Nghiên cứu một số phương pháp phân tích tín hiệu điện não đồ nhằm phát hiện và chẩn đoán chứng động kinh ở trẻ em

25 CHƯƠNG 2 - CÁC ĐẶC TRƯNG CỦA TÍN HIỆU EEG ĐƯỢC SỬ DỤNG TRONG PHÁT HIỆN BỆNH ĐỘNG KINH ..... Chương 1: Trình bày tổng quan cơ sở lý thuyết của bệnh động kinh và tín hiệu điện Chương 2

LUẬN VĂN THẠC SĨ KỸ THUẬT

KỸ THUẬT VIỄN THÔNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

HOÀNG ANH TUẤN

NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO ĐỒ NHẰM PHÁT HIỆN VÀ CHẨN ĐOÁN CHỨNG ĐỘNG KINH Ở

TRẺ EM

Chuyên ngành : KỸ THUẬT VIỄN THÔNG

LUẬN VĂN THẠC SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN LUẬN VĂN :

TS VƯƠNG HOÀNG NAM

Hà Nội – 2016

L ỜI NÓI ĐẦU

động của não người như từ não đồ (magnetoencephalogram-MEG) hoặc ảnh cộng hưởng từ chức năng (functional magnetic resonance imaging-fMRI) do MEG đòi

được trích chọn theo từng kênh tín hiệu (đơn biến) hoặc giữa các kênh tín hiệu với nhau (đa biến) Tiếp theo, ta sẽ sử dụng các đặc trưng này và các tổ hợp của nó để

Nhận thấy được tầm quan trọng của công việc này trong việc giúp đỡ các bệnh

các phương pháp phát hiện và chuẩn đoán sớm nhất, chính xác nhất các triệu chứng

TS.Vương Hoàng Nam, người trực tiếp hướng dẫn em hoàn thành luận văn này

TÓM T ẮT LUẬN VĂN

Nghiên cứu các phương pháp xử lý tín hiệu để dùng phân tích tín hiệu điện não

đồ EEG là một hướng nghiên cứu khoa học đang rất phát triển trên thế giới trong

phương pháp tiếp cận là phân loại bằng SVM nhằm xây dựng các thuật toán dùng

M ỤC LỤC

LỜI NÓI ĐẦU 1

TÓM TẮT LUẬN VĂN 3

MỤC LỤC 4

DANH SÁCH CÁC HÌNH V Ẽ 7

DANH SÁCH CÁC BẢNG 9

CÁC TỪ VIẾT TẮT 10

PHẦN MỞ ĐẦU 11

I Tầm quan trọng của luận văn 11

II Mục đích nghiên cứu 11

III Phương pháp nghiên cứu 11

V Kết luận 11

CHƯƠNG 1 - GIỚI THIỆU CHUNG VỀ BỆNH ĐỘNG KINH VÀ TÍN HIỆU ĐIỆN NÃO ĐỒ 13

1.1 Bệnh động kinh 13

1.2 Tín hiệu điện não đồ 14

1.3 Đặc điểm của tín hiệu điện não đồ 16

1.3.1 Xác định sóng dựa vào tần số 17

1.3.2 Xác định sóng dựa vào hình dạng 18

1.4 Nhi ễu trong EEG 19

1.4.1 Nhiễu do thiết bị và mang tính hệ thống 19

1.4.2 Nhiễu mắt (Electrooculogram – EOG) 19

1.4.3 Nhiễu cơ (Electromyogram – EMG) 20

1.5 Động kinh trong tín hiệu EEG 20

1.6 Cơ sở dữ liệu bệnh động kinh: CSDL Đại học Freiburg 24

1.7 Kết luận 25

CHƯƠNG 2 - CÁC ĐẶC TRƯNG CỦA TÍN HIỆU EEG ĐƯỢC SỬ DỤNG TRONG PHÁT HIỆN BỆNH ĐỘNG KINH 26

2.1 Các đặc trưng đơn biến 26

2.1.1 Đặc trưng thống kê (miền thời gian) của tín hiệu 27

2.1.2 Thông số Hjorth 28

2.1.3 Thời điểm bất tương quan 29

2.1.4 Mô hình tự hồi quy AR 30

2.1.5 Năng lượng phổ tín hiệu 30

2.1.6 Tần số biên phổ và công suất biên phổ 31

2.1.7 Biến đổi wavelet 32

2.2 Các đặc trưng đa biến 33

2.3 Một số đặc trưng của các loại tín hiệu y sinh khác dùng trong chẩn đoán động kinh 36

2.3.1 Tín hiệu điện tâm đồ ECG 36

2.3.2 Tín hiệu cộng hưởng từ chức năng FMRI 36

2.4 Kết luận 37

CHƯƠNG 3- MẠNG TRÍ TUỆ NHÂN TẠO 38

3.1 Mạng nơron nhân tạo 38

3.1.1 Nơron sinh học 38

3.1.2 Nơron nhân tạo 40

3.1.3 Ứng dụng mạng nơron nhân tạo 41

3.2 Máy véc- tơ hỗ trợ SVM 43

3.2.1 Giới thiệu SVM 43

3.2.2 Siêu phẳng tối ưu 44

3.2.3 Phân lớp mềm 46

3.2.4 SVM phi tuyến 47

3.3 Kết luận 48

CHƯƠNG 4 -PHƯƠNG PHÁP TIÊN TIẾN XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ NHẰM PHÁT HIỆN BỆNH ĐỘNG KINH 49

4.1 Mô hình tổng quan 49

4.1.1 Thu thập dữ liệu 49

4.1.2 Tiền xử lý tín hiệu 50

4.1.3 Trích chọn các đặc trưng 50

4.1.4 Phân loai và hậu xử lý 51

4.2 Phương pháp tiếp cận: Phân loại bằng máy vec-tơ hỗ trợ SVM 52

4.3 Kết luận 55

CHƯƠNG 5 - MỘT SỐ ĐÁNH GIÁ KẾT QUẢ THU ĐƯỢC 56

5.1 Các thông số mô phỏng 56

5.1.1 Chọn kênh tín hiệu EEG 56

5.1.2 Chọn các đặc trưng 58

5.1.3 Mạng SVM đa lớp 60

5.1.4 Đưa ra cảnh báo 61

5.2 Tiến hành mô phỏng 63

5.3 Một số kết quả mô phỏng và đánh giá 66

5.3.1 Bộ dữ liệu học và kiểm tra 66

5.3.2 Một số kết quả mô phỏng và thảo luận 67

5.4 Kết luận 70

KẾT LUẬN 71

TÀI LIỆU THAM KHẢO 72

DANH SÁCH CÁC HÌNH V Ẽ

Hình 1.2.1: Hệ thống đặt điện cực ghi 10-20 quốc tế(international 10-20 system) 15

Hình 1.2.2: Tiến hành đo điện não ở trẻ em 16

Hình 1.3.1: Minh họa các sóng      , , ,  trong tín hiệu EEG 18

Hình 1.4.1: Minh họa nhiễu mắt EoG và nhiễu cơ EMG trong quá trình đo điện não 20 Hình 1.5.1: Minh họa tín hiệu động kinh 21

Hình 1.5.2: Mô hình dự đoán đưa ra cảnh báo trước cơn động kinh 22

Hình 1.5.3: Minh họa về cảnh báo Đúng và cảnh báo Sai về cơn động kinh 22

Hình 1.5.4: Một thiết bị phát hiện sớm động kinh đang được thử nghiệm 23

Hình 1.5.5: Minh họa thiết bị phát hiện sớm động kinh sử dụng tín hiệu điện não 23

Hình 1.6.1: Mô tả đinh dạng file “.head” 24

Hình 1.6.2: Mô tả đinh dạng file “.data” 24

Hình 1.6.3: Minh họa một bản ghi EEG đã được đánh dấu trong CSDL ĐH Freiburg 25 Hình 2.1.1: Minh họa khái niệm thời điểm bất tương quan (Decorrelation-time) 29

Hình 2.1.2: Minh họa khái niệm 50% SEF và 95% SEF dựa trên phân bố năng lượng 32

Hình 2.1.3: Minh họa thực hiện biến đổi DWT để thu được tín hiệu các băng cơ bản 33 Hình 2.2.1: Minh họa về biến thiên của đặc trưng đa biến MPC trước cơn động kinh 35 Hình 3.1.1: Mô hình nơ-ron sinh học 39

Hình 3.1.2: Nơ-ron nhân tạo và mạng nơ-ron 41

Hình 3.1.3: Quá trình học của mạng nơron 42

Hình 3.2.1: Các siêu phẳng phân loại dữ liệu 44

Hình 3.2.2: Siêu mặt phẳng có biên lớn nhất của SVM 45

Hình 3.2.3: Minh họa phân lớp mềm bằng SVM 46

Hình 3.2.4: Ánh xạ từ miền Rn sang miền Rd 48

Hình 4.1.1: Mô hình chẩn đoán bệnh động kinh 49

Hình 4.1.2: Phương pháp cửa sổ trượt để trích chọn các đặc trưng 51

Hình 4.1.3: Minh họa bài toán phân loại 52

Hình 4.2.1: Mô hình phân loại sử dụng SVM 53

Hình 4.2.2: Đầu ra phân loại của SVM 54

Hình 5.1.1: Một bản ghi dữ liệu đầy đủ với 27 kênh tín hiệu EEG và 2 kênh tín hiệu ECG (trong đó các vị trí EEG_ON và EEG-OFF đánh dấu vị trí bắt đầu và kết thúc một cơn động kinh) 58

Hình 5.1.2: 22 đặc trưng đơn biến của kênh tín hiệu F7 59

Hình 5.1.3: Minh họa kết quả bỏ phiếu trong SVM đa lớp 61

Hình 5.1.4: Minh họa quá trình hậu xử lý 62

Hình 5.2.1: Giao diện mở đầu 64

Hình 5.2.2: Giao diện nhập/ đọc dữ liệu EEG từ bộ CSDL 64

Hình 5.2.3: Giao diện tạo đặc trưng tín hiệu: (a)- Chọn kênh (b)-Chọn đặc trưng 65

Hình 5.2.4: Giao diện phân loại sử dụng SVM 65

Hình 5.2.5: Mô tả một file đặc trưng tín hiệu 66

Hình 5.3.1: Tỷ lệ phát hiện cơn động kinh trên bộ CSDL Freiburg 67

Hình 5.3.2: Vị trí các ổ bệnh 69

Hình 5.3.3: Các kết quả đánh giá dựa theo vị trí ổ bệnh của Teixeira et al., 2014 69

CÁC T Ừ VIẾT TẮT

Imaging

Ảnh cộng hưởng từ chức

năng

Cross-Correlation

Tương quan chéo (tuyến tính)

PH ẦN MỞ ĐẦU

I Tầm quan trọng của luận văn

Luận văn này được xây dựng dựa trên những yêu cầu thiết yếu trong đời sống

động kinh là một vấn đề quan trọng của ngành y tế và là bệnh lý mà xã hội và ngành

lượng cuộc sống, khả năng học tậ

ập cộng đồng và xã hội, đặc biệt

là đối với trẻ em Vấn đề đặt ra ở đây là cần phát hiện và dự đoán sớm cơn động

kinh với mục tiêu tạo ra các thiết bị gắn kèm với người bệnh có khả năng phát hiện

cơn co giật động kinh trước khi cơn xảy ra Đây cũng chính là vấn đề mà luận văn

nghiên cứu

II Mục đích nghiên cứu

Luận văn được thực hiên với mục tiêu:

- Xây dựng các thuật toán dùng phát hiện sớm cơn động kinh (co giật)

- Xây dựng một hệ thống phân tích tín hiệu EEG tối ưu nhằm cảnh báo sớm về

cơn động kinh dựa vào các kết quả nghiên cứu

III Phương pháp nghiên cứu

- Phương pháp mô hình hóa và tính toán được áp dụng để phân tích và giải

quyết bài toán

- Phương pháp mô phỏng cũng được sử dụng để tìm ra các quy luật và giá trị tối

ưu nhằm nâng cao, cải thiện chất lượng của các thuật toán đề xuất

IV Kết luận

Chương 1: Trình bày tổng quan cơ sở lý thuyết của bệnh động kinh và tín hiệu điện

Chương 2: Chương này trình bày về phương pháp tạo các đặc trưng của tín hiệu

EEG được sử dụng trong phát hiện động kinh

Chương 3: Chương này nghiên cứu về các hệ thống dùng nhận dạng các trạng thái

Chương 4: Trình bày về các thuật toán dùng phát hiện và cảnh báo động kinh, bằng

phương pháp sử dụng SVM

Chương 5: Một số kết quả mô phỏng - Kết luận

Chương 1 - GIỚI THIỆU CHUNG VỀ BỆNH ĐỘNG KINH VÀ

TÍN HIỆU ĐIỆN NÃO ĐỒ

não đồ (electroencephalogram-EEG) sẽ được trình bày

1.1 Bệnh động kinh

nơron trong vỏ não tạo nhiều triệu chứng rối loạn hệ thần kinh như co giật của bắp

hướng tái phát và không có nguyên nhân tiềm ẩn ngay lập tức trong khi co giật xảy

ứ mỗi 1.000 người thì có một người bị bệnh động

Động kinh cục bộ: Khi cơn động kinh xuất hiện từ hoạt động bất thường chỉ là một

Động kinh toàn thể: Động kinh có vẻ như liên quan đến tất cả bộ não được gọi là

động kinh toàn thể

1.2 Tín hiệu điện não đồ

ứng với các vùng của vỏ não EEG được phát hiện bởi Berger năm 1924 bằng 1

cực cố định ngoài da (surface/scalp-EEG, sEEG) hoặc trong não (intracranial-EEG, iEEG)

các đặc trưng đó, các chuyên gia có thể đánh giá, phân tích các biểu hiện bất thường

trong EEG

dùng trong điện não đồ thường là những đĩa kim loại, da đầu chỗ đặt điện cực được

Người ta cũng hay dùng loại mũ cao su có gắn sẵn điện cực, và đặt trùm lên đầu người bệnh

Hình 1.2.1: H ệ thống đặt điện cực ghi 10-20 quốc tế

(international 10-20 system)

trên da đầu (scalp EEG) Thông thường chúng ta sẽ dùng một bộ 21 điện cực gắn trên da đầu theo hệ thống đặt điện cực 10-20 của quốc tế (the 10-20 International

Đánh số lẻ nếu là bên trái, và số chẵn nếu là bên phải

để đặt được nhiều điện cực ghi EEG hơn, có thể có số vị trí đặt điện cực ghi trên da đầu là 32, 64, thậm chí 256

Hình 1.2.2: Tiến hành đo điện não ở trẻ em

ứng với các vùng của vỏ não trên đồ thị máy tính Biên độ của điện não đồ vào

băng thông của tín hiệu này từ dưới 1 Hz đến khoảng 70 Hz Thông qua các đặc trưng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG

người, giúp phát hiện và điều trị sớm, có ý nghĩa to lớn trong y học

1.3 Đặc điểm của tín hiệu điện não đồ

frequency), biên độ (amplitude), hình dạng (morphology), vị trí (localization)

khăn trong đọc điện não đồ là ở chỗ phân biệt cho được các nhiễu (artifact), cũng như phải có khả năng nhận biết được những biến thể bình thường, không nhầm với

Phần dưới đây sẽ mô tả những hoạt động của tín hiệu EEG bình thường ở người

1.3 1 Xác định sóng dựa vào tần số

Sóng Alpha

nghĩ, đếm) Đây là nhịp sóng chủ yếu thấy được trên người lớn bình thường và thư

Sóng Beta

beta thường thấy ở cả 2 bán cầu, phân bố đối xứng hai bên, và rõ nhất là ở vùng

thường được coi là nhịp bình thường Nó là nhịp chiếm ưu thế ở những bệnh nhân đang thức tỉnh cảnh giác hoặc lo sợ, hoặc khi mở mắt

Sóng Theta

coi là hoàn toàn bình thường ở trẻ dưới 13 tuổi và đang ngủ

Sóng Delta

có biên độ cao nhất và là những sóng chậm nhất Nó hoàn toàn được coi là bình thường và là sóng ưu thế ở trẻ sơ sinh dưới 1 tuổi và ở giai đoạn 3 hoặc 4 (stages 3

Hình 1.3.1: Minh h ọa các sóng      , , ,  trong tín hi ệu EEG

1.3 2 Xác định sóng dựa vào hình dạng

này có đường dốc lên gấp tới đỉnh rồi dốc xuống tương đối đột ngột, như vậy nền

Các bi ến thể bình thường

có

ý Nhưng chúng có thể làm cho ta diễn giải nhầm

lẫn về bản ghi điện não đồ Trong các biến thể bình thường này, thường gặp nhất là

nhịp mu (mu rhythm), biến thể tâm thần vận động (psychomotor variant), các sóng

lambda, POSTS, các thoi (spindles), sóng c

(K Complexes)

1.4 Nhiễu trong EEG

tim Dưới đây chúng ta sẽ khảo sát một số loại tín hiệu nhiễu

1.4.1 Nhi ễu do thiết bị và mang tính hệ thống

hơn nhiều so với điện não đồ Nhiễu do mạch là do mạch đập ở phía dưới của điện

nhưng cũng có thể gây khó khăn cho đọc điện não

động của bệnh nhân thì có đường biểu thị đột ngột, và trong hầu hết trường hợp nó

thường được thấy trong khi ghi điện não ở trong phòng săn sóc đặc biệt và cả 2 đều

1.4.2 Nhi ễu mắt (Electrooculogram – EOG)

áp đo được gần như tỉ lệ với góc nhìn Ở đây ta có thể ghi nhận chênh lệch điện áp này tương ứng với mức độ chuyển động và hướng chuyển động của mắt để làm

làm thay đổi độ chênh lệch điện thế tạo ra tín hiệu EOG mà còn ảnh hưởng làm thay đổi điện thế ở các vị trí khác trên da đầu và do đó làm thay đổi tín hiệu EEG

Hình 1.4.1: Minh h ọa nhiễu mắt EoG và nhiễu cơ EMG trong quá trình đo điện não

não đồ thông thường Việc nghiên cứu và phân tích các tính chất của các tín hiệu

1.4.3 Nhi ễu cơ (Electromyogram – EMG)

điều tạo ra nhiễu cơ lên tín hiệu điện não

1.5 Động kinh trong tín hiệu EEG

(đặc biệt trẻ em) rất nhiều trong việc chủ động đối phó với bệnh động kinh

EEG được chia thành các phần dữ liệu sau:

- Ictal: được xác định đoạn tín hiệu gắn hoạt động động kinh trong não Hoạt động này có độ dài thay đổi nhưng thường kéo dài gần khoảng ba phút

- Pre-ictal: được xác định là khoảng thời gian ngay trước khởi phát cơn động

nhưng Mormann et al 2007 cho rằng đó là những sự thay đổi điện sinh lý học kéo

- Post-ictal: được xác định là khoảng thời gian (thường 5-10 phút) hoạt động

thường

- Inter-ictal: là đoạn tín hiệu không động kinh (bình thường), còn gọi là nằm trước trạng thái pre-ictal và nằm sau trạng thái post-ictal

động kinh sắp xuất hiện

động kinh

Trước cơn (pre-ictal)

Sau cơn (post-ictal)

Cơn động kinh (ictal)

Hình 1.5.1: Minh h ọa tín hiệu động kinh

Giữa cơn

(inter-ictal)

Hình 1.5.2: Mô hình d ự đoán đưa ra cảnh báo trước cơn động kinh

pre-ictal, đó là cơ sở tiền đề để chúng ta phát hiện sớm cơn co giật trước khi nó xảy

ra Hình 1.5.2 là mô hình dự đoán để đưa ra cảnh báo trước khi cơn động kinh xảy ra

Hình 1.5.3: Minh h ọa về cảnh báo Đúng và cảnh báo Sai về cơn động kinh

(False arlam) Thuật toán dự đoán đưa ra một cảnh báo có thể Đúng hoặc Sai phụ thuộc vào sự xuất hiện cơn động kinh trong khoảng thời gian cảnh báo cụ thể Cảnh báo là Sai nếu được đưa ra quá sớm trước cơn co giật (hoặc không xuất hiện cơn sau cảnh báo) và là Đúng nếu nằm trong khoảng thời gian phù hợp (do thuật toán

quyết định) trước cơn co giật (thường cảnh báo đưa nằm trong giai đoạn trạng thái

pre-ictal) (Hình 1.5.3)

đoán sớm cơn động kinh (ít nhất là 30 giây) đang được thử nghiệm và giới thiệu vào tháng 2/2015 Hệ thống này được nghiên cứu bởi trường Kumamoto University và

(http://asia.nikkei.com/Tech-Science/Tech/Smartphone-alert-helps-patients-prepare-for-seizures) Hệ thống này tập trung phát hiện các cơn co giật cục bộ

rất nhiều đến hoạt động nhịp tim (trước cơn co giật, các thay đổi trong hoạt động thần kinh sẽ làm ảnh hưởng đến hoạt động của tim) Hình (a) là mô hình hệ thống

(a) (b) Hình 1.5.4: M ột thiết bị phát hiện sớm động kinh đang được thử nghiệm

trong sọ (intracranial) Hình (a)- các điện cực được cấy vào sọ, hình (b)-mô hình thiết bị

(a) (b) Hình 1.5.5: Minh h ọa thiết bị phát hiện sớm động kinh sử dụng tín hiệu điện não

1.6 Cơ sở dữ liệu bệnh động kinh: CSDL Đại học Freiburg

Mỗi bản ghi gồm 2 file: file mô tả các thông “.head” và file dữ liệu “.data”(Hình

bit

Hình 1.6.1: Mô t ả đinh dạng file “.head”

Hình 1.6.2: Mô t ả đinh dạng file “.data”

tuổi) với tổng cộng 450 giờ ghi với 79 cơn động kinh

(http://epilepsy.uni-freiburg.de/freiburg-seizure-prediction-project/eeg-database )

Hình 1.6.3: Minh h ọa một bản ghi EEG đã được đánh dấu trong CSDL ĐH Freiburg

1.7 Kết luận

nhau gây ra, đặc trưng là sự lặp đi lặp lại của các cơn do sự phóng điện quá mức, đồng thời của các tế bào thần kinh não bộ, dù cho triệu chứng lâm sàng và cận lên

khác nhau trên da đầu tương ứng với các vùng của vỏ não

(fundamental frequency), biên độ (amplitude), hình dạng (morphology), vị trí (localization)

(Electromyogram – EMG)

Ch ương 2 - CÁC ĐẶC TRƯNG CỦA TÍN HIỆU EEG ĐƯỢC

SỬ DỤNG TRONG PHÁT HIỆN BỆNH ĐỘNG KINH

2.1 Các đặc trưng đơn biến

động kinh, (Dreito B et al., 2011) Dữ liệu EEG trước tiên được phân đoạn theo

từng cửa sổ, sau đó được xử lý bởi bộ lọc notch tần số 50 hoặc 60 Hz nhằm loại bỏ ảnh hưởng nhiễu 50/60 Hz gây bởi nguồn cung cấp xoay chiều Các đặc trưng đơn biến lấy từ tín hiệu EEG sẽ thể hiện được các thông tin về cả biên độ lẫn pha/tần số của từng kênh tín hiệu EEG

Bảng 2.1: Một số đặc trưng đơn biến của tín hiệu EEG

Đặc trưng tín hiệu EEG

Miền thời gian

Trị trung bình (thống kê bậc 1) Phương sai (thống kê bậc 2) Skewness (thống kê bậc 3) Kurtosis (thống kê bậc 4) Năng lượng trong thời gian dài (long-term energy) Hjorth mobility (thông số Hjorth)

Hjorth complexity (thông số Hjorth) Decorrelation time

Sai số bình phương cực tiểu của mô hình tự hồi quy AR

Miền tần số

Công suất tương đối băng delta (0.1-4 Hz) Công suất tương đối băng theta (4-8 Hz) Công suất tương đối băng alpha (8-15 Hz) Công suất tương đối băng beta (15-30 Hz) Công suất tương đối băng gamma (>30 Hz) Tần số biên phổ (Spectral edge frequency) Công suất biên phổ (Spectral edge power)

Miền thời gian – tần

số Năng lượng các 6 band wavelet (sử dụng hàm wavelet daubechies bậc 4)

2.1.1 Đặc trưng thống kê (miền thời gian) của tín hiệu

Trị trung bình (mean): Thống kê bậc một của tín hiệu, liên quan đến sự dịch chuyển

của đường base-line của bản ghi EEG

( )1

đối xứng của hàm phân bố biên độ, kurtosis là hàm đo xác định hàm phân bố biên

độ của tín hiệu là nhọn hay dẹt so với phân bố chuẩn (hình chuông - hàm Gauss) Các công trình nghiên cứu đã chỉ ra có sự biến đổi đáng kể về giá trị phương sai và

kurtosis ở giai đoạn trước cơn co giật pre-ictal, thể hiện qua sự suy giảm giá trị

phương sai và tăng giá trị kurtosis (đồng nghĩa với hàm phân bố biên độ nhọn hơn)

ở giai đoạn pre-ictal so với gia đoạn bình thường inter-ictal trước đó (Aarabi A et

al., 2009)

Năng lượng trong thời gian dài: Năng lượng của tín hiệu đơn giản là giá trị trung

bình của năng lượng tín hiệu trong khoảng thời gian (cửa sổ) cho trước:

( )

w

2 1

1Ew

ngắn short-term) hay còn gọi là năng lượng tích lũy (Accumulated Energy- AE) là một đặc trưng quan trọng trong phát hiện tình trạng bất thường của não, thường

được sử dụng trong dự đoán cơn động kinh (Brian Litt et al., 2001) AE được định

nghĩa là trung bình năng lượng trong một khoảng thời gian dài dựa trên các giá trị

lượng tích lũy được tính như sau:

1

110

thuộc tính thống kê của một tín hiệu EEG trong miền thời gian được đưa ra bởi Bo

Hjorth, 1970, gồm một tập ba loại thông số Hjorth: Activity, Mobility và

( )

( ' )

mobility y t mobility y t

Thông số Activity là phương sai của hàm thời gian, thể hiển phổ công suất trong

miền thời gian Giá trị của Activity là lớn/nhỏ khi các thành phần tần số cao trong tín hiệu tồn tại nhiều/ít

sai đạo hàm bậc một của tín hiệu và phương sai của tín hiệu Thông số này thể hiện

tỷ lệ độ lệch chuẩn của phổ công suất

sóng hình sin Giá trị Complexity hội tụ tới 1 khi hình dạng tín hiệu tương tự với

sóng hình sin

hơn tại thời điểm lân cận khởi phát cơn co giật sẽ dẫn tới sự tăng giá trị của Hjorth mobility và complexity

2.1.3 Th ời điểm bất tương quan

tương quan sẽ đánh giá độ giống nhau (tương quan) giữa hai tín hiệu này Hàm tự tương quan được sử dụng để phát hiện tính tĩnh (ít biến động) theo thời gian của tín hiệu Decorrelation time (thời điểm bất tương quan) là thời điểm (độ trễ tính theo số mẫu của tín hiệu) của điểm cắt-không (zero-crossing) đầu tiên của hàm tự tương

Hình 2.1.1: Minh h ọa khái niệm thời điểm bất tương quan (Decorrelation-time)

Hình 2.1.1 minh họa thời điểm bất tương quan (decorrelation-time) của tín hiệu (điểm cắt-không đâu tiên của hàm tự tương quan), đó là thời điểm các mẫu tín hiệu

( )

nhận biết phân biệt trạng thái trước cơn động kinh pre-ictal từ trạng thái bình thường inter-ictal do tại thời điểm trước cơn, giá trị decorrelation-time sẽ suy giảm

2.1.4 Mô hình t ự hồi quy AR

trước đó V

Transform) của đoạn tín hiệu sau đó tính tổng các hệ số Fourier nằm trong từng băng cụ thể Các thực nghiệm trước đây cho thấy khi hoạt động não tăng ở một số băng tần số trong các tình huống cụ thể thì đồng thời sẽ giảm ở các băng tần số

delta trong quá trình quá độ từ trạng thái bình thường (inter-ictal) đến khởi phát

cơn, đồng thời đi kèm sự suy giảm năng lượng ở băng khác

2.1.6 T ần số biên phổ và công suất biên phổ

một băng tần số từ 0 cho đến 40 Hz (trong một số công trình nghiên cứu chọn tần số

phân bố công suất gọi là tần số biên phổ (Spectral edge frequency -SEF), được định

Hiển nhiên, tương ứng với SEF, ta có công suất biên phổ (Spectral edge power –

đặc trưng tín hiệu EEG thì x thường chọn là 50% (50% SEF hoặc median frequency) :

Hình 2.1.2: Minh h ọa khái niệm 50% SEF và 95% SEF dựa trên phân bố năng lượng

2.1.7 Bi ến đổi wavelet

con bao gồm các thành phần đóng góp vào hình dạng sóng tín hiệu theo các tỷ lệ (thời gian) nhất định Trên thực tế biến đổi wavelet sẽ thích hợp hơn với loại tín hiệu tính chất không-dừng (non-stationary) như EEG hơn biến đổi Fourier vốn được

sử dụng cho giả thiết tín hiệu dừng (stationary)

Wavelet Transform) để phân tách tín hiệu thành các băng tần số khác nhau Việc lựa chọn hàm wavelet thích hợp cũng như số mức phân tách là rất quan trong trong DWT Ở đây, chúng ta sẽ chọn biến đổi Daubechies bậc 4 (db4) để phát hiện các sự thay đổi trong tín hiệu EEG Hình 2.1.3 minh họa sử dụng DWT để phân tách tín hiệu EEG thành các tín hiệu băng con (từ tần số lấy mẫu 256Hz) Tín hiệu qua các

bộ lọc (thông cao HP, thông thấp LP) thu được tín hiệu EEG băng (0-64Hz) và tín hiệu băng cao gọi là phần dư (64-256 Hz) Từ tín hiệu EEG chúng ta sử dụng các

Hình 2.1.3: Minh h ọa thực hiện biến đổi DWT để thu được tín hiệu các băng cơ bản

Như vậy đầu ra quá trình này gồm tín hiệu 6 băng (băng 1- băng 6): phần dư

và băng 6 tương ứng với phần tần số thấp nhất trong tín hiệu Ta tính năng lượng của 6 băng này theo (2.5) và sử dụng năng lưọng 6 băng này như 6 đặc trưng đơn

biến của EEG (Dreito B et al., 2008)

2 2 Các đặc trưng đa biến

hay nhiều kênh tín hiệu EEG, chẳng hạn các hàm đo về sự đồng bộ (synchronization), tương quan chéo (cross-correlation) hoặc thông tin hỗ tương (mutual information) Mặc dù các đặc trưng đa biến dường như nắm bắt được những sự thay đổi (tín hiệu) đặc biệt ở khởi đầu cơn động kinh (seizure onset),

nhưng chúng vẫn ít khi được ứng dụng cho việc phát hiện động kinh (Morman et al, 2007) hoặc để phân tích sự thay đổi ngoài khởi đầu (Schiff et al, 2005)

Các thông số đồng bộ pha

hai khu vực não Trong quá trình phát triển cơn động kinh, các nơ-ron bắt đầu bùng

phát đồng thời Do đó việc định lượng và phát hiện sự đồng bộ pha sẽ cung cấp một

cơ chế phát hiện động kinh

Huygens giới thiệu từ thế kỷ 17 Trong trường hợp cổ điển, đồng bộ pha được định nghĩa như sự khóa pha của các tín hiệu:

quan hệ giữa pha hai tín hiệu

1996 thay điều kiện khóa pha bằng một điều kiện ràng buộc yếu hơn:

(m n, ) m x( )t n y( )t const

pha bình quân Mean Phase Coherent (MPC) được định nghĩa như sau:

cứu đã chứng minh MPC có sự thay đổi đáng kể trong quá trình khởi phát cơn

(inter-ictal) sự đồng pha giữa các kênh tín hiệu thường lớn (MPC lớn) tuy nhiên khi bắt

đầu vào trạng thái trước cơn (pre-ictal) các kênh tín hiệu bắt đầu biến thiên mạnh

(không còn ổn định) Điều đó dẫn đến sự suy giảm về đồng bộ pha giữa các kênh dẫn đến giá trị MPC giảm

Hình 2.2.1: Minh h ọa về biến thiên của đặc trưng đa biến MPC trước cơn động kinh

minh họa đặc trưng MPC (được tính toán theo phương pháp cửa sổ trượt) sử dụng

hai tín hiệu ở hai điện cực trong 3 giờ cho một khoảng giữa cơn (inter-ictal) (hình

2.2.1.a) Trong phần lớn thời gian, đặc trưng dao động trong khoảng biên độ từ 0,6 đến 0,8 và giảm đột ngột tại các thời điểm xấp xỉ các phút 50, 80, 120 và 160 Hình 2.2.1.b đến 2.2.1.d minh họa đặc trưng MPC của ba khoảng thời gian 50 phút trước

cơn (pre-ictal) Điểm khởi phát cơn được đánh dấu bằng đường thẳng dọc tại điểm

thời gian không Trong khoảng thời gian trước cơn, sự suy giảm biên độ MPC sẽ được xem xét nghiên cứu

đổi của MPC đã được so sánh với các quá trình giữa cơn xảy inter-ictal ra ở rất xa

cơn động kinh Liệu các sự thay đổi này có là hữu ích cho phép dự đoán cơn động kinh với độ tin cậy cao? Trong phần tiếp theo bàn về phương pháp dự đoán cơn bằng ngưỡng(mục 3.2.1), chúng ta sẽ trở lại vấn đề này

Tương quan chéo tuyến tính cực đại

đoán về động kinh (Yadollahahpour A and Jalilifar M., 2014) Tương quan chéo

cực đại (maximum linear cross-correlation, MCC) là đại lượng dùng đánh giá sự

( )( ) ( )( ) ( )( )

trong đó ( )( )

( )( )1

1

0,

− +

2.3 Một số đặc trưng của các loại tín hiệu y sinh khác dùng trong chẩn đoán động kinh

2.3.1 Tín hiệu điện tâm đồ ECG

động kinh (Novak et al., 1999) Các thuộc tính này bao gồm thống kê liên quan

khoảng cách các đỉnh R-R (trung bình, phương sai, khoảng cách cực đại, cực tiểu), entropy xấp xỉ, các đặc trưng miền tần số và thống kê số nhịp mỗi phút BPM (beats per minute) bao gồm trung bình, phương sai, giá trị cực đại, cực tiểu

2.3.2 Tín hi ệu cộng hưởng từ chức năng FMRI

có cùng những thuộc tính chức năng (hoặc có cùng liên quan đến một chức năng cụ thể) Cụ thể hơn, khái niệm này có thể được định nghĩa như là một sự tương quan

về thời gian giữa các sự kiện thần kinh xảy ra trong không gian não, thông qua độ sai khác tính độc lập thống kê giữa các sự kiện này trong các khu vực hoặc các nhóm thần kinh có phân bố cụ thể, xác định

ảnh cộng hưởng từ fMRI Tuy nhiên thường gặp khó khăn do trên thực tế fMRI chỉ

đo được hoạt động của não cách đoạn (vài giây) nên khó có thể đánh giá được mức

độ liên kết thần kinh của não Sự hoạt động của các nơ-ron xảy ra trong khoảng thời gian được tính theo phần nghìn của giây trong khi phần lớn các phương pháp hình ảnh chức năng dựa vào sự thay đổi tưới máu não hoặc thể tích máu mà điều này

lớn (ms) thường sẽ là sự bổ xung cần thiết của fMRI trong việc phân tích chức năng não Số liệu điện sinh lý của EEG có thể kết hợp với các số liệu chức năng của

gian cao