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

Như vậy có thể thấy, việc khai thác, phân giải được các thông tin tưởng tượng điều khiển vận động từ sóng não và tạo ra được các quyết định phân loại tín hiệu tưởng tượng vận động từ són

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 được công bố trong bất kỳ công trình nào khác

Tập thể giáo viên hướng dẫn

Phạm Văn Bình

Phạm Hải Đăng

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

MỞ ĐẦU……… … 1

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 IHMv dựa trên việc sử dụng các bộ lọc số có pha bằng không……… … 31

1.2.2.2 Tăng cường chất lượng kênh đo tín hiệu IHMv bằng kỹ thuật lọc không gian……… ……36

1.2.2.3 Phân giải các nhóm tín hiệu điện não IHMv (segmentation) từ bản ghi điện não đồ……… ……38

1.3 Kết luận chương……… ……47

CHƯƠNG 2 PHÁT TRIỂN BỘ ĐẶC TRƯNG MỚI NÂNG CAO

ĐỘ CHÍNH XÁC PHÂN LOẠI HỆ THỐNG QUYẾT ĐỊNH BA PHÂN

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

2.2 Xây dựng bộ các thuộc tính định lượng tín hiệu IHMv……… ……60 2.3 Mô tả bộ cơ sở dữ liệu tưởng tượng vận động/vận động chi trên Physionet ……66

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

2.4.1 Phương pháp phân tích phương sai một chiều ANOVA………… ……73

2.4.2 Đề xuất xây dựng bộ đặc trưng lựa chọn bằng phương pháp kiểm

3.1 Xây dựng vectơ đặc trưng mô tả tín hiệu điện não IHMv từ bộ thuộc tính

3.3 Đề xuất xây dựng mô hình phân loại 3IHMv_SVM2 dựa trên mô hình vectơ học máy phi tuyến (SVM) thực hiện phân lớp ba trạng thái tưởng tượng vận động tay trái, tay phải và nghỉ……… …96 3.4 Mô phỏng và đánh giá khả năng phân loại của bộ phân loại 3IHMv_SMV2 …100

CHƯƠNG 4 XÂY DỰNG BỘ DỮ LIỆU ĐIỆN NÃO IHMv CỦA

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

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……… … 107

4.1.2 Kết quả và đánh giá bộ dữ liệu……… … 116

4.2 Xây dựng bộ công cụ phân tích tín hiệu IHMv, ứng dụng tạo quyết định ba phân nhóm IHMv……… ……… ….124

4.3 Kết luận chương……… … 126

KẾT LUẬN CHUNG……… ….128

1 Các đóng góp mới……… ….128

2 Hướng nghiên cứu tiếp……… ….129

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ………… … 130

TÀI LIỆU THAM KHẢO……… … 131

PHỤ LỤC 1……… ….142

PHỤ LỤC 2……… ….151

PHỤ LỤC 3……… ….155

PHỤ LỤC 4……… … 168

PHỤ LỤC 5……… … 171

DANH MỤC TỪ VIẾT TẮT

Average

Tự đồng hồi quy trung bình dịch

Desynchronization

Khử đồng bộ liên quan đến sự kiện

perturbation

Phổ năng lượng hỗn loạn liên quan đến sự kiện

Imaging

Cộng hưởng từ chức năng

Analysis

Phân tích thành phần độc lập

ICMS Intracortical Microstimulation Vi kích thích trong hộp sọ

L Left Trái

Decomposition

Phương pháp MEMD

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

phương

Characteristic

Đường cong ROC

Independent Component Analysis

Phân tích thành phần độc lập dựa trên biến đổi wavelet

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 Mô tả các hệ số chi tiết và xấp xỉ dựa trên biến đổi wavelet 8

mức SWT

60

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

theo các phân nhóm IHMv khác nhau

69

Bảng 2.3 Giá trị ANOVA F và p với các thuộc tính trong dải θ, α và β

của kênh C3 và C4

76

Bảng 2.4 Nhóm 62 thuộc tính đề xuất theo phương pháp lựa chọn đặc

trưng dựa trên ANOVA sử dụng để xây dựng vectơ đặc trưng tín hiệu IHMv

80

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

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

102

Bảng 3.6 So sánh kết quả phân loại các phân nhóm IHMv của bộ phân

loại đề xuất 3IHMv_SVM2 với các nghiên cứu tương đương

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

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

các lớp

16

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)

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

Hình 1.15 Phân bố năng lượng trên một số đối tượng thực hiện tưởng

tượng vận động tay và chân phải

29

Hình 1.17 Tín hiệu kênh C3 bộ S004RR04 trước và sau khi lọc thông dải

1 Hz – 40 Hz

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 Định vị các đoạn tín hiệu tương ứng với tưởng tượng vận động

chi trên

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 tưởng tượng vận động chi trên trên kênh C3

45

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

ứng với 3 trạng thái tưởng tượng vận động chi trên trên kênh C4

Hình 2.3 Bản đồ điện cực của hệ thống đo điện não EEG 64 điện cực

tuân theo chuẩn 10/20

68

Hình 2.4 Biểu đồ hộp mô tả phân bố dữ liệu các phân nhóm theo từng

thuộc tính

70

Hình 2.5 Các bước lựa chọn thuộc tính theo phương pháp phân tích

phương sai ANOVA

75

Hình 3.3 Mô tả ma trận nhãn 88 Hình 3.4 Mặt siêu phẳng và các lề khi huấn luyện bằng mô hình SVM

cho các mẫu thuộc hai phân lớp

89

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

3D

91

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 gamma

95

Hình 3.7 Kiểm tra chéo hold-out được áp dụng để xây dựng bộ phân

loại SVM

96

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

mô hình 2 tầng SVM phi tuyến

98

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

112

Hình 4.8 Hướng dẫn đối tượng thực hiện tưởng tượng vận động tay trái

hoặc tay phải Các mũi tên lần lượt được xuất hiện trong các thời điểm định sẵn

114

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

115

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

118

Hình 4.11 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

119

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

bộ lọc FIR (1 – 40 Hz) (Bản ghi P011E08)

119

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

thí nghiệm P011E08 (tưởng tượng vận động tay)

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 Do đó, 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 Trong đó, sóng não 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 vận động chi trên mà không tạo ra chuyển động thật Việc nghiên cứu các tín hiệu này có thể giúp chúng ta giải mã được các hoạt động của não bộ liên quan đến hệ vận động người Mặt khác, các sóng não chứa thông tin điều khiển vận động cũng sẽ giúp tạo sợi dây liên lạc mới từ não bộ người 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 đưa ra các mệnh lệnh 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, việc khai thác, phân giải được các thông tin tưởng tượng điều khiển vận động từ sóng não và tạo ra được các quyết định phân loại tín hiệu tưởng tượng vận động từ sóng não sẽ có vai 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 Hiện nay, các hệ thống phân loại 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 Lý do cho các vấn đề này đó là sóng điện não IHMv là tín hiệu phức tạp và có bản chất không dừng Do vậy, khi xây dựng các hệ thống phân loại sóng điện não IHMv ta cần thiết phải quan tâm nghiên cứu tìm ra các thuộc tính đặc

tả loại tín hiệu này Đã có một số phương pháp xây dựng bộ đặc trưng cho tín hiệu IHMv được phát triển như phương pháp 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], sử dụng các thuộc tính thống kê 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 tốc độ 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 vectơ học máy CS_SVM, CS_LDA [98], [125] hoặc mạng

nơ ron 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 vectơ 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 vận động tay trái và tưởng tượng vận động 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 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 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 tại các cơ sở y tế trong nước, 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 thấy được tiềm năng trong việc sử dụng các tín hiệu điện não như là một kênh giao tiếp mới tới các hệ thống hỗ trợ vận động ngoại vi cho các bệnh nhân có hệ thống truyền dẫn thần kinh từ não bộ bị ngắt Để thực hiện điều này, sự liên kết và phối hợp nghiên cứu của các bác sỹ chuyên khoa thần kinh và các nhà khoa học kỹ thuật là rất cần thiết để có thể 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 Nhờ đó, các bệnh nhân có bộ não tốt vẫn

hoàn toàn có thể thực hiện được các vận động tự chăm sóc phục vụ cá nhân và giảm gánh nặng cho gia đình và xã hội Tại một số ít cơ sở nghiên cứu trong nước hiện nay, một số thiết bị đeo trên đầu đã được nghiên cứu và sử dụng để hỗ trợ người tàn tật thực hiện điều khiển xe lăn Tuy nhiên các hệ thống 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 tưởng tượng điều khiển vận động của não bộ Do vậy, để đẩy mạnh các hướng nghiên cứu về tín hiệu điện não liên quan đến tưởng tượng điều khiển vận động trên đối tượng là người Việt Nam, luận án sẽ nghiên cứu các phương pháp thu nhận và phân giải các tín hiệu điện não liên quan đến tưởng tượng vận động và vận động thật để xây dựng 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 loại 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 nhóm 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 nhóm IHMv dựa trên bộ đặc trưng và phương pháp phân loại đề xuất

- Xây dựng bộ dữ liệu điện não liên quan đến tưởng tượng 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 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 Luận án cần nghiên cứu mô hình, phương pháp định lượng tín hiệu IHMv và đề xuất bộ 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 nhóm IHMv bao gồm: tưởng tượng vận động tay trái (Lf_IHMv), tưởng tượng vận động tay phải (Ri_IHMv)

và trạng thái nghỉ (Re_IHMv) dựa trên tín hiệu sóng não 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 nhóm IHMv là một vấn đề cần giải quyết

- Nghiên cứu và xây dựng bộ cơ sở dữ liệu điện não liên quan đến tưởng tượng vận động chi trên của đối tượng là 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 ra quyết định phân lớp trạng thái đầu ra, phục vụ cho các hệ thống hỗ trợ vận động điều khiển bằng sóng não

- Nghiên cứu xây dựng bộ cơ sở dữ liệu tín hiệu điện não liên quan đến tưởng tượng 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 nhóm IHMv

- Kiểm chứng đánh giá phương pháp phân loại 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 nhóm IHMv trên bộ dữ liệu mẫu

- Đề xuất phương pháp sử dụng các thông số định lượng tín hiệu IHMv để phân loại ba 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 vectơ 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 nhóm 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 đóng góp vào bộ dữ liệu điện não liên quan đến tưởng tượng vận động và vận động thật 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: 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: 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 thuộc tính 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 thuộc tính để xây dựng vectơ đặc trưng

mô tả tín hiệu điện não IHMv dựa trên khả năng phân biệt các trạng thái tưởng tượng vận động chi trên theo chỉ số F và p của mô hình phân tích phương sai ANOVA

- 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 nhóm 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: Trình bày quy trình xây dựng bộ dữ liệu liên quan đến tưởng tượng

vận động và vận động chi trên của đối tượng đo là người Việt Nam để phục

vụ phân tích và nghiên cứu Phần đầu chương mô tả phương pháp thiết lập hệ thống và đối tượng đo để thu nhận tín hiệu điện não IHMv Phần tiếp theo mô

tả đóng góp xây dựng 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

1.1 Hệ thần kinh điều khiển vận động

Não là hệ thần kinh trung ương của các cơ thể sống có chức năng điều khiển hoạt động của hầu hết 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, theo một số nghiên cứu, não người Việt Nam có cân nặng khoảng 1400 gam và bộ não của nam giới thường

có trọng lượng lớn hơn của 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 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 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 hầu như chiếm toàn bộ khối lượng và thể tích não bộ Đại não bao 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 thường có các khe, các rãnh ăn sâu vào trong và chia bề mặt đại não thành các thuỳ

và các hồi não Bán cầu trái sẽ 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 này xảy ra ở thân não

Hình 1.2 Vị trí của đại não [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 của đại não có 3 khe là khe Sylvius (khe bên); khe Rolando (khe trung tâm); khe thẳng góc ngoài (khe đỉnh thẩm), chia mặt ngoài thành 4 thùy:

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

thùy 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 lại 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 Nó bị thùy chẩm của bán cầu đại não che khuất Tiểu não phát triển mạnh ở động vật có vú và chim Về mặt giải phẫu, 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 nơ ron) 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 khả năng truyền vài mét trong tủy sống Gai thần kinh 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 chuyển tiếp của trục thần kinh và nhánh thần kinh hoặc giữa nhánh thần kinh với nhánh thần kinh của tế bào khác

Điện thế có cực âm ở dưới lớp màng của thân tế bào có giá trị khoảng 60 – 70 mV Điện thế này sẽ thay đổi do 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

Khi sợi trục kết thúc ở một khớp thần kinh hạn chế, hiện tượng siêu phân cực

sẽ xảy ra 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 trước synap dẫn đến hoạt động EPSP và IPSP ở

nơron sau synap [110]

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 này được sinh ra là do sự trao đổi ion giữa các màng tế bào thần kinh Sự thay đổi điện thế màng xảy ra trong một khoảng thời gian ngắn và được truyền dọc trục thần kinh Nó thường được bắt đầu từ thân tế bào và truyền theo một hướng Khi điện áp màng khử cực (trở nên dương hơn) thì sẽ tạo ra đỉnh của một AP Sau khi tạo đỉnh, màng lại tái cực (trở nên âm hơn) Điện thế khi tái cực này âm hơn so với điện thế nghỉ và sau một khoảng thời gian điện thế màng lại trở lại bình thường Điện thế hoạt động của hầu hết các tế bào kéo dài trong khoảng 5 – 10 ms (Hình 1.5)

Thông thường, vận tốc dẫn của điện thế hoạt động nằm trong khoảng từ 1 đến

100 m/s Các AP thường được khởi tạo từ nhiều kiểu kích thích khác nhau như hóa

0 -60

0 -60

0 -60

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 xuất hiện 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, biên độ của AP thường có giá trị xấp xỉ -60 mV đến 10 mV Các

tế bào thần kinh thường 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 và có thể đo bằng

máy điện cơ Lúc này, một trường điện thứ cấp trên sọ cũng xuất hiện và có thể đo được bằng hệ thống điện não Sự chênh lệch về điện thế được gây nên bởi các điện thế sau synap 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 của người được cấu tạo bởi nhiều lớp khác nhau bao gồm: da đầu, sọ, não cùng nhiều lớp mỏng ở giữa Khi đo tín hiệu qua sọ người, tín hiệu bị suy giảm xấp xỉ một trăm lần so khi đo qua lớp mô mềm Như vậy, tín hiệu điện não bị suy giảm chỉ còn cỡ µV nếu đo bằng các điện cực trên da đầu Do đó nó khá nhỏ và dễ bị nhiễu can thiệp Như vậy phải cần một lượng đủ lớn các nơ ron được kích thích mới có thể tạo đủ điện thế để có thể thu nhận và ghi được từ 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 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 Các tín hiệu này cần 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

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

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

giữa các nơ ron nên EEG là một công cụ phù hợp Do có độ phân giải thời gian rất tốt nên người ta thường kết hợp đo điện não EEG với fMRI là hệ thống có độ phân giải không gian tốt để nghiên cứu các vấn đề liên quan đến não bộ Mặt khác, phương pháp đo 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 bốn nhóm theo phổ tần số chính: sóng beta (>13 Hz), alpha (8 – 13 Hz), theta (4 – 8 Hz) và delta (0.5 – 4 Hz) Sóng alpha (8 – 13 Hz) 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 Mu (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]

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 có thể được bắt đầu bởi các kích thích bên trong hoặc bên ngoài Các ERPs được nghiên cứu để nhận diện các khía cạnh của quá trình nhận thức bình thường hoặc bất thường Tuy nhiên, 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 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 người được chia thành những khu vực đảm nhiệm khởi tạo chuyển động, cảm nhận có ý thức, phân tích, thể hiện cảm xúc và hành vi Trong đó, vùng tiểu não

có chức năng tổ chức các chuyển động chủ động của cơ và duy trì cân bằng Mặt khác, tiểu não cũng 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 khu vực vỏ não điều khiển vận động Đây là khu vực tham gia chủ yếu vào quá trình lập kế hoạch, điều khiển cũng như thực hiện các chuyển động

có chủ ý Mỗi vùng này có 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 não 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 Vùng này

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

Nơ ron 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 Do đó, khi nơ ron 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 hỗ trợ cho quá trình chuyển động, một số khu

vực khác trên não bộ cũng được kích hoạt như vỏ não tiền vận động và 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

và 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 Vùng 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 như chuẩn

bị cho chuyển động, cảm giác dẫn đường của chuyển động và dẫn đường không gian cho động tác Vùng tiền vận động nằm dịch lên phía trên của

vỏ não vận động chính

- Vùng vận động bổ sung SMA: Có nhiều nghiên cứu đề xuất chức năng

của khu vực này như chức năng lập kế hoạch chuyển động, lập kế hoạch chuỗi chuyển động hoặc 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 ở Người

của Brodmann

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

Vùng vận động và cảm giác của vỏ não tuân theo một số 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 Đây 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 nơ ron 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 nơ ron vận động tới phần cuối não dính với tủy sống Tại đây hầu hết các sợi trục thần kinh của nơ ron 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) độ 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 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 Điều này cho thấy các

nơ ron thần kinh ở một vài vị trí trên vỏ não sẽ định hướng các sợi trục thần kinh tới cùng một đích

Nhiều nghiên cứu về não bộ cho thấy, 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 đó bằng

kỹ thuật cộng hưởng từ, có thể thấy được 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] Tuy nhiên, liên quan đến hoạt động tưởng tượng tay trái và tay phải, nghiên cứu [17] giải thích được lý do vì sao có thể phân biệt về mặt không gian bằng kỹ thuật EEG so với việc phân biệt vận động chân trái và chân phải

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

C: Trong một phép thử khác của việc thực hiện một trình tự đã tập luyện và một chuyển động mới, các khu vực bị kích hoạt ở khu vực hoạt động sơ cấp ở chuyển động

đã tập luyện là lớn hơn, vì vậy, sự mở rộng của việc kích hoạt không chỉ đơn thuần

là ảnh hưởng của việc sắp xếp mà bài tập được thực hiện

1.1.5 Tín hiệu điện não đồ liên quan đến tưởng tượng vận động

Trên thế giới, có một số phương pháp đo không can thiệp đang được sử dụng

để trích xuất thông tin từ các hoạt động của não bộ và phát hiện ra khu vực chức năng nhận thức, vận động như fMRI [119], [36], MEG [12], [64], EEG [34], [56], [97] hoặc kết hợp giữa các phương pháp trên [128], [86] Trong các phương pháp trên, kỹ thuật điện não đồ EEG có ưu điểm là phương pháp không xâm lấn, dễ thiết lập và có

độ phân giải thời gian tốt (ms)

Như ta đã biết, quá trình tưởng tượng vận động được coi như một quá trình nhận thức có ý thức tới nội dung của việc muốn chuyển động Quá trình này thường được thực hiện vô thức khi chuẩn bị vận động Một số nghiên cứu cho rằng việc tưởng tượng vận động có ý thức và chuẩn bị vận động vô thức có cùng cơ chế và có chức năng tương đương [60], [61] Khu vực vận động chính nếu chỉ đơn thuần là khu vực thực hiện vận động trong toàn bộ hệ thống thần kinh vận động thì sẽ không có bất kỳ một hoạt động nào có thể mong muốn xuất hiện trong quá trình tưởng tượng vận động Tuy nhiên trong nhiều nghiên cứu sử dụng fMRI đã cho thấy, khu vực vỏ não vận động chính cũng được kích hoạt trong quá trình tưởng tượng vận động [84] Theo các nghiên cứu [41], [65], [103], [95] về quá trình tưởng tượng vận động và thực hiện vận động ở người đã chỉ ra sự tương đồng trong phân bố năng lượng tín hiệu và diễn

ra ở các dải tần số alpha (8 – 13 Hz), beta (15 – 30 Hz) và tại các khu vực giải phẫu giống nhau của não bộ Sự xuất hiện của các sóng điện này thường có liên quan đến các sự kiện vận động hoặc các thông tin động học (vị trí, vận tốc) cũng như tĩnh học (lực) Chúng thường xuất hiện trước, đồng thời và sau khi có đáp ứng [115], [69] Nhiều nghiên cứu đã được triển khai sử dụng các đặc điểm năng lượng phổ tại các dải tần số, tìm ra được các đặc trưng giúp tăng độ chính xác phân loại ERD/ERS là

hai đặc trưng sóng điện não liên quan đến vận động được nhiều nhà nghiên cứu sử dụng Trong đó ERD là sự suy giảm ở một thành phần tần số xác định và liên quan đến sự tăng các hoạt động của nơ ron ERD xuất hiện trong giai đoạn thực hiện và tưởng tượng vận động trên khu vực vỏ não vận động chính M1 Trong khi đó, ERS

là sự tăng một số thành phần tần số do việc hạn chế hoạt động các nơ ron và xuất hiện tại thời điểm chuẩn bị thực hiện hoặc tưởng tượng vận động [24], [39] Nhiều nghiên cứu đã cho thấy cả quá trình vận động và tưởng tượng vận động đều dẫn đến sự xuất hiện ERD và ERS tại khu vực vỏ não vận động và có sự tham gia của sóng alpha (Mu) và sóng beta [95], [103] Bên cạnh đó, biên độ của ERD sẽ tăng lên khi tăng mức độ phức tạp của tác vụ hoặc mức độ tập trung của đối tượng Tuy nhiên các thành phần tần số xác định xảy ra sự tăng hay giảm này có thể thay đổi giữa các đối tượng khác nhau [38] ERD xảy ra trong quá trình tưởng tượng vận động tay khá tương tương tự như ERD xảy ra trước vận động thực [95] Điều này giống như phản ánh trạng thái sẵn sàng hoặc thiết lập trước mạng thần kinh tại khu vực vỏ não vận động Sóng Mu là một thành phần quan trọng khi nó xuất hiện và có thể giám sát được trong quá trình tưởng tượng vận động Sóng Mu cũng có đặc điểm điện áp khá giống sóng alpha ở thùy chẩm, tuy nhiên sóng Mu xuất hiện chủ yếu trên vùng vỏ não vận động và không bị tắt khi mở mắt Nó sẽ xuất hiện tùy thuộc vào mức độ tập trung và được tăng cường nếu ngồi yên [27] Bên cạnh sóng Mu, sóng beta (13 –30 Hz) thường xuất hiện khi não bộ suy nghĩ tích cực, có chủ đích hay khi đang giải quyết vấn đề Sóng beta trung tâm cũng có sự liên quan khi não bộ có các hoạt động liên quan đến điều khiển vận động Các sóng beta dao động được giải thích là trong quá trình vận động cần một lượng các nơ ron thần kinh vận động khử cực Sóng chậm theta (4 – 7 Hz) cũng có liên quan đến quá trình nhận thức, cơ chế tập trung và vận động [55], [63] Có thể nhận thấy trong quá trình tưởng tượng vận động chi, các thành phần sóng cơ bản của điện não đều có những sự biến đổi năng lượng tại một số vị trí không gian, thời gian và tần số xác định Do đó, việc xây dựng các thuộc tính định lượng được sự thay đổi này của tín hiệu IHMv có thể giúp nâng cao khả năng nhận diện tín hiệu Bên cạnh đó, các thuộc tính định lượng tín hiệu IHMv ngoài khả năng