Xây dựng chương trình xử lý và phân tích tín hiệu điện não hỗ trợ chẩn đoán các bệnh lý thần kinh báo cáo tổng kết đề tài khcn cấp cơ sở msđt t khud 2012 20

Đề tài NCKH cấp cơ sở “Xây dựng chương trình xử lý và phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán các bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN T

Trang 1

TRƯỜNG ĐẠI HỌC BÁCH KHOA

F G

BÁO CÁO TỔNG KẾT

ĐỀ TÀI KHCN CẤP CƠ SỞ

XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN TÍCH TÍN HIỆU

ĐIỆN NÃO HỖ TRỢ CHẨN ĐOÁN CÁC BỆNH LÝ THẦN KINH

Chủ nhiệm đề tài: ThS NGUYỄN THỊ MINH HƯƠNG

TS HUỲNH QUANG LINH

Thời gian thực hiện: 02/2012 – 02/2013

Thành phố Hồ Chí Minh – Tháng 08/2013

Trang 2

Đề tài NCKH cấp cơ sở “Xây dựng chương trình xử lý và phân tích tín hiệu điện não đồ

hỗ trợ chẩn đoán các bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22

XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO HỖ TRỢ CHẨN ĐOÁN CÁC BỆNH LÝ THẦN KINH

Nguyễn Thị Minh Hương, Huỳnh Quang Linh

Bộ môn Vật lý kỹ thuật Y sinh, Khoa Khoa học Ứng dụng Trường Đại học Bách khoa – ĐHQG TP.HCM

TÓM TẮT

Với sự hỗ trợ của công nghệ tính toán, nhiều phương pháp xử lý nhận dạng tín hiệu EEG đã được phát triển và đưa ra nhiều kết quả khả quan trong chẩn đoán động kinh, ngưng thở trong giấc ngủ, rối loạn giác quan, khảo sát phản xạ thính giác, tâm thần phân liệt, Parkinson, Azheimer vv… Việc áp dụng các phương pháp trên để xây dựng một phần mềm có tính thân thiện với người dùng nhằm giúp các bác sĩ thần kinh chẩn đoán, nghiên cứu các bệnh lý trên mà không đòi hỏi kiến thức tin học chuyên sâu là việc làm có ý nghĩa thiết thực đáng kể

Trên cơ sở chương trình mã nguồn mở EEGLAB, nhóm tác giả đã xây dựng chương trình xử lý

và hỗ trợ chẩn đoán các bệnh lý thần kinh tích hợp nhiều tiện ích xử lý phức hợp dựa vào các kết quả nghiên cứu về đặc tính vật lý phi tuyến công bố gần đây như xác định hệ số Lyapunov, fractal và phân tích spectrogram, nhằm cung cấp nhiều lựa chọn cho các bác sĩ thần kinh, các học viên ngành y sinh trong nghiên cứu học tập về xử lý và chẩn đoán tín hiệu điện não đối với các hoạt động thần kinh, các triệu chứng bệnh lý đặc thù Chương trình còn có khả năng mở rộng khả năng sử dụng khảo sát các dạng tín hiệu phi tuyến khác như tín hiệu điện tim, điện mắt, điện cơ vv về các tính chất phi tuyến trong các lĩnh vực chuyên sâu phục vụ nhu cầu nghiên cứu và đào tạo chuyên ngành

Trang 3

BUILDING PROGRAM FOR ELECTROENCEPHALOGRAM SIGNAL PROCESSING

AND ANALYSIS SUPPORTING NEUROPATHY DIAGNOSIS

Nguyen Thi Minh Huong, Huynh Quang Linh Department of Biomedical Engineering Faculty of Applied Science, HCMUT-VNU HCM

ABSTRACT

With supporting of computational technology, many methods for EEG signal processing and analysis have been developed and provide remarkable positive results in diagnosis of epilepsy, sleep apnea, sensory disorders, auditory reflection survey, schizophrenia, Parkinson, Alzheimer etc Building a software with user-friendly features based of mentioned methods should have considerably practical significance to help doctors and researchers with minimal programming skills in research on neuropathy diagnosis diseases

Based on the open source program EEGLAB, the authors have developed a program for EEG processing and analysis supporting neuropathy diagnosis with the implementation of many integrated utilities extracting recently published nonlinear physical properties of EEG such as Lyapunov coefficient, fractal and spectrogram analysis Program provides neurologists, biomedical researchers with advanced options

of EEG processing and analysis diagnosis in neurology research The program can be used for studies of nonlinear characteristics of other biosignals such as ECG, EOG, EMG etc in biomedical research and education.

Trang 4

I TỔNG QUAN

Từ hơn nửa thế kỉ nay, nghĩa là từ sau phát hiện của Hans Berger năm 1929, điện não đồ được sử dụng như một thăm khám cận lâm sàng để chẩn đoán các hoạt động não và chức năng não đối với việc xác định hiện tượng sinh lý bình thường và bất thường như động kinh, tâm thần phân liệt, rối loạn giấc ngủ, mệt mỏi tinh thần và hôn mê Điện não (EEG) là công cụ chủ đạo thường được sử dụng để nghiên cứu bệnh mất trí nhớ Trong nhiều trường hợp, ví dụ như Alzheimer’s và các bệnh rối loạn tâm thần như trầm cảm, EEG được sử dụng để chẩn đoán những bất thường Thông thường, EEG được sử dụng để chẩn đoán và đánh giá sự mất trí nhớ của vỏ não và dưới vỏ não Thường thì nó giúp phân biệt giữa tổn thương thoái hóa như AD (Alzheimer’s diseases) và bệnh giả mất trí nhớ do rối loạn tâm thần [1] EEG chỉ ra quá trình nào

là quá trình nào là chủ yếu và quá trình nào là không chủ yếu (ví dụ như các sóng nền delta và theta liên quan đến bệnh) EEG cũng có khả năng tiên đoán sớm hoạt động bất bình thường liên quan đến CJD (Creutzfeldt-Jakob diseases- bệnh Creutzfedt)

Động kinh hiện nay là một vấn đề quan trọng của ngành y tế và là bệnh lý cần được quan tâm đặc biệt vì những di chứng của nó ảnh hưởng đến chất lượng cuộc sống, khả năng học tập công tác, hòa nhập cộng đồng và xã hội Động kinh là một cơn kịch phát phóng điện đồng thời quá mức và tự duy trì của một quần thể Neuron trong chất xám của vỏ não Cơn động kinh tự bộc phát, bệnh nhân khó kiểm soát hay biết trước được Trên thế giới có khoảng 50 triệu người

bị bệnh động kinh nhưng chỉ có khoảng 35 triệu người được điều trị đúng cách

Trong những năm gần đây, rất nhiều nghiên cứu chú ý đến đến xử lý tín hiệu EEG và các ứng dụng của nó Nghiên cứu cho thấy EEG chứa rất nhiều thông tin về những bất thường hoặc phản ứng với một số kích thích trong não của con người Tuy nhiên, nhiễu và các tín hiệu giả (không phải tín hiệu xuất phát từ não) là những kẻ thù của tín hiệu EEG chất lượng cao Do đó

sự hiện diện của chúng ảnh hưởng đến việc đánh giá chính xác tín hiệu EEG Nhiễu thường rơi vào hai loại chính là: nhiễu do kỹ thuật và nhiễu do sinh lý Nhiễu kỹ thuật là nhiễu do tác động của môi trường lên EEG do điều kiện đo đạc, phòng ốc không đảm bảo cũng như ảnh hưởng của điện lưới Vì vậy, nhiễu này hoàn toàn có thể được giảm thiểu nếu chúng ta cải thiện điều kiện

đo đạc Trong khi đó, nhiễu sinh lý sinh ra do các hoạt động sinh lý của con người tác động lên vùng được đo và loại nhiễu này từ trước đến nay được xem như là thuộc tính cố hữu của EEG Hiện nay, các bộ lọc thông được trang bị trong các thiết bị đo điện não chủ yếu để loại bỏ nhiễu

Trang 5

kỹ thuật có tần số nằm ngoài dãy tần số của điện não Tuy nhiên,cho đến nay việc loại nhiễu kỹ thuật có tần số nằm trong dãy tần số của điện não thì vẫn còn là vấn đề nan giải với các bộ lọc tuyến tính này Còn đối với việc loại bỏ các nhiễu sinh lý như điện cơ, điện tim, điện mắt trong tín hiệu điện não thì còn vẫn còn là vẫn đề khá mới, và hoàn toàn không thấy trong các phần mềm chuyên dụng sử dụng trong bệnh viện tại TPHCM hiện nay Vì vậy nhu cần nghiên cứu, phát triển các thuật toán để cải thiện việc lọc nhiễu, đặc biệt là nhiễu sinh lý là cấp thiết Do đó,

để phân tích và xử lý tín hiệu EEG chính xác, nhiều thuật toán đã được nghiên cứu để loại bỏ nhiễu và các tín hiệu giả Các tín hiệu EEG chứa thông tin có tần số dưới 100 Hz (trong nhiều ứng dụng các thông tin nằm dưới 30 Hz) Bất cứ thành phần tần số cao hơn có thể đơn giản được

gỡ bỏ bằng cách sử dụng bộ lọc thông thấp Trong trường hợp các dữ liệu EEG bị nhiễu nguồn 50/60Hz thì một phương pháp phổ biến để loại trừ sự can thiệp không mong muốn của dòng điện trong phòng thí nghiệm nơi nhạy cảm với các tín hiệu điện tử là sử dụng một bộ lọc Notch Tuy nhiên một bộ lọc tần số cố định Notch không thể loại bỏ tất cả nhiễu do đặc tính của nhiễu trong tín hiệu y sinh (tần số và pha) thay đổi liên tục trong quá trình ghi nhận EEG Một cách để khắc phục những hạn chế của một bộ lọc Notch tần số cố định là bộ lọc nhiễu đáp ứng thích nghi (Adaptive noise cancellation)

Tiền đề của các mô hình toán và các thuật toán xử lý thích nghi bắt đầu được đề cập vào những năm 50 và 60 của thế kỷ 20 thông qua các tác giả như: H W Bode và C E Shannon trong bài “Đạo hàm đơn giản hóa cho lý thuyết dự đoán và làm mịn bình phương cực tiểu tuyến tính” [2]; R E Kalman trong bài “Lý thuyết chung của điều khiển” [3]; R E Kalman và R S Bucy trong bài “Những kết quả mới trong lọc tuyến tính và lý thuyết dự đoán” [4]; J S Koford

và G F Groner trong bài “Việc sử dụng một phần tử ngưỡng thích nghi để thiết kế một phân loại mô hình tuyến tính tối ưu” [5]

Nhưng phải đợi đến giữa những năm của thập kỷ 70, xử lý thích nghi chính thức được đề xuất bởi Bernard Widrow-Trường Đại học Stanford và Samuel D Stearns-Phòng thí nghiệm quốc gia Sandia (Hoa Kỳ) Ban đầu các tác giả tập trung vào xây dựng cơ sở toán học cho bốn

mô hình chính, đó là Tiên đoán, Nhận dạng, Sửa sóng, Lọc nhiễu Đồng thời ứng dụng của mô hình lọc nhiễu đã được B Widrow gợi ý rất sớm trong “Adaptive Noise Canceling Principles and Applications” [6] Một trong các ứng dụng quan trọng của bài viết trên là lọc nhiễu 50Hz – 60Hz cho tín hiệu điện tâm đồ Người ta sẽ ghi nhận và đưa vào bộ lọc thích nghi một kênh tham

Trang 6

chiếu (là tín hiệu nhiễu cần loại bỏ) cùng với tín hiệu vào Các hệ số của bộ lọc thích nghi được điều chỉnh theo kênh tham chiếu để bù cho sự thay đổi của tín hiệu vào, tín hiệu ra hoặc thông số của hệ thống

Thuật tóan được sử dụng nhiều nhất để tối ưu hóa là là thuật toán trung bình bình phương cực tiểu (Least Mean Square, LMS) Song do sự phát triển cao của y học trong những năm gần đây đã làm nẩy sinh những yêu cầu mới, khắc khe hơn cho các thuật toán lọc nhiễu Đó là độ chính xác cao hơn, tốc độ hội tụ nhanh hơn, độ ổn định cao hơn Từ đó, các thuật toán ứng dụng ngày càng được phát triển

Trong việc lọai bỏ nhiễu trong tín hiệu EEG, có rất nhiều tác giả nghiên cứu về ứng dụng bộ lọc hồi tiếp thích nghi để lọc nhiễu nguồn, nhiễu mắt, như: A Garcés Correa trong bài “Loại bỏ nhiễu và tín hiệu giả từ EEG bằng cách sử dụng các bộ lọc thích nghi dạng ghép tầng” [7]; Kyle

D Wesson trong bài “Phương pháp thích nghi loại bỏ nhiễu 60 Hz với chi phí thấp, độ trung thực cao” [8]; P He, G Wilson và C Russell trong bài “Loại bỏ tín hiệu EOG trong tín hiệu EEG bằng các bộ lọc thích nghi” [9]

Trong xử lý nhiễu điện cơ (Electromyogram, EMG), tính chất phổ của EMG gây khó khăn nhiều hơn so với những nhiễu liên quan đến chuyển động mắt, hoạt động tim bởi vì phổ của EMG trùng lắp với dạng sóng beta hoạt động trong khoảng 15-30 Hz Bất lợi này trở nên nghiêm trọng hơn nữa bởi thực tế là không thể nào thu được một tín hiệu tham chiếu chỉ chứa EMG để dùng cho bộ lọc đáp ứng thích nghi Do đó người ta đã nghĩ đến một phương pháp khác không cần dùng đến tín hiệu tham khảo Đó là phương pháp phân tách nguồn mù (Blind Source Separation, BSS) BSS là một cách tiếp cận để đánh giá và khôi phục những tín hiệu nguồn độc lập chỉ sử dụng thông tin của những sự pha trộn của các tín hiệu độc lập này Vì sự đa dạng trong ứng dụng Y học, BSS đã thu hút nhiều sự chú ý Đến nay, đã có nhiều nghiên cứu và bài báo về ứng dụng và hiệu quả của phương pháp phân tách nguồn mù đối với xử lý tín hiệu EEG của các tác giả như: J Cardoso trong “Phân tách nguồn mù dùng moment bậc cao” [10]; A.Belouchrani trong “Phân tách nguồn mù dùng thống kê bậc hai” [11]; T Jung trong “Loại bỏ nhiễu trong

EEG bằng phương pháp phân tách nguồn mù” [12]; Tichavský và Gómez-Herrero trong “Phân

tách nguồn mù kết hợp 2 thuật tóan ICA: HOS-based EFICA và time structure-based WASOBI [13]; Gómez-Herrero trong “Tự động lọai bỏ nhiễu mắt trong EEG không cần kênh EOG“ [14]

Trang 7

Tín hiệu EEG sau khi lọc nhiễu đem lại nhiều thuận lợi, thứ nhất giúp bác sỹ đọc tín hiệu điện não chính xác, không nhầm lẫn giữa tín hiệu điện não mang thông tin chính và nhiễu, thứ hai tín hiệu sau lọc nhiễu được đem phân tích theo lý thuyết động học phi tuyến như chaos (hỗn loạn) và fractal (phân mảnh), phương pháp miền thời gian-tần số, wavelet, … để định lượng tín hiệu EEG

Những năm cuối của thập kỉ 1990s là thời gian đầu tiên hình thành lý thuyết động học phi tuyến để chẩn đoán động kinh Iasemidis [15] là nhóm đầu tiên áp dụng lý thuyết động học phi tuyến đối với bệnh động kinh Nhóm này cho rằng động kinh sẽ cho chuyển dịch từ hỗn loạn (chaos) cho tới trật tự hơn và bởi vậy những tính chất động học “không gian- thời gian” của động kinh khác với tình trạng bình thường Những nghiên cứu xa hơn của nhóm này dựa trên việc tích hợp short-term largest Lyapunov LLE theo thời gian đối với những bệnh nhân động kinh cục bộ, cho rằng hoạt động của sóng điện não ít hỗn loạn hơn khi động kinh xảy ra [16] Bởi vậy, quan niệm cho rằng động kinh là sự dịch chuyển đột ngột từ trạng thái bình thường sang trạng thái bị bệnh được thay thế bằng quan niệm não bộ sẽ có sự dịch chuyển động học tới trạng thái động kinh Từ những nghiên cứu này của ông, phương pháp phi tuyến trong hệ thống động học được xem như là một hướng đi quan trọng để định tính những thay đổi động học trong não cung cấp những tham số quan trọng để chẩn đoán động kinh Năm 1994, Lehnertz và Elger [17] nghiên cứu sự giảm hỗn loạn của mạng neuron để chẩn đoán động kinh Họ sử dụng thông tin được cung cấp bởi độ giảm phức tạp trong biểu đồ correlation dimension Đồng thời Elger và Lehnertz đưa ra tham số correlation dimension như một tham số không tuyến tính quan trọng để chẩn đoán động kinh Từ đây, nhóm này chỉ ra rằng những tham số lấy được từ quá trình giảm hỗn loạn của neuron có thể giúp chẩn đoán động kinh [18], nó có thể được sử dụng để phân biệt động kinh và không động kinh [19], có thể được sử dụng để chẩn đoán động kinh trong nhiều bệnh nhân [20,21] Bên cạnh đó, nhóm này đã phát triển kỹ thuật chứng minh rằng não bộ xảy ra hiện tượng đồng bộ pha hàng giờ trước khi động kinh xảy ra, chứng minh này rất hữu dụng để xác định vị trí xảy ra động kinh

Geva và cộng sự năm 1997 áp dụng hệ thống thông minh, sử dụng fuzzy clustering trong chẩn đoán động kinh để phân tích những tín hiệu ghi nhận từ não bộ của 25 chú chuột bị kích thích co giật Trong nghiên cứu này, wavelet được sử dụng để tính toán năng lượng trong tín hiệu EEG Geva và các cộng sự đã chứng minh rằng năng lượng tăng trung bình 4 phút trước khi động kinh

Trang 8

xảy ra trong 2 kênh ghi được của mỗi 25 con chuột [ 22] Năm 1998, nhóm của Baulac và Varela [23] đã đưa ra bằng chứng để tiên đoán động kinh sử dụng thông số correlation density Nhóm này mở rộng phương pháp và phạm vi kiểm tra dữ liệu sử dụng phương pháp dynamical similarity [24,25,26]

Lerner [27] quan sát sự thay đổi của correlation integral để đánh dấu chính xác vị trí xảy ra động kinh đối với bệnh nhân động kinh cục bộ Tuy nhiên, Osorio et al [28] chứng minh những thay đổi trong correlation integral có thể giải thích hợp lý bằng những thay đổi độ lớn và tần số của tín hiệu EEG Van Quyen et al [29] đã tìm ra việc giảm tính đồng dạng động (dynamical similarity) trong thời gian trước xảy ra động kinh và cho rằng việc tìm ra được tham số này rất quan trọng trong chẩn đoán động kinh Moser et al [30] sử dụng bốn hệ số phi tuyến khác nhau trong lý thuyết Lyapunov đã tìm thấy những thay đổi đáng kể tiền động kinh Litt et al [31] chứng minh rằng năng lượng của tín hiệu EEG tăng khi động kinh xảy ra Trong những nghiên cứu sau này, nhóm này đưa ra bằng chứng về khả năng tiên đoán động kinh dựa trên những đặc trưng tuyến tính và phi tuyến của EEG [32] Iasemidis [33,34] đánh giá sự thay đổi của hệ số Lyapunov theo không gian và thời gian đã chỉ ra rằng có thể phát hiện động kinh trước vài phút trước khi động kinh xảy ra Iasemidis gọi phương pháp này là dynamical entrainment và giả thuyết một vài vị trí gây động kinh bị khóa trong một thời gian để động kinh xảy ra Dựa trên giả thuyết này, nhóm nghiên cứu của Iasemidis giới thiệu thuật toán tiên đoán động kinh thích nghi

để phân tích những tín hiệu EEG trong động kinh cục bộ khi bệnh nhân đã bị động kinh lần thứ nhất [35] Vào thời điểm này, các tác giả trên đã thực hiện đặt điện cực thu nhận tín hiệu EEG trong vỏ não Đây là phương pháp ghi tín hiệu xâm lấn, không an toàn cho bệnh nhân Để cải thiện nhược điểm này, ngày nay các nhà khoa học cũng như các bác sỹ sử dụng phương pháp ghi nhận tín hiệu không xâm lấn, an toàn cho người bệnh, đó là scalp EEG với các điện cực ghi nhận tín hiệu đặt ở da đầu Phương pháp này thân thiện với bệnh nhân nhưng việc xử lý tín hiệu gặp phải khó khăn: 1) tín hiệu scalp EEG bị ảnh hưởng nhiễu của môi trường và ảnh giả nhiều hơn

so với tín hiệu ghi nhận trong não 2) tín hiệu trung bình bị suy giảm qua xương và mô Cho nên việc áp dụng các phương pháp truyền thống của các nhà nghiên cứu nêu trên bị khó khăn bởi 2 nhược điểm này, không phân biệt được các vùng động kinh khác nhau khi sử dụng scalp EEG [36] Để giải quyết những khó khăn trên, Hively và Protopopescu [37] sử dụng phương pháp đo

sự khác nhau về không gian phase của tín hiệu EEG để chẩn đoán động kinh

Trang 9

Số chiều fractal (Fractal dimension) là tham số đánh giá mức độ phức tạp của một cấu trúc hình học phân mảnh (fractal geometry) xuất phát các hiện tượng tự nhiên N.Pradhan và D.Narayana Dutt đã nghiên cứu sự thay đổi của sự phân mảnh trên tính hiệu điện não dọc theo

chiều dài thời gian đo [38] Năm 2001 Javier Echauz et al [39] so sánh kết quả các thuật toán

Higuchi [40], Katz [41] và Petrosian [42] trong tín hiệu I-EEG của bệnh nhân động kinh Kết quả cho thấy rằng thuật toán Katz phù hợp nhất, trong khi thuật toán Higuchi cho ra kết quả chính xác nhưng rất nhạy với nhiễu còn thuật toán Petrosian thì kết quả phụ thuộc vào dạng

chuỗi nhị phân Tương tự, Kanathal N et al [43] sử dụng cả thuật toán Katz và Higuchi để tính

thứ nguyên phân mảnh trung bình cho 2 nhóm người bình thường và bệnh nhân động kinh, kết quả là hệ số thứ nguyên phân mảnh của bệnh nhân động kinh thấp hơn người bình thường đối với cả 2 thuật toán Trong vấn đề phân đoạn và chẩn đoán trước động kinh thì Esteller [44] thấy rằng khi động kinh xảy ra, thứ nguyên phân mảnh được tính theo thuật toán Katz thì tăng lên sau đó giảm xuống cực tiểu khi phân tích kết quả I-EEG của 4 bệnh nhân động kinh Ngoài ra năm 2003, nhóm của tác giả này sử dụng 6 thông số bao gồm Curve length, Energy, nonlinear energy, spectral entropy, sixth power, Energy of wavelets packets để xây tiêu chuẩn đánh giá động kinh [45]

Những nghiên cứu đối với các bệnh lý khác như Sabeti M et al đã trình bày một nghiên cứu

so sánh hiệu suất của bốn phương pháp khai thác các đặc trưng nổi bật của tín hiệu EEG như hệ

số mô hình hồi tiếp tự động, phồ tần số, kích thước phân mảnh và năng lượng wavelet trong các tín hiệu điện não đồ của 20 bệnh nhân tâm thần phân liệt và 20 người bình thường ở cùng độ tuổi tham gia kiểm soát với mục tiêu xác định các kênh thông tin mới hơn và cuối cùng có thể phân biệt hai nhóm [46] Trong nghiên cứu của T Sugi [47], một phương pháp đã được đề xuất dựa trên việc lựa chọn ngưỡng bộ đầy đủ theo sự tồn tại của các sự kiện bệnh lý liên quan đến chứng ngưng thở tắc nghẽn để phát hiện tự động EEG ở bệnh nhân bị hội chứng ngưng thở khi ngủ (SAS), một loại rối loạn giấc ngủ nghiêm trọng Để đặc trưng cho sự phức tạp và bất thường của

dữ liệu EEG thuộc các trạng thái mệt mỏi tinh thần khác nhau, hai tham số phức tạp của điện não

đồ, là entropy (ApEn) và hệ số độ phức tạp của tín hiệu Kolmogorov (KC) được sử dụng có hiệu quả bằng cách sử dụng phương pháp phân tích thành phần Kernel và phương pháp mô hình Markov ẩn [48] Ngoài ra, F La Foresta và các cộng sự đã sử dụng các phương pháp phân tích thành phần cơ bản (Principal Component Analysis, PCA), phân tích thành phần độc lập (Independent Component Analysis, ICA) và thống kê bậc cao để tính entropy phát hiện các phân

Trang 10

đoạn tự động quan trọng trong điện não đồ liên tục của bệnh nhân hôn mê [49] Trong một nghiên cứu gần đây của Chua K C [50], các biện pháp dựa trên phân tích phổ bậc cao để có thể phân biệt EEG động kinh và EEG bình thường Wu và J Gotman trình bày một phương pháp bắt nguồn từ chuỗi kết hợp thủ tục để so sánh tự động các cơn động kinh trong EEG, cho phép các nhóm của các cơn động kinh có các mẫu tương tự như tổng thể [51] Đối với phát hiện của động kinh trong tín hiệu EEG Trong bài báo gần đây của Hamid R Mohseni [52], các phương pháp truyền thống dựa trên phương sai được so sánh với các phương pháp khác nhau dựa trên phân tích chuỗi thời gian phi tuyến, entropies, hồi quy, biến đổi wavelet rời rạc và phân bố tần số thời gian Donchin và Kim [53] sử dụng mạng neurons nhân tạo (Artificial neural networks, ANNs) để phát hiện bệnh động kinh Phương pháp miền thời gian- tần số (time-frequency: TF) được sử dụng có hiệu quả trong việc phát hiện bệnh động kinh theo Molina, G A., Ebrahimi [54] Phương pháp này đặc biệt có hiệu quả vì tín hiệu EEG không tĩnh (nonstationary) Phương pháp chuyển đổi wavelets rời rạc (DWT: discrete Wavelets transform) của Middendorf [55] cũng có hiệu quả tốt trong chẩn đoán động kinh Một nghiên cứu khác của Guitierez [56] đã dùng wavelets để phân loại động kinh

Với những kết quả nghiên cứu về thuật toán xử lý số tín hiệu EEG như trên, nhiều nhóm nghiên cứu trên thế giới đã xây dựng nhiều chương trình tích hợp hỗ trợ xử lý tín hiệu y sinh nói chung và tín hiệu EEG nói riêng cho nhiều mục đích khác nhau Các chương trình này có thể chia làm hai dạng như sau:

- Dạng thương mại: là những phần mềm chuyên dụng đi kèm các thiết bị chẩn đoán EEG, ECG, EMG vv… hoặc phần mềm chuyên dụng phục vụ một số lĩnh vực chẩn đoán đặc thù g.BSanalyze: EEG-toolbox (G-Tec Medical Engineering – Austria), Software for QEEG and ERP analysis (MITSAR), CURRY Scan 7 Neuroimaging Suite (Compumedics Neuroscan), BrainVision Analyzer 2 (Brain Product) vv…

- Dạng mã nguồn mở: là những chương trình tích hợp xử lý tín hiệu y sinh xây dựng theo dạng modul hóa, phần lớn từ các cơ sở nghiên cứu hàn lâm nhằm hỗ trợ các hướng nghiên cứu liên quan EEG, ECG, EMG vv… Các phần mềm này thường tận dụng nền tảng MATLAB thuận tiện cho việc phát triển và hợp tác hàn lâm như dự án OpenEEG (http://openeeg.sourceforge.net) nhằm tạo điều kiện hỗ trợ (kể cả chế tạo phần cứng giá thành thấp !) phát triển nghiên cứu EEG

đa dạng Trong số đó, phần mềm mã nguồn mở xử lý tín hiệu điện não trên nền Matlab EEGLAB

Trang 11

(Swartz Center for Computational Neuroscience – University of California) là một phần mềm có

uy tín đáng kể với sự đóng góp công cụ của nhiều nhóm nghiên cứu khác trên thế giới Phần mềm bao gồm nhiều module có nhiều chức năng như đọc dữ liệu, lọc nhiễu và phân tích miền thời gian-tần số, trích xuất các thông tin đặc trưng…, mà người sử dụng có thể tích hợp, chỉnh sửa và gắn kết những module ứng dụng khác Tuy nhiên cho đến nay, phần mềm vẫn chưa có những công cụ để chẩn đoán bệnh lý cụ thể mà chỉ có chức năng xử lý tín hiệu tổng quát

Trong nước:

Nước ta hiện nay có khoảng 2% dân số bị bệnh động kinh trong đó gần 60% số bệnh nhân là trẻ em Tỉ lệ bệnh nhân mắc bệnh động kinh ở nước ta càng ngày càng tăng Nhưng hầu hết các nghiên cứu về bệnh động kinh ở Việt Nam chỉ dừng lại ở mức độ tìm hiểu các đặc điểm lâm sàng, điện não của bệnh động kinh chưa đi sâu phân tích tín hiệu, xử lý tín hiệu để cho ra kết quả mong muốn như:

Báo cáo “Đặc điểm lâm sàng, điện não ngoài cơn động kinh của trẻ em dưới 15 tuổi tại bệnh viện nhi đồng 1” của tác giả Nguyễn Bá Hiển, Vũ Anh Nhị [57] ở hội nghị định kỳ của hội thần kinh học TpHCM khảo sát 121 bệnh nhân động kinh nằm tại bệnh viện nhi đồng 1 từ tháng 10/2005 đến 4/2006 Số liệu được thu thập bằng phương pháp phỏng vấn trực tiếp thân nhân đối với bệnh nhân nhỏ tuổi, đối với bệnh nhân lớn tuổi thì vừa phỏng vấn bệnh nhân, vừa phỏng vấn thân nhân Việc phỏng vấn được thực hiện với các biến số bệnh sử, tiền sử, triệu chứng cơ năng Việc quan sát trực tiếp được thực hiện đối với các biến số lâm sàng Sau đó tác giả xử lý số liệu

để tìm ra nguyên nhân gây bệnh, phân loại bệnh động kinh theo lứa tuổi, giới tính và triệu chứng

lâm sàng Một nghiên cứu khác “Một số vấn đề động kinh ở Việt Nam” của Vũ Anh Nhị [58] thu

được trên trang web của hội thần kinh học cũng thống kê tình hình động kinh ở TPHCM hiện nay, phân loại bệnh động kinh theo tuổi tác, giới tính, và tìm triệu chứng lâm sàng của động kinh Ngoài ra còn có các bài báo tiêu biểu của Phạm Quỳnh Diệp (2005) “ Tiếp cận chẩn đoán

và điều trị động kinh tại khoa khám trẻ em BV Tâm thần TpHCM” [59]; và nghiên cứu của Nguyễn Thị Hương Giang “Một số nhận xét về động kinh trẻ em từ 1 tháng tuổi đến 12 tuổi” ĐHYK Hà Nội [60]

Nhìn chung, tình hình nghiên cứu động kinh ở Việt Nam, đặc biệt thông qua các công cụ và đặc điểm vật lý đặc trưng của điện não đồ chưa được quan tâm nhiều và hệ thống Trong các nghiên cứu y khoa, các bài báo chủ yếu dựa vào phương pháp thống kê về các đặc điểm lâm

Trang 12

sàng, tuổi tác, tiền sử bệnh nhân để nghiên cứu động kinh Việc chẩn đoán bệnh phụ thuộc chính vào kinh nghiệm khả năng đọc điện não và chẩn đoán của bác sĩ Qua phỏng vấn các bác sĩ, chuyên gia về điện não đồ tại các bệnh viện trong thành phố, hai bệnh lý khác nhau có thể thu được một dạng sóng giống nhau dưới quan sát bằng mắt thường Ngược lại, cùng một loại bệnh

lý nhưng lại quan sát được hai dạng sóng khác nhau trên hai bệnh nhân hoàn toàn khác nhau Đây là những khó khăn mà các bác sĩ gặp phải trong việc đọc tín hiệu EEG và nhu cầu cứu ứng dụng thuật toán, mang tính kỹ thuật, đưa các các tham số vật lý trên tín hiệu hỗ trợ các bác sĩ trong chẩn đoán bệnh động kinh là thực sự đáng kể

Hướng nghiên cứu này đã được một số nhóm nghiên cứu hàn lâm trong lĩnh vực điện tử, toán tin quan tâm và đạt được một số kết quả qua các báo cáo khoa học và đề tài nghiên cứu như: xử

lý tín hiệu điện não để nhận biết gai động kinh tự động của khoa Điện tử - Viễn thông Đại học Công nghệ - ĐHQG Hà nội; nghiên cứu giải mã thông tin trong sóng điện não, ứng dụng xây dựng hệ thống nhận diện cảm xúc con người (Đề tài NCKH KC.01.TN13/11-15) của trường Đại học BK Hà nội; nghiên cứu tính chất phi tuyến trong tín hiệu EEG của nhóm nghiên cứu Đại học Quốc tế - ĐHQG TP.HCM vv Tuy nhiên, mối quan hệ hợp tác giữa các nghiên cứu trên và bác

sĩ trong thực tiễn lâm sàng vẫn là vấn đề lớn chưa giải quyết được và do vậy việc tận dụng các phương pháp xử lý thuật toán vẫn chưa được các bác sĩ chuyên khoa quan tâm

Với những nghiên cứu lâu nay liên quan đến việc xác định các tính chất vật lý liên quan đến bệnh động kinh, nhóm nghiên cứu nhận thấy nhu cầu cần thiết xây dựng một phần mềm tích hợp những công cụ thuật toán phổ biến và thiết yếu nhằm hỗ trợ người nghiên cứu trong lĩnh vực điện sinh học nói chung, và điện não nói riêng hỗ trợ hiệu quả cho vấn đề hiển thị, xử lý nhiễu, phân tích và nhận dạng tín hiệu thu nhận được mà không cần có kỹ năng chuyên sâu về lập trình thuật toán Phần mềm đó nhất thiết phải có tính đa năng, đọc được nhiều định dạng tín hiệu từ các thiết bị thu nhận khác nhau, phải có tính cập nhật với những thành tựu mới công bố trong thời gian gần đây, tạo nhiều chọn lựa cho người sử dụng đối chiếu so sánh và dễ dàng tiếp cận (với chi phí thấp) chỉnh sửa nếu người sử dụng có khả năng lập trình Với tinh thần đó, nhóm nghiên cứu đã tận dụng chương trình EEGLAB với bản quyền mã nguồn mở thực hiện đề tài này nhằm xây dựng một phần mềm EEGLAB-VN với nhiều công cụ mở rộng, đặc biệt trong nghiên cứu động kinh nhằm hỗ trợ bác sỹ nghiên cứu, chẩn đoán các bệnh lý thần kinh áp dụng các phương pháp mới trong việc xác định hệ số Lyapunov, số chiều fractal, phân tích miền thời gian

Trang 13

-tần số nâng cao của tín hiệu EEG Với những công cụ đặc thù nhằm phân tích các đặc điểm vật

lý phi tuyến, chương trình cũng rất phù hợp sử dụng để nghiên cứu các lĩnh vực tín hiệu y sinh khác tương tự như điện tim, điện mắt, điện cơ, tín hiệu huyết áp, âm thanh tim phổi vv… Đó là những định hướng mà nhóm nghiên cứu hướng đến qua việc tận dụng một chương trình có sẵn như EEGLAB-VN này

Trang 14

II NHỮNG NHIỆM VỤ ĐƯỢC ĐẶT RA VÀ KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỀ TÀI

1) Mục tiêu:

• Tìm hiểu các đặc tính của bệnh lý liên quan đến tín hiệu điện não EEG

• Tìm hiểu và thiết lập các thuật toán để lọai trừ nhiễu, xây dựng tín hiệu EEG sạch

• Tìm hiểu và thiết lập các thuật toán phân tích tín hiệu EEG hỗ trợ việc chẩn đoán một số bệnh lý thần kinh

• Xây dựng phần mềm tích hợp các công cụ xử lý và phân tích tín hiệu EEG

02 bài báo, 01 báo cáo KH

5 Phần mềm xử lý và phân tích tín hiệu EEG Chương trình EEGLAB-VN

Trang 15

III NỘI DUNG KẾT QUẢ THỰC HIỆN ĐỀ TÀI

EEGLAB-VN là một chương trình Matlab tương tác người dùng xây dựng trên cơ sở mã nguồn

mở EEGLAB để xử lý tín hiệu EEG, EMG các tín hiệu Y sinh liên tục (hoặc tín hiệu Y sinh có kích thích) sử dụng các phương pháp phân tích độc lập thành phần (ICA), phân tích miền thời gian / tần số, phương pháp phi tuyến như chaos, fractal và các phương pháp khác để loại nhiễu

Đây là một công cụ thuận lợi và dễ dàng cho các bác sỹ cũng như các nhà nghiên cứu tiến hành các bước tiền xử lý (lọc nhiễu, phân tích phổ,…) và phân tích các đặc tính vật lý của tín hiệu EEG, EMG cũng như các tín hiệu Y sinh khác nhằm hỗ trợ các chuyên gia thần kinh chẩn đoán chính xác hơn và nhanh chóng

Dưới đây là lưu đồ thực hiện chương trình

1 Dữ liệu:

- Bệnh viện Chợ Rẫy: 305 bộ file dữ liệu (1 bộ bao gồm 2 file định dang wg1 và wg2), sau

đó chuyển đổi 70 bộ sang định dạng CNT.Tuy nhiên, do không xin được bệnh án của các bệnh nhân nên chưa tiến hành phân loại dữ liệu của bệnh viện Chợ Rẫy

- Bệnh viện 115: 115 file được export ra dạng GNT, sau đó dùng chương trình Eemagine

để chuyển qua định dạng CNT để có thể xử lý được bằng Matlab

2 Đọc dữ liệu:

2.1 Bộ chuyển định dạng dữ liệu:

- Chương trình Eemagine (chuyển định dạng GNT sang CNT tại bệnh viện 115)

- Chương trình Polyman (đọc định dạng file EDF/EDF+)

Dữ liệu

Tiền xử lý

Hỗ trợ bác sỹ

Phân tích các đặc tính vật lý

Chương trình EEGLAB

Hiển thị

ICA Đọc dữ liệu

Trang 17

Dưới đây là ví dụ đọc file CNT của bệnh viện 115

- Chọn File->Import data->From Neuroscan CNT file Cửa sổ bên dưới xuất hiện:

Chọn tới thư mục chứa file CNT mà bạn muốn mở Sau đó chọn file bạn muốn mở và nhấn Open Cửa sổ sau sẽ xuất hiện

Trang 18

Chọn 16 bit hoặc 32 bit tùy cấu trúc file CNT Có thể chọn thời gian hiển thị, mặc định là vẽ tất

cả thời gian trong file CNT được load vào Nhấn OK thì sẽ xuất hiện cửa sổ:

Đặt tên file và nhấn OK file sẽ được load vào

Dữ liệu được load và hiển thị qua một giao diện khác mà chứa những thông tin tổng quát nhất của một file điện não:

- Tên bệnh nhân

- Số kênh: Channels per frame

- Số epoch: Epoch

- Số frame/epoch

- Thời gian bắt đầu ghi, thời gian kết thúc

- Vị trí kênh: Channel location

- Trọng số ICA: ICA weights

- Dung lượng file : Dataset size

-

Trang 19

Hình : Giao diện EEGLAB khi load dữ liệu

3 Hiển thị:

3.1 Vẽ tín hiệu các kênh theo thời gian

- Chọn Plot->Channel data (scroll), cửa sổ vẽ dữ liệu các kênh theo thời gian sẽ hiển thị bên dưới

Trang 20

- Trục tung: là tỉ lệ biên độ Microvolt, ở đây tỉ lệ là 79 Gía trị này hiển thị ở ô bên dưới,

giá trị này chúng ta có thể thay đổi để có thể quan sát tốt nhất cường độ giữa các kênh

- Trục hoành: là thời gian, ở đây mỗi lần hiển thị là 5 giây, giá trị này chúng ta cũng có

thể thay đổi bằng cách chọn Setting->Time range to display

-

Thời gian hiển thị mới là 10 giây như hình

Trang 21

- Số kênh hiển thị Để điều chỉnh số kênh hiển thị, chọn Settings -> Number of channels to

display và nhập số kênh cần hiển thị trong cửa sổ, ví dụ như 16 thì chúng ta sẽ quan sát được cửa sổ 16 kênh theo thời gian như bên dưới, đồng thời chúng ta có thể kéo thanh trượt để quan sát các kênh còn lại nhưng vẫn đảm bảo 16 kênh trong một cửa sổ quan sát

-

Trang 22

- Zoom Để phóng to hoặc thu nhỏ diện tích cần quan tâm, chọn Settings > Zoom off/on > Zoom on Sau đó sử dụng chuột kéo hình chữ nhật diện tích cần quan tâm để phóng to lên hoặc thu nhỏ lại

- Loại bỏ dữ liệu Để loại bỏ phần dữ liệu không mong muốn nào trong hình vẽ các kênh

theo thời gian, chúng ta đóng cửa sổ vẽ các kênh theo thời gian của EEGLAB, vào giao diện chính của EEGLAB chọn Tools > Reject Continuous Data by eye Một thông điệp cảnh báo xuất hiện, chọn Continue Để xóa phần dữ liệu mong muốn, kéo chuột theo diện tích đó, có thể chọn nhiều vùng dữ liệu cần bỏ để đánh dấu Nhấn Reject ở phần dưới bên phải để xóa phần dữ liệu đã chọn, một data mới tạo thành với một phần dữ liệu đã bị xóa

và EEGLAB sẽ tạo ra một sự kiện xóa biên đối với data mới được tạo ra

Trang 23

Chúng ta có thể quay về data ban đầu bằng cách chọn Datasets trong giao diện chính của EEGLAB và chọn data 1

3.2 Hiển thị phổ kênh và biểu đồ da đầu

Để xử lý dữ liệu, đầu tiên chúng ta cần vẽ dữ liệu, có thể xóa một phần dữ liệu không mong muốn như dữ liệu bị nhiễu như phần ở trên, sau đó phân tích phổ để chắc chắn rằng dữ liệu được load vào thích hợp để nghiên cứu các đặc tính sâu hơn

- Phổ kênh và biểu đồ da đầu Để vẽ phổ kênh và biểu đồ da đầu, chọn Plot > Channel

spectra and maps Lệnh này tạo ra cửa sổ bên dưới, trong đó:

+ Epoch time range to analyze [min max]: giá trị thời gian chúng ta cần phân tích

+ Percent data to sample: phần trăm dữ liệu lấy mẫu, từ 1 đến 100 Nếu ta chọn giá trị khác 100 thì kết quả sẽ khác nhau trong mỗi lần gọi lệnh này Mặc định là 15 như hình vẽ

+ Frequencies to plot as scalp maps: những tần số được chọn để vé biểu đồ da đầu.mặc định là 6, 10 và 22Hz

+ Plotting frequency range: phạm vị tần số để vẽ Mặc định là từ 2 đến 25 Hz

Trang 24

Hình: Các thành phần bản đồ da đầu

Mỗi màu đánh giá một kênh, vùng phổ có màu đậm có năng lượng lớn tức là biên độ

lớn, những vùng có màu xanh lá cây là tín hiệu nền, những vùng có màu xanh dương liên quan

đến tín hiệu do não phát ra Sự lan tỏa hay tốc độ di chuyển của một thành phần đặc trưng bởi

những đường đồng mức, mật độ càng dày thì mức độ lan tỏa càng cao Căn cứ vào những điểm

này ta sẽ phần nào biết được một thành phần cần quan tâm hay một thành phần có giá trị bất

thường Biểu đồ da đầu thể hiện phân phố công suất ở 6 Hz liên quan đến những kênh nằm ở

phía dưới bên phải, của 22Hz nằm ở giữa bên phải

4 Tiền xử lý-Bộ lọc nhiễu

Để sử dụng chức năng này nhấn tool>filter data> chọn bộ lọc FIR hoặc IIR

Trang 25

Sau khi chọn bộ lọc,một hộp thoại xuất hiện khi đó nhập khoảng tần số muốn lọc vào hộp thoại, trong hình khoảng tần số được chọn là (0,5-50) Sau khi lọc xuất ra figure tạo file dữ liệu mới Chúng ta có thể chạy trực tiếp trên cửa sổ chính command window bằng cách gõ lệnh pop_eegfilt pop_eegfilt( EEG, locutoff, hicutoff, filtorder, revfilt, usefft).Trong đó :

+ EEG là dữ liệu đầu vào, là file dữ liệu mà eeglab hỗ trợ

+ Locutoff là tần số phía dưới

+ Hicutoff là tần số phía trên

+ Filtoder là khoảng mà bộ lọc tiến hành lọc

+ Usefft [0/1] nếu là 1 lọc bằng phương pháp FFT nếu là 0 thì sử dụng bộ lọc FIR

+ Revfilt [0/1] nếu là 1 lọc phân cực, mặc định 0 lọc bandpass

5 Phân tích các thành phần độc lập-Independent Component Analysis ICA

Phân tích thành phần độc lập tín hiệu EEG là phương pháp phân tích dữ liệu từ tất cả các điện cực thu nhận được dựa vào sự thay đổi tuyến tính dữ liệu theo khoảng cách, từ đó xác định

vị trí các nguồn phát tín hiệu độc lập với các kênh thu nhận

Trong quá trình thu nhận tín hiệu điện não, mỗi một kênh ghi nhận tín hiệu từ nhiều nguồn, giá trị đó là sự tổng hợp của rất nhiều thành phần tạo nên bao gồm tín hiệu do não phát

ra, tín hiệu từ bên ngoài, vì vậy tín hiệu thu được mang tính chất trung bình, khó xác định được vùng tần số hoạt động của nguồn nào phát ra Phân tích thành phần độc lập ICA giúp xác định rõ từng thành phần từ vị trí, tần số, hay cường độ phổ từ đó giúp loại bỏ các thành phần không mong muốn

Hình : bộ lọc FIR và IIR

Trang 26

Dữ liệu sau khi phân tích ICA được mô hình hóa trên các mô hình da đầu, vị trí nguồn phát được mã hóa bằng màu sắc, màu đỏ sậm ứng với cường độ tiến hiệu lớn nhất, màu xanh dương ứng với cường đô tín hiệu nhỏ nhất Thực chất sự mã hóa màu nền trên các mô hình da đầu thông qua phép biến đổi Fourier (trong miền thời gian sang miền tần số) và biến đổi Wavelet

Ta biết rằng mỗi một kênh ghi EEG da đầu là sự tác động của các vị trí khác nhau trên da đầu, trên mỗi kênh đó chỉ ghi nhận lại các thời điểm khác nhau có sự khác biệt về điện thế trên da đầu, mỗi vùng hoạt động của não đóng vai trò như một nguồn hoạt động ổn định ICA thay thế các kênh điện cực da đầu bởi các thành phần độc lập, số thành phần độc lập bằng với số kênh thu nhận thông qua việc giải hệ phương trình tuyến tính, các thành phần độc lập EEG mang tính chất phân bố Không phải cứ N thành phần sẽ có N vị trí có sự thay đổi đáng kể điện thế, thực chất các thành phần chỉ mang tính thống kê do sự thay đổi biên độ theo khoảng cách Nhiều khi các thành phần độc lập cùng chỉ một vị trí có sự thay đổi đáng kể về điện thế

Vậy thành phần độc lập của tín hiệu EEG là những phân bố về sự thay đổi điện thế tại những vị trí trên da đầu mà không phụ vào vị trí của kênh ghi nhận, số thành phần độc lập của tín hiệu EEG phụ thuộc vào số kênh ghi nhận

Để tính thành phần ICA của dữ liệu EEG epochs, chúng ta chọn Tools -> Run ICA Một cửa sổ xuất hiện, chúng ta có thể tìm thuật toán phù hợp cho mục đích sử dụng, mặc định là thuật toán runica Sau khi chaỵ ICA xong, trên giao diện chính của EEGLAB, ICA weights có giá trị là YES chứa các thành phần độc lập ICs Các công cụ phân tích EEG dựa trên các thành phần độc lập

• Vẽ thành phần bản đồ da đầu 2D

Để vẽ thành phần bản đồ da đầu 2D, lựa chọn plot>Component maps > In 2-D Một cửa sổ bên dưới được sinh ra, trên cửa sổ này ta có thể chọn số thành phần muốn vẽ bằng cách chọn số thành phần trong component number sau đó nhấn Ok để vẽ Ta có thể vẽ những khoảng thành phần mong muốn như 1:20 40:60 các thành phần

Trang 27

Hình: Vẽ thành phần 2D Sau khi nhấn Ok một cửa sổ xuất hiện vẽ các thành phần bản đồ da đầu được lựa chọn, hoạt động của thành phần thời gian sử dụng đơn cùng một đơn vị

Hình: Vẽ thành phần bản đồ 2D

Ý nghĩa của Component maps trong phân tích ICA tín hiệu EEG là xác định khu vực, vị trí của một thành phần, thành phần đó có thể là nhiễu, nhịp đập của mạch, hay tín hiệu nền của não Các thành phần trong phân tích ICA không cố định, đôi khi các thành phần cách xa nhau nhưng cùng chỉ một thành phần Dựa vào màu sắc của phổ trên bản đồ da đầu chúng ta xác định được đâu là tín hiệu do não phát ra, đâu là tín hiệu từ bên ngoải, thông thường màu xanh dương là tín hiệu của não Thành phần nhiễu nháy mắt nằm ở phía trước với những đường lan tỏa đều đặn, nhiễu cơ thường ở hai bên thái dương, thành phần sóng alpha mạnh ở chẩm giảm dần ờ hai bên thái dương , sóng beta xuất hiện ở trán giảm dần ở đỉnh và thái dương Bằng cách

Trang 28

đánh giá một cách có giới hạn ta có thể chẩn đoán thành phần IC3 là thành phần nhiễu nháy mắt, thành phần 5,6,7,8,9 là sóng alpha…

• Vẽ thuộc tính thành phần

Để vẽ thuộc tính của một thành phần, chọn plot> Component properties, một giao diện xuất hiện cho phép lựa chọn số thành phần cần vẽ và khoảng tần số quan sát

Hình: Vẽ thuộc tính thành phần Nhấn Ok để vẽ thuộc tính các thành phần

Hình: Thuộc tính của một thành phần

Component properties là một chức năng quan trọng trong phân tích tín hiệu EEG bằng ICA Trên cửa sổ phía bên trái biểu diễn bản đồ thành phần da đầu, phần bên là hình biểu diễn của phổ ERP trung bình trên tất cà các epock Phổ ERP cho thấy mức độ phân bố của kích thích, với những điểm màu đỏ là nơi có mức năng lượng cao chỉ sự gia tăng điện thế, còn tại những vùng màu xanh dương có sự suy giảm điện thế trung bình Với đường màu xanh dương bên dưới cho biết giá trị trung bình của ERP Phía bên dưới của cửa sổ là đồ thị biểu diễn vùng tần số hoạt động của thành phần và giá trị trung bình của phổ công suất tính theo đơn vị dB

Ý nghỉa quan trọng của Component properties cung cấp đầy đủ các thuộc tính của một thành phần như phân bố phổ, tần số hoạt động.Tần số được xác định là những đỉnh mà cường độ phổ khác biệt rõ ràng so với bình thường.Tuy nhiên nó không cho biết chính xác thời điểm trước và sau khi xảy ra kích thích

• Vẽ thành phần hoạt động

Trang 29

Để thực hiện chức năng này chọn plot -> component activations, một cửa sổ xuất hiện vẽ tất cả các thành phần

Hình: Vẽ hoạt động các thành phần

Trên cửa sổ vẽ tất cả các thành phân khi chưa nhân với ma trận trộn, các thành phần được vẽ trền toàn miền thời gian, trên đây cho phép ta chúng ta xác định chính xác thời điểm xảy ra bất thường hay có một kích thích nào đó Bằng cách kích vào vị trí trên một thành phần chúng ta sẽ xác định được thời gian tại điểm đó và giá trị điện thế tại điểm đó

• Vẽ thành phần hoạt động của phổ

Để sủ dụng chức năng này chọn plot ->component spectra and maps một cửa sổ xuất hiện cho phép ta khảo sát các thành phần đóng góp cho phổ tại tần số xác định, trong đó bao gồm khoảng thời gian phân tích, vị trí tần số phân tích, số thành phần tham gia phân tích …

Định dạng
Số trang	59
Dung lượng	3,92 MB