Ứng dụng biến đổi wavelet và bộ phân lớp SVM cho vấn đề nhận dạng sóng động kinh trên điện não đồ

ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC TÍNH LIÊN QUAN ĐẾN BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH 1.1 Sự hình thành tín hiệu điện não 1.1.1 Cơ chế điện sinh lý Từ khi ra đời cho đến nay, với sự phát tri

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất

kỳ công trình nào khác

Bình Dương, ngày tháng năm 2019

Học viên thực hiện luận văn

Hồ Ngọc Giàu

LỜI CẢM ƠN

Tôi xin gửi lời cảm ơn chân thành nhất đến Thầy TS Hoàng Ma ̣nh Hà, người đã tận tình hướng dẫn, hỗ trợ và giúp đỡ tôi rất nhiều trong nghiên cứu luận văn Thầy đã đưa ra những định hướng, nhận xét và góp ý quý giá để luận văn này được hoàn thành

Kính gửi lời cảm ơn sâu sắc đến quý Thầy, Cô giảng viên trong thời gian qua đã nhiệt tình giảng dạy và truyền đạt những kiến thức chuyên môn cần thiết trong quá trình tôi được học tập tại Trườ ng Đa ̣i Ho ̣c Thủ Dầu Mô ̣t, Bình Dương

Xin gửi lời cảm ơn sâu sắc đến Ban giám hiệu Trường Đa ̣i Học Thủ Dầu Mô ̣t, Cán bộ Phòng Đào tạo của trường đã nhiệt tình giúp đỡ và tạo điều kiện thuận lợi để tôi có được môi trường học tập tốt và hoàn tất khóa học

Xin gửi lời biết ơn vô hạn đến gia đình đã không ngừng quan tâm, động viên, ủng hộ về mặt tinh thần lẫn vật chất trong suốt thời gian tôi tham gia học

tập và thực hiện luận văn này

Cảm ơn các anh chị đồng nghiệp, bè bạn lớp Cao học Hệ thống thông tin khóa 2016-2018 đã giúp đỡ và đồng hành cùng tôi trong thờ i gian học tập tại nhà trường

Bình Dương, ngày tháng năm 2019

Học viên thực hiện luận văn

Hồ Ngọc Giàu

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC ii

DANH MỤC THUẬT NGỮ VIẾT TẮT v

DANH MỤC HÌNH VẼ vi

TÓM TẮT vii

CHƯƠNG 1 ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC TÍNH LIÊN QUAN ĐẾN BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH 1

1.1 Sự hình thành tín hiệu điện não 1

1.1.1 Cơ chế điện sinh lý 1

1.1.2 Chẩn đoán bệnh động kinh thông qua điện não 1

1.1.3 Đặc điểm của tín hiệu điện não 2

1.1.4 Các dạng nhịp cơ bản 3

1.1.5 Một số loại nhịp khác 5

1.1.6 Một số nhịp dạng sóng bình bình thường xuất hiện trong giấc ngủ 6

1.2 Dấu hiệu nhận biết tín hiệu động kinh 6

1.2.1 Một số khái niệm 6

1.2.2 Vai trò của điện não đồ trong chẩn đoán động kinh 7

1.2.3 Các bước chẩn đoán 9

1.2.4 Giới thiệu về bài toán nhận dạng 13

1.2.5 Các bước xử lý của quá trình nhận dạng 14

CHƯƠNG 2 TỔNG QUÁT VỀ TÁCH ĐẶC TRƯNG GAI ĐỘNG KINH 15

2.1 Tách đặc trưng bằng mạng nhân tạo (ANN) 15

2.1.1 Mô hình nơ – ron 15

2.1.2 Kiến trúc mạng Feed-forward 18

2.1.3 Huấn luyện 19

2.1.4 Luật học 20

2.1.5 Thuật toán lan truyền ngược 21

2.1.6 Hàm truyền 21

2.2 Biến đổi Wavelet 22

2.2.1 Hàm cơ sở 23

CHƯƠNG 3 ĐỀ XUẤT PHƯƠNG PHÁP TÁCH ĐẶC TRƯNG GAI ĐỘNG KINH 26

3.1 Giới thiệu hàm Gauss 26

3.2 Ứng dụng hàm Gauss cho bài toán tách đặc trưng sóng động kinh từ tín hiệu điện não 28

CHƯƠNG 4 ĐỀ XUẤT KẾT HỢP PHƯƠNG PHÁP TÁCH ĐẶC TRƯNG

BẰNG HÀM GAUSS VỚI SVM CHO BÀI TOÁN PHÁT HIỆN SÓNG ĐỘNG KINH 36

4.1 Kết hợp tách đặc trưng bằng hàm gauss với svm 36

4.2 Thực nghiệm và đánh giá 39

4.2.1 Kết quả thực nghiệm trên mô hình đề xuất 39

4.2.2 So sánh với một số phương pháp tiêu biểu 43

4.3 Kết luận và hướng phát triển 49

PHỤ LỤC ĐÍNH KÈM (Bảng số liệu về các support vecto) 50

TÀI LIỆU THAM KHẢO: 50

DANH MỤC THUẬT NGỮ VIẾT TẮT

CWT Continuous Wavelet Transform Biến đổi Wavelet liên tục DWT Discrete Wavelet Transform Biến đổi Wavelet rời rạc

ANN Artificial Neural Network Mạng nơ ron nhân tạo SVM Support Vectơ Machine Máy vectơ hỗ trợ

SHWA Second Half Wave Amplitude Biên độ cạnh sau

SHWD Second Half Wave Duration Thời gian tồn tại cạnh sau SHWS Second Half Wave Slope Thời gian tồn tại cạnh trước

DANH MỤC HÌNH VẼ

Hình 1.1: Các nhịp cơ bản của EEG 2

Hình 1.2: Các sóng điện não 4

Hình 1.3: Nhịp µ 5

Hình 1.4: Sóng Lambda 5

Hình 1.5: Sóng Vertex 6

Hình 1.6: Hình thái của gai 9

Hình 1.7: Hình thái của Sharpwave 10

Hình 1.8: Phức hợp gai sóng 10

Hình 1.9: Đa gai và sóng 11

Hình 1.10: Phức hợp đa gai 11

Hình 1.11: Phức hợp đa nhọn sóng 12

Hình 1.12: Phức hợp đa nhọn và sóng chậm 12

Hình 1.13: Một số dạng gai thực tế 13

Hình 1.14: Các bước cơ bản của bài toán nhận dạng 14

Hình 2.1: Mô hình nơ ron nhân tạo 15

Hình 2.2: Mạng nơ ron một lớp với S nơ ron 16

Hình 2.3: Mô hình mạng ANN một lớp gồm S nơ ron 17

Hình 2.4: Mô hình mạng ANN gồm 3 lớp 17

Hình 2.5 Mạng ANN 3 lớp dạng rút gọn 18

Hình 2.6: Mô hình mạng có phản hồi 19

Hình 2.7: Phân tích đa phân giải sử dụng biến đổi wavelet rời rạc 24

Hình 3.1: Mô tả phân phối Gauss với các giá trị π khác nhau 26

Hình 3.2: Mô tả tác dụng của hàm Gauss đối với điện não đồ có gai động kinh 27

Hình 3.3: Mô tả tác dụng của hàm Gauss đối với điện não đồ không có gai động kinh 28

Hình 3.4: Mô tả mặt phẳng phân tách trong không gian R3 31

Hình 3.5: Mô tả một đỉnh (gai) và kết quả tương ứng khi tính đạo hàm bậc 1 31

Hình 3.6: Mô tả một gai kép và kết quả tương ứng khi tính đạo hàm bậc 1 32

Hình 4.1: Mô tả các bước kết hợp ứng dụng hàm Gauss để tách đặc trưng động kinh với SVM 37

Hình 4.2: So sánh tín hiệu điện não trước và sau lọc 37

Hình 4.3: So sánh tín hiệu điện não trước và sau lọc phản ánh gai động kinh 38

TÓM TẮT

Động kinh là một chứng bệnh của hệ thần kinh do xáo trộn lặp đi lặp lại của một số nơron trong vỏ na ̃o tạo nhiều triệu chứng rối loạn hệ thần kinh như co giật của bắp thịt, cắn lưỡi, sùi bọt mép, mắt trợn ngược, ngất

xi ̉u, bất tỉnh, mất kiểm soát tiểu tiện Cơn động kinh gồm những triệu chứng có thể thay đổi từ rất ngắn gọn và gần như không thể phát hiện đến các cơn động kinh thời gian dài với chấn động mạnh

Đô ̣ng kinh xảy ra ở mo ̣i lứa tuổi, mo ̣i giới tính Ở Viê ̣t Nam, chẩn

đoán đô ̣ng kinh chủ yếu dựa vào phương pháp lâm sàng thông qua các dấu hiê ̣u nhâ ̣n biết triê ̣u chứng của các cơn co giâ ̣t Để kiểm tra chẩn đoán lâm

sa ̀ng người ta phân tích tín hiê ̣u điê ̣n não đồ EEG Các bác sĩ, các chuyên gia se ̃ quan sát các bản ghi tín hiê ̣u EEG và phát hiê ̣n các dấu hiê ̣u bất thường Công viê ̣c này tiêu tốn khá nhiều thời gian, có khi phải tốn nhiều giờ, nhiều ngày Nhưng đôi khi kết quả mang la ̣i sẽ mang tính chủ quan, vì mỗi ngươ ̀ i sẽ có những nhâ ̣n đi ̣nh khác nhau

Nhằm bổ trơ ̣ cho viê ̣c chẩn đoán bê ̣nh đô ̣ng kinh thêm thuâ ̣n lợi về thời gian va ̀ tăng thêm đô ̣ chính xác, tôi đề nghi ̣ ứng du ̣ng hàm Gauss kết hợp với bô ̣ phân lớp SVM cho vấn đề nghiên cứu nhâ ̣n da ̣ng sóng đô ̣ng kinh trên ti ́n hiê ̣u điê ̣n não đồ

Nghiên cư ́ u, đề xuất của tôi được thực nghiệm với sự hỗ trợ nền tảng của Matlab và trên bộ cơ sở dữ liệu chuẩn và được so sánh với các kết quả của các nghiên cứu cùng mục đích từ 2011 đến 2017

Nội dung luận văn gồm 4 chương:

- Chương 1: Tổng quan về tín hiê ̣u điê ̣n não đồ EEG

- Chương 2: Tổng quan về tách đặc trưng của gai động kinh

- Chương 3: Đề xuất áp dụng hàm Gauss cho tách đặc trưng gai động kinh

- Chương 4: Đề xuất kết hợp hàm Gauss với SVM để phát hiện sóng

CHƯƠNG 1 ĐIỆN NÃO ĐỒ VÀ MỘT SỐ THUỘC TÍNH LIÊN QUAN ĐẾN BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH

1.1 Sự hình thành tín hiệu điện não

1.1.1 Cơ chế điện sinh lý

Từ khi ra đời cho đến nay, với sự phát triển và hoàn thiện không ngừng, điện não đồ đóng góp vai trò đáng kể trong chẩn đoán, điều trị và tiên lượng bệnh của hệ thần kinh trung ương

EEG (Electroencephalogram) là sự biểu diễn dạng đồ họa sự thay đổi hiệu điện thế theo thời gian giữa các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não ([1-3]) Sự kích thích đồng thời

củ a mô ̣t nhóm các nơ ron sẽ ta ̣o ra tín hiê ̣u EEG có biên đô ̣ lớn vì các tín hiê ̣u

có nguồn gốc từ các nơ ron đô ̣c lâ ̣p được cô ̣ng la ̣i Ngược la ̣i các nơ ron kích thích không đồng bô ̣ sẽ ta ̣o ra EEG có biên đô ̣ thấp Biên đô ̣ EEG cũng phu ̣ thuộc vào kỹ thuâ ̣t đo như loa ̣i điê ̣n cực, đa ̣o trình, … và bê ̣nh nhân

Tín hiê ̣u EEG rất khác nhau ở các bệnh nhân và phụ thuộc vào nhiều yếu tố như độ tuổi, tình trạng tâm lý, tình trạng thức hay ngủ, mức độ tập trung v.v…

1.1.2 Chẩn đoán bệnh động kinh thông qua điện não

Chẩn đoán thông qua EEG là phương pháp lâm sàng của nhiều quốc gia trên thế giới vì những giá tri ̣ hữu ích của nó mang la ̣i như sau:

Phản ánh được các chức năng sinh lý bình thường của não [2]

Đánh giá và ước lượng được sự phục hồi của não sau các trường hợp tai biến hoă ̣c chấn thương so ̣ não Từ đó có thể theo dõi được quá trình điều tri ̣ bê ̣nh, quyết đi ̣nh bắt đầu hay dừng điều tri ̣ [3]

Các trường hợp bê ̣nh nhân bi ̣ đau đầu kéo dài, thường xuyên hay lo lắng hoảng sợ vô cớ [3]

Các cơn co giâ ̣t tự ý xảy ra trong giấc ngủ

Các trường hợp chấn thương so ̣ não, sau tai biến ma ̣ch máu não có lên cơ

co giật, đô ̣ng kinh Những trường hợp ngất xỉu thoáng qua có kèm theo méo miệng hoă ̣c sùi nước bo ̣t

Một số trường hợp rối loa ̣n tuần hoàn não, thiểu năng tuần hoàn não…và

một số dấu hiê ̣u lâm sàng cần được kiểm tra điê ̣n não

Điê ̣n não đồ phát hiê ̣n được bê ̣nh đô ̣ng kinh, giúp theo dõi và đánh giá được

kết quả chữa tri ̣ thông qua viê ̣c kiểm tra tín hiê ̣u điê ̣n não đi ̣nh kỳ Đối với điê ̣n não đồ đô ̣ng kinh chia làm 02 loa ̣i: bản ghi trong cơn ( ghi được khi đang xảy ra cơn

đô ̣ng kinh), bản ghi ngoài cơn (ghi khi xảy ra giữa cơn đô ̣ng kinh) ([2], [3])

1.1.3 Đặc điểm của tín hiệu điện não

EEG đặc trưng bởi biên độ, tần số, hình thái, sự phân cực, phân bố vị trí

và điều kiện làm thay đổi của hiệu điện thế ([2], [3])

Hình 1.1: Các nhịp cơ bản của EEG

Các tín hiệu ghi trên da đầu có biên độ biến thiên từ vài μV đến xấp xỉ 100μV và tần số nằm trong phạm vi từ 0.5 đến 40Hz [1]

Nếu trạng thái của đối tượng đo ổn định trong một khoảng thời gian, các nhịp này sẽ có dạng tuần hoàn

1.1.4 Các dạng nhịp cơ bản

Năm 1924, nhà tâm thần học người Áo tên là Hans Berger là người đầu tiên ghi được EEG ([2], [5]) Ông nhận thấy trên bản ghi EEG bình thường, nhịp của các sóng điện não gồm có các loa ̣i như sau:

1.1.4.1 Nhịp delta

Có tần số nằm trong khoảng từ 0.5- 4Hz: Nhịp Delta hiếm khi ghi được trên người bình thường đang thức, nhưng vẫn thấy khi ngủ sâu hoặc vào lúc tỉnh giấc của trẻ nhỏ Sóng delta là sóng có biên độ cao nhất trong tất cả các sóng điện não, trung bình 100μV

1.1.4.2 Nhịp theta

Theta là những sóng có tần số từ 4 - 7,5 Hz, và được xếp vào loại sóng

“chậm” Nó được coi là bất thường nếu thấy ở người lớn đang tỉnh táo, nhưng lại coi là hoàn toàn bình thường ở trẻ dưới 13 tuổi và đang ngủ Cũng có thể thấy theta tạo thành 1 vùng bất thường cục bộ trên những nơi có tổn thương dưới vỏ cục bộ Biên đô ̣ nhỏ hơn 15μV, xuất hiện ở vùng trán tới vùng trung tâm

Nhịp theta đóng vai trò quan trọng ở trẻ nhỏ Sự xuất hiện với một số lượng lớn các nhịp theta không liên tục ở người lớn khi thức là dấu hiệu bất thường có nguyên nhân từ nhiều bệnh lý khác nhau

1.1.4.3 Nhịp alpha

Nhịp alpha có tần số trong khoảng 8 Hz đến 13 Hz, biên đô ̣ không quá 50

µV ( mặc dù có thể giao đô ̣ng từ 5 tới 100 µV và xuất hiện 8-13 lần trong 1 giây (8-13 Hertz) Ở trẻ 03 tuổi tần số là 8Hz

Nhịp alpha là nhi ̣p nổi trô ̣i khi quan sát hoa ̣t đô ̣ng điê ̣n não, thường có

dạng hình sin hoă ̣c tròn Trong mô ̣t số ít trường hợp, nhi ̣p alpha có da ̣ng như

sóng nho ̣n, phần âm có da ̣ng nho ̣n, phần dương có da ̣ng tròn Sóng này thấy rõ

nhất ở phần phía sau của não người, vốn là nơi xử lý các tín hiệu thị giác, tức là

vùng chẩm Do đó, đôi khi người ta còn gọi nhịp alpha là nhịp trội ở phía sau

Sóng alpha trở nên rõ nhất khi ta nhắm mắt lại Nó bị triệt tiêu khi ta mở mắt

Sóng alpha xuất hiê ̣n nhiều nhất trong thời gian thư giãn mà nhắm mắt nhưng

vẫn thứ c

1.1.4.4 Nhịp beta

Nằm trong miền tần số từ 14-30Hz (chu kỳ sóng từ 34ms đến 71ms),

thường quan sát được trong khoảng 18-25Hz Biên độ nhịp beta thông thường

nhỏ hơn 20μV Nhịp beta có biên độ lớn hơn 25μV là bất thường [17]

Đây là nhịp không đều, có biên độ nhỏ, quan sát đươ ̣c trong lúc buồn

ngủ, ngủ nhẹ hoặc hoạt động trí óc Nhịp beta cũng xuất hiện ở giai đoạn giấc

ngủ REM ở giai đoạn 3 Khi có sự hoảng loạn, nhịp beta tăng

Nhịp beta quan sát thấy chủ yếu ở vùng trán và vùng trung tâm Nhịp

beta ở vùng trung tâm bị mất khi có các hoạt động vận động hoặc kích thích

xúc giác Nhịp này cũng tăng lên quanh các vùng có khối u hay các khuyết tật

về xương

Beta là nhịp bình thường ở người lớn

Hình 1.2: Các sóng điện não

Tần số của nhịp μ trong khoảng 8-10Hz Nhịp μ có thể xuất hiện chỉ ở một bên, có thể xuất hiện không đối xứng, không đồng bộ và thường có biên độ nhỏ hơn nhịp alpha tại cùng thời điểm đo Nhịp μ bị mất khi vận động Nhịp

μ liên quan chặt chẽ với vùng vận động của vỏ não

1.1.5.2 Sóng Lambda

Hình 1.4: Sóng lambda

Sóng Lamda tồn tại trong thời gian từ 160ms đến 250ms, xuất hiê ̣n hai bên vù ng chẩm Có khi có dạng bất đối xứng, biên độ lớn hơn các nhịp trội phía sau hộp sọ Só ng lambda có thể gây nhầm lẫn với phóng điện dạng động kinh trong cơn trong trườ ng hợp xảy ra bất đối xứng

Sóng lamda được nhận ra rõ ràng khi cho bệnh nhân nhìn lướt qua một bức ảnh phức tạp với tốc độ di chuyển mắt nhanh Sóng lambda xuất hiện nhiều hơn ở trẻ nhỏ và thường ghi nhâ ̣n được ở những người trưởng thành trẻ

1.1.6 Một số nhịp dạng sóng bình bình thường xuất hiện trong giấc ngủ 1.1.6.1 Vertex waves

Hình 1.5: Sóng vertex

Vertex wave là sóng có đỉnh so ̣ Là sóng liên hợp phức của thế kéo dài 200ms, gồm 1 pha nhọn, dương, biên độ nhỏ theo sau là một pha âm biên độ lớn Vertex wave có biên độ âm lớn nhất ở đỉnh đầu (vị trí điện cực Cz) và xuất hiện ở giai đoạn I đến III của trạng thái NREM

Vertex wave xuất hiện hai bên bán cầu, đối xứng và đồng bộ Ở người lớn tuổi, vertex wave có biên độ nhỏ và khó quan sát

1.1.6.2 Sleep spindles

Spindles (cũng được gọi là hoạt động sigma) là hoạt động nhất thời, hình sin có tần số từ 11-15Hz và biên độ giảm dần Spindles được quan sát ở vùng trung tâm và xuất hiện ở vùng trán với tần số nhỏ hơn (từ 10-12Hz)

Sleep spindle cùng với K-Complex là dấu hiệu bắt đầu của giai đoạn 2 của giấc ngủ NREM

1.1.6.3 Kcomplexes

K-Complex là phức hợp hai pha bắt đầu bằng một đỉnh nhọn có điện thế cao (thường lớn hơn 100 μV) theo sau bởi một sóng chậm có thời gian tồn tại khoảng từ 350-550ms và kết thúc bởi một đỉnh dương

K-Complex xuất hiện khi bệnh nhân đang ngủ mà bi ̣ đánh thức bằng

kích thích âm thanh hoă ̣c các kích thích khác Tiếp theo K-Complex thường xuất hiê ̣n các sóng theta có biên đô ̣ cao

1.2 Dấu hiệu nhận biết tín hiệu động kinh

1.2.1 Một số khái niệm

Động kinh được định nghĩa là mô ̣t bê ̣nh lý được đặc trưng bởi các cơn không kích thích lặp đi lă ̣p la ̣i gần như kéo dài trong suốt cuô ̣c sống của bê ̣nh nhân

Không kích thích được hiểu là: Đối với các cơn động kinh trong một

số trường hợp có thể được làm xuất hiện sớm bởi sự kích thích các giác quan như đèn chớp hoặc các âm thanh lớn đột ngột Vì vâ ̣y chúng ta phải phân biệt giữa việc làm mau đến (precipitate) và sự kích thích (provoke) Một ví dụ về

sự kích thích là gây kích thích xung điện, tạo ra các cơn giật rung hữu ích trong não

Bản chất của các cơn động kinh là hiện tượng khử cực bất thường, kịch phát của một quần thể nơron (có thể làm thay đổi điện thế của màng nơron từ -85mVthành +30mV) Những hoạt động này có thể quan sát thấy bằng cách ghi các điện thếtrong tế bào, ngoài tế bào và ở da đầu (điện não đồ thường quy)

Để ghi nhận được một cơn động kinh, tín hiê ̣u EEG phải được theo dõi trong nhiều giờ, thậm chí rất nhiều ngày Đây là một điều kiện không dễ gì thực hiện được Vì vâ ̣y, các bác sĩ chuyên khoa thần kinh sẽ quan sát các dấu hiệu trên các tín hiê ̣u EEG đo được khi bệnh nhân ngoài cơn, đồng thời để có thể chẩn đoán hoặc ghi nhận một số yếu tố có liên quan Dấu hiệu phổ biến là các gai (spike), só ng nhọn (sharp), đa gai, các sóng chậm có biên độ lớn nằm tách biệt, phức hợp gai sóng đo được giữa các cơn Điểm khác biệt giữa gai và só ng nhọn là khoảng thời gian: gai kéo dài ngắn hơn 70ms, sóng nhọn có thời gian kéo dài từ 70-200ms

1.2.2 Vai trò của điện não đồ trong chẩn đoán động kinh

Trong quá trình chẩn đoán động kinh, ngoài các yếu tố lâm sàng, các bác sĩ cần

sử dụng các thông tin trợ giúp thu được từ EEG [2] Dựa vào sự phân bố của

các yếu tố như: mật độ, hình dạng của các gai, sóng nhọn và các dạng phức hợp

thì tín hiê ̣u EEG hỗ trợ cho các chẩn đoán lâm sàng, giúp phân loại các triệu chứng cũng như xác định vị trí của vùng bi ̣ động kinh EEG giúp đánh giá kết quả và theo dõi tiến trình điều trị.

- Nguồn xuất phát của sóng động kinh

Dấu hiệu nhận biết

Gai (Spikes)

Gai là một dạng bất thường của điện não đồ thường là dấu hiệu nhận biết bệnh động kinh Gai có thời gian tồn tại từ 20-70ms, được đặc trưng bởi đường đi lên dốc đứng tạo ra đỉnh nhọn, nổi bật trên các sóng cơ bản, biên độ tương đối lớn

Hình 1.6: Hình thái của gai Gai thường xuất hiện không theo quy luật ([2], [5])

Về mặt hình thái, cơ bản gai có một pha nhưng cũng quan sát được nhiều gai có 2 hoặc 3 pha Gai có thể biểu hiện dưới dạng độc lập hoặc dạng kết hợp Gai ghi nhận được tại vùng gần với ổ bệnh

Các tín hiệu dạng động kinh có thể xảy ra độc lập, tuy nhiên, chúng thường theo sau bởi một sóng chậm kéo dài từ 150-350ms Các gai và nhọn thường có sóng chậm đi kèm theo, nhưng thuật ngữ phức hợp gai – sóng thường dành cho trường hợp mà sóng chậm theo sau có biên độ nổi trội, lớn hơn so với gai

Hình thái của gai rất đa dạng và phức tạp phụ thuộc vào bệnh nhân, khác nhau giữa các bản ghi Không có một định nghĩa rõ ràng về gai Do đó

trong quá trình chẩn đoán, cùng một bản ghi nhưng các chuyên gia khác nhau lại cho các kết quả khác nhau phụ thuộc vào ý kiến chủ quan của mình Đối với các bản ghi mà gai rõ ràng, sự thống nhất giữa các chuyên gia là lớn, tuy nhiên đối với các bản ghi mà hình dạng của gai không rõ ràng, việc xác định gai giữa các chuyên gia có sự khác biệt lớn Như vậy, kết quả đánh giá trên một bản ghi không những phụ thuộc vào trình độ của các chuyên gia mà còn phụ thuộc vào bản thân độ phức tạp của tín hiệu

Sóng nhọn (Sharp wave)

Có hình dạng tương tự gai, thời gian tồn tại từ 70-200ms Sóng nhọn thường ghi nhận được ở các vùng xa tổn thương

Hình 1.7: Hình thái của sharp wave

Phức hợp gai sóng (spikes and wave)

Hình 1.8: Phức hợp gai sóng

Phức hợp gai sóng bao gồm một gai được theo sau bởi một sóng chậm

có biên độ lớn (tần số cỡ sóng delta) có biên độ cao, sóng chậm này được coi là

có nguồn phát ở các cấu trúc của đồi thị, phức bộ này lặp đi lặp lại Chúng có thể xuất hiện đồng bộ (đồng thì – synchronously) và cân đối hai bên trong các bệnh động kinh toàn thể hóa (generalized epilepsies) hoặc khu trú trong bệnh

động kinh cục bộ Trong những dạng gai và sóng toàn thể hóa, cơn vắng thực

sự (true absense) hay là cơn nhỏ (petit mal) đặc trưng bằng gai-sóng 3 Hz, trong khi gai chậm – sóng (slow spike-wave) thường thấy hơn khi não bị tổn thương và trong hội chứng Lennox-Gastaut

Phức hợp đa gai

Hình 1.10: Phức hợp đa gai

nền tương đối bằng phẳng, ở 1 vùng hay 1 bên của não Sau đó nhịp của nó chậm dần lại và xuất hiện các sóng chậm theo chu kỳ, và hoạt động điện cơ sở nằm giữa các phóng điện dạng động kinh này cũng khá dần lên Cuối cùng các sóng dạng động kinh kiểu này cũng biến mất hoàn toàn Kiểu PLEDS thường thấy khi có triệu chứng định khu nặng, hoặc là trên một bệnh nặng đang có xu hướng khá dần lên

Các dạng spike thực tế:

Hình 1.13: Một số dạng gai thực tế 1.2.4 Giới thiệu về bài toán nhận dạng

Nhận dạng là lĩnh vực luôn được nhiều nhà nghiên cứu quan tâm và cho đến nay lĩnh vực này cũng đã đạt được nhiều thành tựu lớn lao cả về mặt lý thuyết cũng như trong ứng dụng thực tế ([2] – [5])

Những năm gần đây, nhận dạng gai động kinh đã có những bước tiến quan trọng Tuy nhiên, nhận dạng chính xác gai động kinh trong những điều kiện khó vẫn là bài toán mang nhiều thách thức lớn đối với các nhà nghiên cứu

và hiện nay vẫn chưa thật sự có giải pháp hoàn chỉnh

1.2.5 Các bước xử lý của quá trình nhận dạng

Quá trình nhận dạng một tín hiệu đầu vào nhằm thu được tín hiệu đầu ra như mong muốn thường phải trải qua nhiều bước khác nhau, trong

đó bước Trích chọn đặc trưng đóng vai trò làm tăng độ chính xác khi

phân lớp của hệ thống nhận dạng, mặt khác nó cũng làm cho tốc độ nhận dạng của hệ thống chậm lại [1] Vì vậy, tùy thuộc vào chất lượng của tín hiệu điện não đưa vào mà chọn một hoặc một vài chức năng trong khối này Giai đoạn này để chuẩn hóa tín hiệu cần tìm giúp cho việc tìm kiếm được hiệu quả hơn

Hình 1.14 Các bước cơ bản cho bài toán nhận dạng

Huấn luyện (SVM)

Phát hiện

Tham số sau huấn luyện

Kết quả phát hiện gai động kinh

CHƯƠNG 2 TỔNG QUÁT VỀ TÁCH ĐẶC TRƯNG GAI ĐỘNG KINH 2.1 Tách đặc trưng bằng mạng nhân tạo (ANN)

2.1.1 Mô hình nơ – ron

Với khả năng tự huấn luyện, mạng nơ ron nhân tạo đã và đang là công cụ hữu ích và thuận tiện để tách các đặc trưng của gai động kinh trong điện não đồ

Từ năm 2004, với dữ liệu đã được gán nhãn, mạng nơ ron đã được huấn luyện trở thành các bộ lọc (filter) để tách những đặc trưng đó Tuy nhiên độ chính xác,

độ tin cậy của mạng nơ ron nhân tạo vẫn chưa được đánh giá cao Do đó cần thiết phải hiểu kỹ về mạng nơ ron nhân tạo để có thể áp dụng một cách phù hợp ([1]-[3], [7], [8])

Nơ-ron nhân tạo là mô hình toán học của nơ-ron sinh học bao gồm ba thành phần chính: các trọng số, bộ tổng và hàm kích thích (activation function) Cường độ liên kết giữa đầu vào và nơ-ron được mô tả bằng giá trị của

trọng số Các trọng số w là các đại lượng vô hướng Giá trị của trọng số và độ bias b có thể thay đổi được bởi các thuật toán huấn luyện và học để phù hợp với một mục đích cụ thể Bộ tổng thực hiện cộng tuyến tính các tham số đầu

vào theo trọng số tương ứng Bộ tổng tương đương với thân nơ-ron Hàm kích

thích điều khiển lối ra của nơ-ron Giá trị của lối ra thường nằm trong

khoảng từ -1 đến 1 hoặc từ 0 đến 1 Hàm kích thích tương ứng với tín hiệu truyền trên sợi trục, có thể là tuyến tính hoặc không tuyến tính Hàm kích thích thường được chọn bởi người thiết kế để thỏa mãn một số yêu cầu cụ thể mà nơ-ron cần giải quyết

Hình 2.1: Mô hình nơ-ron nhân tạo

w1,1

w2,1

w S ,1

w1,2

w2,2

w S ,R

Mạng một lớp

Hình 2.2: Mạng nơ-ron một lớp với S nơ-ron

Mạng có R đầu vào và S nơ-ron Mỗi đầu vào được nối với tất cả các nơ-ron Số đầu vào thường khác với số nơ-ron Hàm truyền của mỗi nơ-ron

có thể khác nhau Tác động của vectơ đầu vào p đối với mạng thể hiện qua ma trận liên kết W:

W

Mạng ANN một lớp cũng thường được biểu diễn như sau:

Hình 2.3: Mô hình mạng ANN một lớp gồm S nơ-ron

Trong đó p là vectơ đầu vào có chiều dài R, W là ma trận gồm SxR phần tử a,b

là các vectơ có chiều dài S

Hình 2.5: Mạng ANN 3 lớp dạng rút gọn Đối với mạng một lớp hoặc hai lớp ta có thể xác định được ngay số nơ-ron của mỗi lớp bằng bao nhiêu căn cứ trên yêu cầu của bài toán có bao nhiêu biến đầu vào và đầu ra Phụ thuộc vào yêu cầu bài toán mà ta xác định được hàm kích thích Trong trường hợp mạng có nhiều hơn 2 lớp, các lớp ẩn có số nơ-ron bằng bao nhiêu có thể dự đoán được nhờ một số yếu tố, đây là lĩnh vực nghiên cứu nhằm tối ưu hoạt động của mạng

Đối với phần lớn các bài toán, số lớp thường dừng lại ở hai hoặc ba lớp Mạng từ bốn lớp trở lên hiếm khi được sử dụng Mạng nhiều lớp mạnh mẽ hơn nhiều so với mạng một lớp, chúng có thể xấp xỉ phần lớn các hàm toán học

mà mạng một lớp không làm được

2.1.2 Kiến trúc mạng Feed-forward

Là mạng mà đầu ra của lớp thứ nhất là đầu vào của các lớp tiếp theo

Không có phản hồi từ đầu ra của lớp sau đến đầu vào của lớp trước

Feedback (recurrent network)

Là mạng có phản hồi, một số đầu ra của mạng được kết nối với

đầu vào

Hình 2.6: Mô hình mạng có phản hồi

2.1.3 Huấn luyện

Huấn luyện là quá trình làm thay đổi các trọng số liên kết và bias của mạng để mạng thực hiện được một nhiệm vụ cụ thể ANN được huấn luyện theo kiểu huấn luyện có giám sát (supervised training), hoặc huấn luyện không giám sát (unsupervised training) Trong các bài toán phân loại và nhận dạng, huấn luyện có giám sát được sử dụng phổ biến

Huấn luyện có giám sát: Mạng được huấn luyện nhờ các cặp dữ liệu

vào và ra mong muốn Các trọng số liên kết của mạng thay đổi sao cho sự sai khác giữa dữ liệu ra của mạng và dữ liệu ra mong muốn nhỏ nhất Luật huấn luyện sử dụng kết quả so sánh để điều chỉnh trọng số liên kết và bias của mạng Giai đoạn huấn luyện: dữ liệu được đưa tới đầu vào mạng Sai khác giữa đầu ra của đáp ứng hệ thống và đáp ứng mong muốn được tính toán Sai khác này được phản hồi lại cho hệ thống và điều chỉnh các tham số của hệ thống theo một thuật toán Quá trình này lặp đi lặp lại cho đến khi chất lượng của hệ thống đạt đến một ngưỡng cho trước Như vậy, chất lượng của hệ thống phụ thuộc hoàn toàn vào dữ liệu huấn luyện Nếu một bài toán có rất ít dữ liệu hoặc dữ liệu không phủ hết các điều kiện khác nhau thì giải pháp mạng nơ-ron là không hợp lý Trong trường hợp lượng dữ liệu phong phú tuy nhiên sự hiểu biết về nó

chưa đầy đủ để xây dựng một mô hình chính xác thì giải pháp mạng nơ-ron là phù hợp

Huấn luyện tăng cường (Reinforcement Learning)

Reinforcement learning là trải nghiệm trực tiếp với môi trường xung quanh, liên tục nhận phản hồi từ môi trường xung quanh để cải thiện hành vi của hệ thống trong các môi trường mới các ví dụ điển hình cho phương pháp học này là việc huấn luyện cho xe tự lái dựa vào ảnh thu được từ camera và điều khiển tay lái cùng với tốc độ xe Hiện tại, Reinforcement learning chủ yếu được

áp dụng vào lý thuyết trò chơi (Game Theory), các thuật toán cần xác định nước

đi tiếp theo để đạt được điểm số cao nhất

Luật học dựa trên chất lượng là một lớp luật học quan trọng, trong đó các tham số của mạng được điều chỉnh để tối ưu chất lượng của mạng

Chỉ số chất lượng (performance index) là số đo định lượng của chất lượng Chỉ số chất lượng được chọn sao cho giá trị của chỉ số chất lượng nhỏ khi mạng thực hiện tốt và lớn khi mạng thực hiện kém

Quá trình tối ưu chất lượng là quá trình tìm các tham số để giảm giá trị của chỉ số (hay làm tăng chất lượng của mạng) Chỉ số chất lượng là một hàm số của các trọng số liên kết Nhiệm vụ của bài toán tối ưu là tìm được điểm cực tiểu và hướng để hàm đạt cực tiểu nhanh nhất Tìm được điểm tối ưu của các trọng số liên kết, nghĩa là tìm điểm cực tiểu toàn cục của hàm số

2.1.5 Thuật toán lan truyền ngược

Đây là thuật toán được sử dụng nhiều nhất nhất để training cho các mạng neural truyền thẳng nhiều lớp Ta cũng có thể sử dụng cho các mạng truyền thẳng với các hàm chuyển và các hàm lỗi khả vi

Tiêu chuẩn huấn luyện: Phải làm cho sai số đầu ra càng nhỏ càng thì

tốt

Triết lý của phương pháp: Căn cứ vào đầu ra để điều chỉnh trọng số

của lớp ra, sau đó dựa trên tính toán của lớp ra để điều chỉnh trọng số của lớp ẩn cho hợp lí

Khi áp dụng thuật toán lan truyền ngược vào training mạng neural nhiều lớp thì nhất thiết phải đi qua hai quá trình: Quá trình truyền tuyến tính và quá trình truyền ngược Ở quá trình truyền tuyến tính thì dữ liệu từ lớp nhập qua lớp ẩn và đến lớp xuất để thay đổi giá trị của trọng số liên kết

W của các neural trong mạng biểu diễn được dữ liệu học Đồng thời tìm ra

sự khác nhau giữa giá trị thật hàm mẫu mà mạng tính được và kết quả dự đoán của mạng gọi là lỗi Còn quá trình truyền ngược thì giá trị lỗi sẽ được truyền ngược lại để cho quá trình training sẽ tìm ra trọng số Wi với lỗi phải nhỏ nhất

2.1.6 Hàm truyền

Trong các mạng neuron, hàm truyền được phân loại theo hàm tuyến tính hoặc phi tuyến, hàm liên tục hay gián đoạn

Hard Limit a=0 n  0

a=1 n 0

Symmetrical hard limit a= -1 n  0

e e a

Bảng 2.1 Danh mục các hàm truyền thường gặp

Việc lựa chọn hàm truyền phù hợp với bài toán thường được tiến hành qua thực nghiệm

Ví dụ:

- Hàm truyền Symmetrical hard limit được sử dụng ở tầng ra của mạng neuron trong các bài toán phân loại hai lớp

- Hàm truyền Log-Sigmoid được sử dụng trong mạng neuron đa tầng

- Hàm truyền Linear được sử dụng trong mạng ADALINE

2.2 Biến đổi Wavelet

Biến đổi wavelet được hiểu là bộ lọc ([1], [9]) Do vậy, việc áp dụng biến đổi wavelet để tách đặc trưng của gai động kinh đã được áp dụng mạnh mẽ Ngoài ra, họ wavelet Daub đã được sử dụng như là công cụ rất mạnh để tính xấp

xỉ đạo hàm bậc n bất kỳ Dưới góc nhìn định vị điểm kỳ dị, biến đổi wavelet cũng đã được sử dụng để xác định vị trí của gai động kinh [1] Do đó cần có cách