và sau đó trở lại bình thường Điện thế hoạt động của hầu hết các tế bào kéo dài trong khoảng 5-10ms (Hình 1.5)

Vận tốc dẫn của điện thế hoạt động nằm từ 1 đến 100 m/s Các AP thường được khởi tạo từ nhiều kiểu kích thích khác nhau: các tế bào thần kinh cảm giác đáp ứng với nhiều kiểu kích thích như hóa học, ánh sáng, điện, áp suất, sờ nắm, kéo dãn Mặt khác, các tế bào thần kinh trong CNS (não và xương sống) chủ yếu được kích thích bởi hoạt động hóa học tại khớp thần kinh

Để hình thành một AP thì kích thích phải đạt trên mức ngưỡng Nếu kích thích yếu thì có thể chỉ tạo ra một xáo trộn điện tử cục bộ và không đủ để tạo ra một AP

có thể truyền đi được Ngay khi kích thích có cường độ cao hơn mức ngưỡng thì điện thế hoạt động sẽ xuất hiện và di chuyển xuống các tế bào thần kinh

Hình 1.5 Thay đổi điện thế màng do việc đóng các kênh Na và mở các kênh K

Đối với người thì biên độ của AP xấp xỉ -60mV đến 10mV Đối với tế bào thần kinh, cần ít nhất 2 mili giây trước khi xuất hiện kích thích tiếp theo Trong thời gian này thì không có một AP nào có thể được tạo ra Đây gọi là thời gian khó bảo

1.1.3 Tạo tín hiệu EEG

Tín hiệu điện não là dòng điện sinh ra trong quá trình kích thích các sợi nhánh thần kinh của các nơron trong vỏ não Khi tế bào não được kích thích, dòng chuyển tiếp được tạo ra trong sợi nhánh Dòng này tạo ra một trường từ có thể đo bằng máy điện cơ và một trường điện thứ cấp trên sọ có thể đo bằng hệ thống điện não Sự chênh lệch về điện thế được gây nên bởi các điện thế postsynaptic từ các tế bào pyramidal tạo nên các lưỡng cực điện giữa soma (thân tế bào thần kinh) và các nhánh thần kinh apical (nhánh thần kinh) Các dòng điện não chứa hầu hết các ion Na+, K+, Ca++ và Cl – được bơm qua các kênh trong màng tế bào thần kinh theo hướng được điều khiển bởi điện thế màng [47]

Như chúng ta đã biết đầu người có chứa những lớp khác nhau bao gồm: da đầu, sọ, não và nhiều lớp mỏng ở giữa Trong đó, sọ người làm suy giảm tín hiệu xấp xỉ một trăm lần so với mô mềm Do được đo qua nhiều lớp vật chất nên tín hiệu điện não bị suy giảm nhiều chỉ còn cỡ µV do đó nó khá nhỏ và dễ bị nhiễu can thiệp Mặt khác, hầu hết các nhiễu được tạo ra trong não hoặc trên da đầu Do đó chỉ có một lượng các nơron kích thích đủ lớn mới có thể tạo đủ điện thế và có thể ghi được thông qua các điện cực da đầu Các tín hiệu điện não yếu có thể được đo không xâm lấn bởi hệ thống máy đo điện não EEG thông qua các điện cực trên da đầu Các tín hiệu này sẽ được khuếch đại lên nhiều lần và hiển thị trên giấy ghi hoặc lưu trong bộ nhớ máy tính phục vụ nghiên cứu và chẩn đoán Hầu hết các ứng dụng chẩn đoán và theo dõi trong y tế liên quan đến não đều được thực hiện thông việc phân tích phổ tần số và có thể quan sát được từ tín hiệu EEG

Hình 1.6 Cấu trúc của một nơ ron

Hình 1.7 Ba lớp của não trong đó thể hiện điện trở xấp xỉ và độ dày của các lớp

Tín hiệu điện não EEG là tín hiệu điện được đo trên sọ não và được tạo ra bởi các dòng ion trong các nơron của não

Hình 1.8 Tín hiệu điện não ghi được từ các điện cực

Thế mạnh của phương pháp đo điện não EEG đó là nó có thể phát hiện ra những thay đổi cỡ mili giây Điện thế hoạt động mất xấp xỉ từ 0,5 – 130 milli giây

để truyền giữa các nơron nên EEG là một công cụ phù hợp Tín hiệu EEG có độ phân giải thời gian rất tốt và thường người ta kết hợp EEG với fMRI là hệ thống có

độ phân giải không gian tốt để nghiên cứu EEG cũng có thể quyết định cường độ tương đối và vị trí của các hoạt động điện tại các khu vực giải phẫu khác nhau của não Thông thường sóng não chia làm 4 nhóm theo phổ tần số chính: sóng beta (>13Hz), alpha (8-13Hz), theta (4-8Hz) và delta (0.5-4Hz) Sóng alpha (8-13Hz) có thể chỉ thị được trạng thái thư giãn hay thể hiện mức độ tập trung của người Bất kỳ một sự tập trung nào cũng sẽ dẫn đến sự suy giảm trong dải alpha Sóng µ là một sóng điện não có dải tần nằm trong dải alpha và thường liên quan đến quá trình lập

kế hoạch vận động hoặc tưởng tượng vận động của người Tuy nhiên trong khi sóng alpha thường xuất hiện tại các điện cực khu vực chẩm thì sóng µ không phụ thuộc vào quá trình nhìn và thường xuất hiện tại các điện cực trên vùng vỏ não vận động [11]

2 4 6 8 10 12 14 16 18 20

F7 O1 O2 F8 Fp2 F4 C4 P4 Fp1 F3 C3 P3

Fz

Cz

Pz

Hình 1.9 Tín hiệu điện não thu được tại các vị trí khác nhau của điện cực theo hai

phương pháp lưỡng cực (a) và đơn cực (b)

Điện thế liên quan đến sự kiện (Evoked potentials – ERP)

Các điện thế liên quan đến sự kiện là những biến đổi điện áp đáng kể do các hoạt động thần kinh gợi lên Các điện thế gợi này được bắt đầu bởi các kích thích bên trong và bên ngoài ERPs là phương pháp phù hợp để nghiên cứu các khía cạnh của quá trình nhận thức bình thường hoặc bất thường Biên độ của các thành phần ERP thường nhỏ hơn so với các thành phần EEG tự phát do đó nó không dễ dàng nhận thấy từ dữ liệu điện não thô Chúng thường phải được tách ra từ bộ các bản ghi điện não bằng cách lấy trung bình các đoạn bản ghi (epochs) của tín hiệu điện não đồng bộ thời gian với các sự kiện lặp lại của cảm giác, nhận thức và các hoạt động điều khiển vận động [6]

1.1.4 Hệ thống điều khiển vận động của não

Não chứa những khu vực như khởi tạo chuyển động, cảm nhận có ý thức, phân tích, thể hiện cảm xúc và hành vi Vùng tiểu não tổ chức các chuyển động chủ động của cơ và duy trì cân bằng Tiểu não điều khiển các chức năng không chủ động như thở, nhịp tim, nhịp sinh học Một trong những khu vực quan trọng có liên quan đến điều khiển các chức năng vận động đó là vỏ não điều khiển vận động Đây chính là khu vực tham gia vào quá trình lập kế hoạch, điều khiển và thực hiện các chuyển động có chủ ý Mỗi vùng chứa một lượng rất lớn các nơ ron thần kinh từ vỏ não tới cuống não và tủy sống Vùng vận động thuộc hồi trán lên, đây là nơi xuất phát của

bó tháp So với các vùng khác thì vùng vận động có diện tích lớn nhất Ngoài ra, bên cạnh vùng vận động còn có vùng tiền vận động thuộc vùng 6 thùy trán, đây là nơi xuất phát các sợi đi đến các nhân xám dưới vỏ rồi theo hệ ngoại tháp chi phối các vận động tự động

Nơron trong vỏ não vận động gửi tín hiệu theo sợi trục thần kinh hoặc gửi trực tiếp tới tủy sống và hình thành một khớp thần kinh trên tế bào thần kinh vận động (đây là tế bào thần kinh mang tín hiệu từ tủy sống tới các cơ để tạo ra chuyển động)

Tế bào thần kinh vận động gửi thông tin qua trục thần kinh tới hệ cơ Khi nơron trên

vỏ não kích hoạt thì nó sẽ làm cơ co Hoạt động trên vỏ não vận động càng lớn thì lực cơ càng mạnh Mỗi điểm trên vỏ não vận động điều khiển một cơ hoặc một nhóm nhỏ các cơ liên quan Cách mô tả này chỉ đúng một phần Tại khu vực vỏ não vận động có thể phát ra tín hiệu điều khiển vận động của chân, tay, bụng, vai, lưng, đầu, mắt, môi v.v Ngoài ra để có thể thực hiện được chuyển động, một số khu vực khác cũng có những thông tin để hỗ trợ cho việc vận động đó là: Vỏ não tiền vận động, khu vực vận động bổ sung

Hình 1.10 Phân chia khu vực chức năng cảm giác và điều khiển vận động của vỏ

não[101]

- Vùng vận động chính: Khu vực này về mặt giải phẫu là nơi tập trung

nhiều tế bào Betz Tế bào này truyền theo trục thần kinh xuống tủy xương tới khớp thần kinh trên mạch liên thần kinh của tủy sống (interneuron circuitry) và trực tiếp tới các tế bào thần kinh vận động alpha trên tủy

sống có kết nối tới các cơ Khu vực vỏ não vận động chính nằm tại vị trí BA4 theo cấu trúc của Brodmann Khu vực này thường liên quan đến tạo

ra các chuyển động hay liên quan đến đầu ra của hệ thần kinh vận động

- Vùng tiền vận động: Vùng này chịu trách nhiệm một số vấn đề của điều

khiển vận động như chuẩn bị cho chuyển động, cảm giác dẫn đường của chuyển động, dẫn đường không gian cho động tác Vùng này nằm dịch lên phía trên của vỏ não vận động chính

- Vùng vận động bổ sung SMA: Có nhiều đề xuất chức năng của khu vực

này như tạo lập kế hoạch chuyển động, lập kế hoạch chuỗi chuyển động, cân bằng hai nửa của cơ thể (các chức năng này hiện nay vẫn là các giả thuyết)

Bản đồ vận động cho thấy rằng có sự sắp xếp có trật tự của các nếp gấp não tại các khu vực điều khiển mặt, ngón tay, chân, bàn tay, cánh tay, thân, cẳng chân và bàn chân Tuy nhiên, các bộ phận được dùng trong những nhiệm vụ đòi hỏi sự chính xác tuyệt đối và kiểm soát tốt nhất như các ngón tay, bàn tay và mặt thì có những biểu hiện không cân đối ở các khu vực vận động của vỏ não (Hình 1.11) Những sợi trục này bắt nguồn từ những nơ ron thần kinh hình chóp lớn được chỉ định trong những lớp mỏng hình chữ V có tên là Tế bào Betz sau khi họ tìm ra

chúng

Hình 1.11 Sắp xếp các khu vực tế bào thần kinh trên vỏ não của

Brodmann ở Người

Hình 1.12 Khu vực chính của vỏ não điều khiển vận động

Vùng vận động và cảm giác của vỏ não có các quy luật hoạt động sau đây [51]:

- Quy luật bắt chéo: Bán cầu não bên này chi phối vận động và cảm giác của nửa thân bên kia

- Quy luật ưu thế: Những cơ quan nào vận động nhiều và cảm giác tinh tế thì chiếm vùng vỏ não rộng hơn (tay, miệng )

- Quy luật lộn ngược: Vùng vỏ não phía trên chi phối vận động và cảm giác của các bộ phận phía dưới cơ thể Ngược lại, vùng vỏ não phía dưới chi phối các bộ phận phía trên

Các nếp cuộn não đối nhau ở khu tiền trung tâm (Brodmann khu vực 4) chính

là khu vực vận động chính, là khu vực có cường độ kích thích thấp nhất bắt đầu gợi

ra chuyển động Ở cường độ thấp, các tác động do kích thích có thể được biểu hiện bởi hoạt động của các nơron thần kinh gần các điện cực được nối với tủy sống trực tiếp hoặc gián tiếp thông qua một số lượng nhỏ các liên hợp thần kinh

Những phản ứng ở các cơ (ví dụ như ở tay) được ghi lại bằng bề mặt các điện cực Điện thế hoạt động lớn và có độ chờ ngắn, phù hợp với thực tế là chúng được điều khiển bởi các sợi thần kinh vỏ não-tủy sống (Hình 1.13)

Các tín hiệu điều khiển vận động tới các bó cơ và cơ quan ngoại vi từ trung tâm điều khiển vận động của não bộ sẽ di chuyển dọc các noron vận động tới phần cuối não dính với tủy sống Tại đây hầu hết các sợi trục thần kinh của noron thần kinh vận động sẽ bắt chéo sang phía bên kia của hệ thần kinh trung ương và di chuyển xuống tủy sống theo đường dẫn bên xương sống và số còn lại di chuyển dọc xương sống theo đường dẫn trước xương sống Các tế bào thần kinh vận động trên cuối cùng sẽ ghép khớp thần kinh với các tế bào thần kinh dưới tại điểm gốc của xương sống Các tế bào thần kinh vận động dưới sẽ hoàn thành hành trình tới nhóm

cơ mục tiêu

Hình 1.13 Khu vực vận động có thể được kích thích trực tiếp ở người tỉnh táo

A: Sự kích thích từ trường của khu vực vận động hay xương sống cổ làm cho các cơ

co thắt không đau đớn Sự kích thích của khu vực vận động trên vỏ não kích hoạt các sợi nối vỏ não-tủy sống và gây ra một phản ứng điện cơ đồ (EMG) đỗ trễ ngắn

ở các cơ đối nhau

B: Các bản ghi cho thấy sự kích hoạt của các cơ cánh tay và bàn tay (bắp tay và mô

cơ út) khi có kích thích lên vỏ não và xương sống cổ Các đỉnh xuất hiện sớm hơn trong các kích thích xương sống cổ vì các xung vỏ não-tủy sống truyền đi trong một khoảng cách ngắn hơn Điểm được đánh dấu là s là sự kích thích giả, phản lại tác

dụng của các xung từ trường

Các bản đồ thực nghiệm ban đầu về sự kích thích điện trên bề mặt vỏ não đã dẫn tới ý kiến cho rằng khu vực vận động sơ cấp hoạt động như một khu tổng lớn (như một công tắc điều khiển các cơ độc lập hay những nhóm nhỏ các cơ liền kề) Tuy nhiên, nhiều nghiên cứu chi tiết hơn sử dụng các vi điện cực chèn vào sâu trong

vỏ não (vi kích thích trong hộp sọ hay ICMS) để kích thích các nhóm nhỏ của các

nơ ron thần kinh đầu ra, điều này chỉ ra rằng sự xem xét đơn giản trên là không

chính xác Trong khi kích thích yếu nhất có thể tạo ra sự co giật của các cơ độc lập, các cơ giống nhau được kích hoạt không đổi từ một vài vị trí riêng rẽ, cho thấy rằng các nơ ron thần kinh ở một vài vị trí trên vỏ não định hướng các sợi trục thần kinh tới cùng một đích

Ngoài ra, hầu như sự kích thích kích hoạt một số cơ, với những cơ hiếm khi hoạt động độc lập Điều này được chứng thực bởi các thực nghiệm giải phẫu và sinh

lý gần đây cho thấy rằng sự phân bố của các sợi trục vỏ não-tủy sống khác với phân

bố các dây thần kinh vận động nhiều hơn một cơ Thay vì một khu trung tâm điều khiển cơ đơn giản, bản đồ chi tiết của khu vực vận động trên não khỉ đã gợi ý một

tổ chức đồng tâm: những vị trí ảnh hưởng những cơ ở xa tâm được bao chứa ở trung tâm của một vùng rộng hơn chứa các vị trí ảnh hưởng tới những cơ gần hơn, trong khi những vị trí ở vòng biên xung quanh trung khu này chỉ làm ảnh hưởng tới những cơ ở gần Một hệ quả của sự dư thừa trong sự biểu hiện cơ này là những đầu vào của khu vực vận động từ những vùng vỏ não này có thể kết hợp cả những cơ ở gần và ở xa bằng những cách khác nhau trong những nhiệm vụ khác nhau

Vùng vỏ não điều khiển hai tay có khoảng cách phân biệt về không gian tốt hơn là khu vực điều khiển hai chân Trong nghiên cứu [17] giải thích rõ vì sao chân trái và chân phải tạo ra các thành phần EEG giống nhau trong khi đó tay trái và tay phải tưởng tượng vận động có thể phân biệt về mặt không gian bằng kỹ thuật EEG Trong một vài nghiên cứu gần đây bằng kỹ thuật cộng hưởng từ cho thấy phân bố của các hoạt động tưởng tượng của chuyển động chân trái và chân phải là khá tương đồng do lượng oxy trong máu đáp ứng tới cả hai trạng thái tưởng tưởng vận động [117]

Một đặc điểm đặc trưng của vận động tự chủ là nó có thể được nâng cao qua tập luyện Điều này có thể liên quan với sự sắp xếp lại các vùng vỏ não Ở một nghiên cứu, sự thay đổi rõ rệt được tìm thấy trên khu vực vận động ở người sau khi tập luyện một bài tập vận động đơn giản Chụp ảnh chức năng thần kinh cho thấy

các vùng vỏ não được kích hoạt trong suốt quá trình thực hiện chuỗi huấn luyện và khu vực có thể mở rộng ở các vùng vỏ não ở xa khu vực có tổn thương (Hình 1.14)

Hình 1.14 Khi một chuyển động được tập luyện, khu vực vận động chính được mở

rộng hơn [127]

A: Con người thực hiện bài tập chạm ngón tay cái vào đầu từng ngón tay con lại theo trình tự lần lượt Số thứ tự được đếm từ 1 đến 4 Cả trình tự chuyển động đã tập luyện và trình tự chuyển động mới được thực hiện đã được cố định, tốc độ chậm (2 thành phần chuyển động trên 1 giây)

B: Máy quét MRI cho thấy các vùng ở khu vực vận động sơ cấp bị kích hoạt trong suốt quá trình thực hiện trình tự bài tập hàng ngày trong 3 tuần (hình trái) và trình

tự chuyển động mới (hình phải) Vùng được kích hoạt lớn hơn khi thực hiện chuyển