Nghiên cứu đặc trưng điện não sử dụng cho phát hiện bệnh tâm thần phân liệt

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu đặc trưng điện não sử dụng cho phát bệnh tâm thần phân liệt LÊ THÀNH CHUNG Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Phạm Phúc Ngọc Viện: Điện tử - Viễn thông HÀ NỘI, 2021 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu đặc trưng điện não sử dụng cho phát bệnh tâm thần phân liệt LÊ THÀNH CHUNG Ngành Kỹ thuật Y sinh Giảng viên hướng dẫn: TS Phạm Phúc Ngọc Chữ ký GVHD Viện: Điện tử - Viễn thông HÀ NỘI, 2021 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Lê Thành Chung Đề tài luận văn: Nghiên cứu đặc trưng điện não sử dụng cho phát bệnh tâm thần phân liệt Chuyên ngành: Kỹ thuật y sinh Mã số SV: CB190182 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 19/4/2021 với nội dung sau: Rà sốt lại lỗi tả, hình vẽ, thích luận văn Ngày tháng năm 2021 Giáo viên hướng dẫn Tác giả luận văn TS Phạm Phúc Ngọc Lê Thành Chung CHỦ TỊCH HỘI ĐỒNG LỜI CẢM ƠN Trong trình thực đề tài, nhận giúp đỡ, giảng giải hướng dẫn tận tình TS Phạm Phúc Ngọc - giảng viên môn Công nghệ Điện tử & Kỹ thuật Y Sinh, viện Điện tử – Viễn thông, trường Đại học Bách Khoa Hà Nội Sự hướng dẫn tận tình thầy giúp đỡ tơi nhiều gặp khó khăn q trình thực đề tài Tôi xin chân thành cảm ơn thầy Tôi xin cảm ơn gia đình bạn bè động viên tơi suốt q trình thực đề tài Xin trận trọng cảm ơn! Hà Nội, ngày tháng Tác giả năm 2021 Lê Thành Chung MỤC LỤC DANH MỤC HÌNH VẼ iii DANH MỤC BẢNG BIỂU v DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT vi CHƯƠNG CƠ SỞ SINH LÝ BỆNH TÂM THẦN PHÂN LIỆT 1.1 Bệnh tâm thần phân liệt gì? 1.2 Triệu chứng bệnh tâm thần phân liệt 1.2.1 Các triệu chứng dương tính: 1.2.2 Các triệu chứng âm tính: 1.3 Các thể lâm sàng bệnh tâm thần phân liệt 1.4 Nguyên nhân yếu tố ảnh hưởng đến khởi phát bệnh 1.4.1 Các yếu tố di truyền 1.4.2 Yếu tố môi trường 1.4.3 Yếu tố sinh hóa 1.5 Các phương pháp chẩn đoán bệnh 1.5.1 Chẩn đoán xác định (theo ICD-10) 1.5.2 Các xét nghiệm cận lâm sàng CHƯƠNG CƠ SỞ LÝ THUYẾT ĐIỆN NÃO ĐỒ VÀ MỐI LIÊN QUAN VỚI BỆNH TÂM THẦN PHÂN LIỆT 2.1 Điện màng tế bào 2.2 Kỹ thuật ghi tín hiệu điện não 2.2.1 Máy ghi điện não 2.2.2 Các vị trí đặt điện cực da đầu 11 2.3 Sóng điện não 13 2.4 Nhiễu điện não đồ 14 2.5 Ưu nhược điểm điện não đồ so với phương pháp chẩn đoán thần kinh khác 18 2.6 Tâm thần phân liệt không chứng rối loạn tâm lý 19 2.7 Những bất thường EEG bệnh nhân tâm thần phân liệt 20 2.8 Giải thích tín hiệu điện não bất thường thùy đỉnh thùy thái dương bệnh nhân tâm thần phân liệt 20 i CHƯƠNG HỆ THỐNG PHÁT HIỆN TÂM THẦN PHÂN LIỆT DỰA TRÊN ĐIỆN NÃO ĐỒ 22 3.1 Tiền xử lý tín hiệu điện não 23 3.2 Các đặc trưng điện não 27 3.2.1 Đặc trưng Entropy hoán vị 27 3.2.2 Các tham số Hjorth 31 3.2.3 Chênh lệch điện áp điện cực thùy thái dương 32 3.3 Học máy phân loại 33 3.3.1 Các phương pháp học 33 3.3.2 Các tập liệu học máy 34 3.3.3 Các tham số đánh giá mơ hình 35 3.3.4 Một số phân loại 37 3.3.5 Naïve Bayes 41 3.3.6 Support vector machine (SVM) 42 CHƯƠNG KẾT QUẢ NGHIÊN CỨU TỪ BỘ DỮ LIỆU “EEG IN SCHIZOPHRENIA” 45 4.1 Bô liệu “EEG in schizophrenia” 45 4.2 Tiền xử lý liệu điện não “EEG in schizophrenia” 46 4.3 Tính tốn đặc trưng cho liệu “EEG in schizophrenia” 49 4.3.1 Đặc trưng entropy hoán vị 50 4.3.2 Các đặc trưng Hjorth 53 4.3.3 Các đặc trưng chênh lệch điện áp 56 4.4 Kết phân loại sử dụng phân loại học máy 61 TÀI LIỆU THAM KHẢO 70 ii DANH MỤC HÌNH VẼ Hình 1.1.Chứng tâm thần phân liệt Hình 2.1.Điện màng tế bào thần kinh [7] Hình 2.2.Các giai đoạn điện hoạt động [6] Hình 3.Thiết bị ghi EEG xâm lấn khơng xâm lấn [9][10] 10 Hình 4.Sơ đồ khối hệ thống ghi EEG [8] 10 Hình 2.5.Hệ thống đặt điện cực 10-20 [19] 12 Hình 6.Cách ghi đơn cực ghi lưỡng cực 12 Hình 7.Các EEG hoạt động não 14 Hình 8.Nhiễu điện lưới 50 Hz 15 Hình 9.Nhiễu điện cực bị dịch chuyển 15 Hình 10.Nhiễu nháy mắt 16 Hình 11.Nhiễu điện 17 Hình 12.Nhiễu điện tim 17 Hình 13.Loại bỏ nhiễu ghi EEG phương pháp ICA 18 Hình 14.Thể tích não giảm bệnh nhân tâm thần phân liệt 20 Hình 15.Mơ hình điều chỉnh lệnh vận động não 21 Hình 1.Mơ hình hệ thống phân loại tín hiệu điện não 22 Hình 2.Sơ đồ khối hệ thống phát tâm thần phân liệt 23 Hình 3.Sơ đồ khối bước lựa chọn đặc trưng cho hệ thống phát bệnh tâm thần phân liệt 23 Hình 4.Phổ tần tín hiệu y sinh [45] 24 Hình 5.Các điện cực tính chênh lệch điện áp 33 Hình 3.6.Machine learning workflows 34 Hình 3.7.Training data, validation data testing data 35 Hình 8.Area under the ROC curve (AUC) 37 Hình 9.Ví dụ tốn sử dụng mơ hình Decision tree [42] 38 Hình 10.Bản đồ 1-NN 39 Hình 11.Ví dụ số lượng nearest neighbor ảnh hưởng tới kết phân loại 40 Hình 12.Các hyperlan phân tách liệu thành hai miền 43 Hình 13.Lề hai lớp không (bên trái) (bên phải) 43 Hình 1.Hệ thống điện cực EEG 10-20 tiêu chuẩn 45 Hình 2.Bản ghi điện não đồ người khỏe mạnh thứ 46 Hình 3.Phân tích tín hiệu 19 kênh điện não thành 19 thành phần độc lập 47 iii Hình 4.Phổ tần tín hiệu gốc 47 Hình 5.Phổ tần tín hiệu sau lọc 48 Hình 6.Loại bỏ nhiễu mắt ghi điện não đồ phương pháp phân tích thành phần độc lập 48 Hình 7.Đặc trưng entropy hốn vị, độ trễ τ = 1, số chiều D = 51 Hình 8.Đặc trưng entropy hoán vị điện cực P4 52 Hình 9.Đặc trưng entropy hốn vị điện cực P3 52 Hình 10.Đặc trưng Hjorth mobility liệu “EEG in schizophrenia” 54 Hình 11.Đặc trưng Hjorth mobility điện cực Fp1 55 Hình 12.Đặc trưng Hjorth complexity điện cực Pz 56 Hình 13.Chênh lệch điện áp điện cực thùy thái dương thùy đỉnh 58 Hình 14.Chênh lệch điện áp điện cực F3 T5 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 59 Hình 15.Chênh lệch điện áp điện cực F7 C3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 59 Hình 16.Chênh lệch điện áp điện cực F7 P3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 60 Hình 17.Chênh lệch điện áp điện cực F7 T3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 60 Hình 18.Chênh lệch điện áp điện cực F7 T5 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 60 Hình 19.Biểu diễn liệu với đặc trưng hjorth mobility điện cực Fp1 Fz, đặc trưng Hjorth complexity điện cực Pz Pz entropy hoán vị điện cực P3, P4 63 Hình 20.Số lượng trường hợp True positive, False Positive, True Negative False Negative 63 Hình 21.Đường cong ROC AUC 64 Hình 22.Các vùng chức não 65 iv DANH MỤC BẢNG BIỂU Bảng 3.1.Các tham số entropy hoán vị 29 Bảng 3.2.Các hoán vị xác suất tương ứng 30 Bảng 3.3.Các kết phân lớp 35 Bảng 1.Thống kê mẫu ghi điện não 49 Bảng 2.Chênh lệch điện áp điện cực 58 Bảng 3.Độ xác phân loại đặc trưng 61 Bảng 4.Độ xác phân loại tập train cặp đặc trưng 62 Bảng 5.Kết nghiên cứu sử dụng chung liệu “EEG in Schizophrenia” 66 Bảng 6.Kết nghiên cứu sử dụng khác liệu 67 v DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT STT Ký hiệu chữ viết tắt Chữ viết đầy đủ Nghĩa Tiếng Việt TTPL Tâm thần phân liệt SVM Support Vector Machine Máy vector hỗ trợ ICD International Statistical Phân loại thống kê quốc tế Classification of Diseases and bệnh tật vấn đề Related Health Problems sức khỏe liên quan EEG Electroencephalogram KNN K-Nearest Neighbor Điện não đồ vi Hình 14.Chênh lệch điện áp điện cực F3 T5 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) Hình 15.Chênh lệch điện áp điện cực F7 C3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 59 Hình 16.Chênh lệch điện áp điện cực F7 P3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) Hình 17.Chênh lệch điện áp điện cực F7 T3 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) Hình 18.Chênh lệch điện áp điện cực F7 T5 bệnh nhân (đường màu đỏ) đối tượng khỏe mạnh (đường màu xanh) 60 4.4 Kết phân loại sử dụng phân loại học máy Sử dụng tất 951 điểm liệu (gồm 429 liệu người khỏe mạnh 522 liệu bệnh nhân) phân loại công cụ Classification Linear (MATLAB 2020a) để đánh giá tính phù hợp đặc trưng Các phân loại sử dụng gồm: Fine Tree, Medium Tree, Coarse Tree, Linear Discriminant, Quadratic Discriminant, Logistic Regression, Naive Bayes, Linear SVM, Quadratic SVM, Cubic SVM, Fine Gaussian SVM, Medium Gaussian SVM, Coarse Gaussian SVM, Fine KNN, Medium KNN, Coarse KNN, Cubic KNN, Weighted KNN, Boosted Trees, Subspace Discriminant, Subspace KNN, RUSBoosted Trees, Bagges Trees Bảng tổng kết phân loại cho độ xác phân loại cao: Bảng 3.Độ xác phân loại đặc trưng Đặc trưng Tên phân loại Độ xác phân loại F3T5 Navie Bayes 56,5% F7C3 SVM Fine Gaussian 54,9% F7P3 SVM Medium Gaussian, Coarse Gaussian SVM 54,9% F7T3 Coarse Tree, Naive Bayes, Boosted Trees 55,6% F7T5 Quadratic Discriminant, Navie Bayes 57,5% Bảng 4-3 tổng kết độ xác phân loại tín hiệu điện não bệnh nhân tâm thần phân liệt người khỏe mạnh sử dụng cặp đặc trưng kết hợp 61 Bảng 4.Độ xác phân loại tập train cặp đặc trưng F7T5 F3T5 F7T5 F3T5 F7C3 F7T3 F7P3 X 58,7 % 57,8 % 55,2% 56,7% (KNN) (KNN) (KNN) (Naïve Bayse) X 57,6% 60,4% 58,7% (Naïve Báye) (SVM) (Naïve Báye) X 60,4% 53,7% (Fine Tree) 58,7 % (KNN) F7C3 57,8 % 57,6% (KNN) (Naïve Báye) F7T3 55,2% (KNN) 60,4% (SVM) 60,4% (SVM) X 58,7% (Naïve Báye) F7P3 56,7 (Naïve Bayse) 58,7% (Naïve Báye) 53,7% (Fine Tree) 58,7% (Naïve Báye) X (SVM) Khi sử dụng tất đặc trưng để phân loại, độ xác đạt 63,7% (Mơ hình SVM Quadratic) Với đặc trưng đặc trưng Hjorth mobility điện cực điện cực Fp1, Pz; đặc trưng Hjorth complexity điện cực Fp1, Pz làm đặc trưng đặc trưng entropy hoán vị điện cực P3 P4 sử dụng mơ hình phân loại KNN đạt độ xác 93,2% (tập test lấy tỉ lệ 20%) Hình 5-19 biểu diễn liệu với hai đặc trưng hjorth mobility điện cực Fp1 đặc trưng Hjorth complexity điện cực Pz 62 Hình 19.Biểu diễn liệu với đặc trưng hjorth mobility điện cực Fp1 Fz, đặc trưng Hjorth complexity điện cực Pz Pz entropy hoán vị điện cực P3, P4 Kết phân loại thể số độ xác cịn chứng minh qua tham số True positive, False Positive, True Negative False Negative, ROC AUC thể hình 4-20 4-21 Hình 20.Số lượng trường hợp True positive, False Positive, True Negative False Negative 63 Hình 21.Đường cong ROC AUC Dựa vào kết phân loại cho thấy đặc trưng chênh lệch điện áp điện cực F7T3 F7C3 giúp phát chứng tâm thần phân liệt dựa điện não đồ Các đặc trưng đặc trưng Hjorth mobility điện cực điện cực Fp1, Pz; đặc trưng Hjorth complexity điện cực Fp1, Pz làm đặc trưng đặc trưng entropy hoán vị điện cực P3 P4 sử dụng mơ hình phân loại KNN đạt độ xác 93,2% (tập test lấy tỉ lệ 20%) Ngồi ra, tham số Hjorth có độ phức tạp tính tốn thấp giúp làm giảm độ phức tạp mơ hình dự đốn tín hiệu điện não bệnh nhân tâm thần phân liệt 64 Hình 22.Các vùng chức não Đối chiếu giả thuyết nguyên bệnh tâm thần phân liệt Chương 2: “sự giảm kết nối vùng vận động cảm giác nguyên nhân gây tượng ảo giác - triệu chứng dương tính phổ biến bệnh nhân TTPL”, việc đặc trưng Hjorth bệnh nhân có bất thường vị trí điện cực Fp1 Pz hồn tồn hợp lý Dựa theo chức năng, cấu trúc cách xếp tế bào thần kinh, đại não (trung tâm phản xạ có điều kiện) chia thành thùy với chức khác Trong đó, vùng cảm giác thân thể nằm thùy đỉnh, sau rãnh trung tâm Thùy trán xem nơi diễn trình so sánh, xử lý, tổng hợp loại thơng tin, nơi tổ chức thực tập tính thích nghi động vật hoạt động có ý thức người Do đó, tín hiệu điện não bất thường thùy đỉnh thùy thái dương liên quan đến gián đoạn kết nối vùng vận động - cảm giác Vị trí điện cực Fp1 đặt thùy thái dương điện cực Pz đặt thùy đỉnh cho thấy mối liên hệ nguyên bệnh tâm thần phân liệt với bất thường đặc trưng điện não Kết phân loại sử dụng đặc trưng đề xuất so sánh với nghiên cứu sử dụng chung liệu “EEG in Schizophrenia” (được trình bày bảng 5-5) cho thấy: đặc trưng có độ xác phân loại lớn nghiên cứu “Automated detection of schizophrenia using nonlinear signal processing methods” (năm 2019) thấp nghiên cịn lại, nhiên lại có số lượng đặc trưng độ phức tạp tính tốn thấp hẳn 65 Bảng 5.Kết nghiên cứu sử dụng chung liệu “EEG in Schizophrenia” STT Năm Các kỹ thuật Tên báo Deep convolutional Mơ hình CNN model 11 lớp neural network Non-subject base testing, model for automated subject based testing 2019 diagnosis of 10-fold validation schizophrenia using EEG signals [33] Automated detection Tách chuỗi EEG of schizophrenia using nonlinear 2019 signal processing methods [34] Khai thác đặc trưng phi Kết luận Non-subject based testing có độ xác: 98.07% Subject based testing có độ xác: 81.26% Độ xác: 92,91% tính Lựa chọn đặc trưng t-test Phân loại sử dụng phân loại DT, LD, kNN, PNN, SVM High-performance Independent Component Độ xác: exclusion of Analysis 100% schizophrenia using Phân tích quang phổ sử dụng 2019 a novel machine 99 dải tần phương pháp learning method on chuẩn hóa Buettner EEG data [35] Bộ phân loại: Random Forest classifier Development of a machine learning based algorithm to accurately detect Independent Component Analysis Độ xác: 96.77% Tính tốn kỳ vọng kênh điện não 2020 schizophrenia based Phân tích phổ tín hiệu sử dụng on one-minute EEG Fast Fourier Transformation recordings [36] thành 200 dải tần Bộ phân loại: Random Forest classifier 66 So với nghiên cứu sử dụng liệu khác, đề đạt kết độ xác phân loại cao Bảng 4-6 trình bày số nghiên cứu phát chứng TTPL sử dụng tín hiệu điện não, kỹ thuật kết độ xác Bảng 4-6 cho thấy đề tài nghiên cứu đạt độ xác cao nghiên cứu năm 2015, 2016 2019 liệt kê bảng Bảng 6.Kết nghiên cứu sử dụng khác liệu STT Năm Tên báo Các kỹ thuật Số đối tượng Classification of Tiền xử lý: wavelet, 13 bệnh nhân EEG Signals principal 18 đối using adaptive 2013 weighted Kết luận Độ xác: 95,32% component analysis chứng khỏe mạnh Phân loại: distance nearest Weighted adaptive neighbor nearest-neighbor algorithm [51] Diagnostic utility Phân tích phổ cơng 90 bệnh nhân of quantitative suất EEG 90 đối EEG in un-medicated schizophrenia 2015 [27] tính biến đổi chứng khỏe Fourier nhanh (sử mạnh dụng MATLAB) Độ xác phân loại tốt 62,2%, sử dụng dải tần số Delta Phân tích dải tần số Delta, Theta, Alpha 2, Beta Phân tích ANOVA, ROC Schizophrenia Biến đổi tần số detection and thời gian classification by Tối ưu hóa đặc advanced trưng 2015 analysis of EEG Tần số băng tần recordings using Beta2 a single electrode Leave one out approach [28] cross-validation 25 bệnh nhân 25 đối chứng khỏe mạnh Điện cực tốt nhất: F2 Điện cực khác biệt lớp: F2, FC3 Độ xác phân loại: từ 91,5% đến 93,9% 67 Machine learning Các dải tần số 12 đối chứng Mơ hình 1: identification of Theta 2, alpha, khỏe mạnh Đạt độ EEG features beta gamma 40 bệnh nhân predicting phân tích working memory q trình thực performance in schizophrenia and healthy 2016 adults [29] xác 84% phân loại đối tượng khỏe nhiệm vụ ghi mạnh nhớ Mơ hình 2: Phần mềm Brain Vision Analyzer để Đạt độ xác 87% việc phân biệt phân tích tín hiệu người khỏe mạnh bệnh nhân SVM để xây dựng phân loại EEG Các phân tích dựa hồi quy sử dụng để xác thực mơ hình SVM A computerTín hiệu P3b 31 đối chứng aided diagnosis Đặc điểm miền thời khỏe mạnh system with EEG gian, tần số 16 bệnh nhân based on the P3b Nhóm kênh wave during an Thuật tốn lựa chọn 2017 auditory odd-ball tính J5, MIFS task in DISR schizophrenia Bộ phân loại SVM, [30] Multilayer perceptron (MLP) EEG multiscale complexity in schizophrenia during picture 2018 naming [31] EEG phân tích nghỉ đặt tên ảnh Bộ khuếch đại 32 kênh Neuroscan SynAmps 15 Hz-J5-MLP Acc: 93,42% Sen: 87,27% Spec: 96,73% 35Hz-J5-SVM Acc: 92,23% Sen: 88,38% Spec: 94,99% 17 đối chứng Hjorth khỏe mạnh complexity 18 bệnh nhân trán phải bệnh nhân cao nghỉ ngơi không khác biệt đặt tên ảnh 68 Lempel-Ziv Complexity (LZC), Multiscale LZC complexity bệnh nhân lúc Lựa chọn tính sử dụng J5, MIFS, nghỉ ngơi cao so với lúc DISR làm việc EEG Các đối tượng xem đối chứng Có khác biệt Classification during Scene 10 hình ảnh khỏe mạnh đáng kể hình 11 bệnh nhân bệnh nhân nhóm đối điện não đồ chứng khỏe chuyển động Free-Viewing for Schizophrenia Hjorth 2019 Detection [32] mắt ghi lại Tiền xử lý: Independent Component Analysis Bộ phân loại: Comb-Prob mạnh vùng chẩm khoảng 500 ms sau bắt đầu xem ảnh Sen: 81% Spec: 59% Acc: 71% 69 TÀI LIỆU THAM KHẢO [1] Martha E Shenton, Chandlee C Dickey, Melissa Frumin, Robert W McCarley, "A review of MRI findings in schizophrenia," PMC, 2010 [2] G N Smith, S W Flynn, L C Kopala, A S Bassett, J S Lapointe, P Falkai, W G Honer, "A comprehensive method of assessing routine CT scans in schizophrenia," PMC, 2011 [3] W B MD, "EEG Reliably Differentiates Three Psychotic Disorders," Psychiatry & Behavioral Health Learning Network, 2018 [4] Lei Chu, Robert Qiu, Haichun Liu, Zenan Ling, Tianhong Zhang, Jijun Wang, "Individual Recognition in Schizophrenia using Deep Learning Methods with Random Forest and Voting Classifiers: Insights from Resting-State EEG Streams," 2018 [5] Aarti Sharma, Jaynendra Kumar Rai, Ravi Prakash Tewari, "Schizophrenia Detection Using Biomarkers from Electroencephalogram Signals," 2020 [6] Phùng Trung Hùng, Phạm Thiên Tách, Nguyễn Phước Long, Lê Phi Hùng, "Giới thiệu số kênh ion tế bào" [7] Available: https://dinhnghia.vn/trinh-bay-cau-tao-cua-noron-than-kinh.html [8] R C Amlan Jyoti Bhagawati, "Design of Single-Channel Portable EEG Signal Acquisition System for Brain-Computer Interface Application," International Journal of Biomedical Engineering and Science (IJBES), 2016 [9] Available: https://instrumentationforum.com/t/electrode-10-20-system/5486 [10] Available: https://en.wikipedia.org/wiki/Electroencephalography [11] A Jablensky, "The diagnostic concept of schizophrenia: its history, evolution, and future prospects," Dialogues Clin Neurosci, 2010 [12] “Hướng dẫn chẩn đoán điều trị số rối loạn tâm thần thường gặp,” Bộ y tế, 2020 [13] "World Health Organization," October 2019 [Online] Available: https://www.who.int/news-room/fact-sheets/detail/schizophrenia [14] Marco M Picchioni, Robin M Murray, "Schizophrenia," PMCID, 2007 [15] "Tâm thần phân liệt," in Tâm thần học, Lê Đình Sáng, 2010 [16] Michael F.Egand, Thomas M Hyde, "Schizophrenia: Neurobiology," Kaplan & Sadock’s Comprehensive Textbook of Psychiatry, 2000 70 [17] PGS.Ts Phạm văn Mạnh, Ths Lê Sao Mai, "Bệnh tâm thần phân liệt," Hệ thống thư viện số - Đại học Y Dược học Hải Phòng [18] Prof Michael J Owen, Prof Akira Sawa, Prof Preben B Mortensen, "Schizophrenia," HHS Public Access, 2016 [19] PGS Hoàng Hà Kiệm, 09-08-2015 [Online] Available: http://hahoangkiem.com/can-lam-sang/hinh-anh-giai-phau-ctscan-so-nao359.html [20] M E Shenton, C C Dickey, M Frumin, R W McCarley, "A review of MRI findings in schizophrenia," PubMed, 2001 [21] "Bệnh viện Quân y 103," Th Lò Mai Cam, 2015 [Online] Available: http://www.benhvien103.vn/vietnamese/bai-giang-chuyen-nganh/tam-than/tamthan-phan-liet/706/ [22] Paul C Fletcher, Chris D Frith, "Perceiving is believing: a Bayesian approach to explaining the positive symptoms of schizophrenia," Nature Reviews Neuroscience, 2009 [23] T Elbert, W Lutzenberger, B Rockstroh, P Berg, R Cohen, "Physical Aspects of the EEG in Schizophrenics," PubMed, 1992 [24] J F X D L K Pynn, "The function of efference copy signals: implications for symptoms of schizophrenia," PubMed, 2013 [25] M Ford, Daniel H Mathalon, "Corollary discharge dysfunction in schizophrenia: can it explain auditory hallucinations?," PubMed, 2005 [26] E.Parvinnia, M.Sabeti, M.Zolghadri Jahromi, R.Boostan, "Classification of EEG Signals using adaptive weighted distance nearest neighbor algorithm," 2014 [27] Kim JW, Lee YS, Han DH, Min KJ, Lee J, Lee K, "Diagnostic utility of quantitative EEG in un-medicated schizophrenia," Europe PMC, 2015 [28] Zack Dvey-Aharon, Noa Fogelson, Avi Peled, Nathan Intrator, "Schizophrenia detection and classification by advanced analysis of EEG recordings using a single electrode approach," Plos One, 2015 [29] Jason K Johannesen, Jinbo Bi, Ruhua Jiang, Joshua G Kenney, Chi-Ming A Chen, "Machine learning identification of EEG features predicting working memory performance in schizophrenia and healthy adults," PubMed, 2016 71 [30] Lorenzo Santos-Mayo, Luis M San-Jose-Revuelta, Juan Ignacio Arribas, "A computer-aided diagnosis system with EEG based on the P3b wave during an auditory oddball task in schizophrenia," PubMed, 2017 [31] Antonio J Ibáñez-Molina, Vanessa Lozano, María F Soriano, José I Aznarte, Carlos J Gómez-Ariza, M T Bajo, "EEG multiscale complexity in schizophrenia during picture naming," Front Physiol, 2018 [32] Christ Devia, Rocio Mayol-Troncoso, Javiera Parrini, Gricel Orellana, Aida Ruiz, Pedro E Maldonado, Jose Ignacio Egana, "EEG Classification During Scene FreeViewing for Schizophrenia Detection," IEEE Trans Neural Syst Rehabil Eng, 2019 [33] Shu Lih Oh, Jahmunah Vicnesh, Edward J Ciaccio, Rajamanickam Yuvaraj, U Rajendra Acharya, "Deep convolutional neural network model for automated diagnosis of schizophrenia using EEG signals," MDPI, 2019 [34] V.Jahmunah, ShuLih Oh, V.Rajinikanth, Edward J.Ciaccio, KangHao Cheong, N.Arunkumarh, U RajendraAcharya, "Automated detection of schizophrenia using nonlinear signal processing methods," Artificial Intelligence in Medicine, 2019 [35] Ricardo Buettner, Michael Hirschmiller, Kevin Schlosser, Manfred Rössle, Marc Fernandes, "High-performance exclusion of schizophrenia using a novel machine learning method on EEG data," IEEE, 2019 [36] Ricardo Buettner, David Beil, Stefanie Scholtz, "Development of a Machine Learning Based Algorithm To Accurately Detect Schizophrenia based on Oneminute EEG Recordings," in HICSS-53 Proceedings: 53nd Hawaii International Conference on System Sciences, Maui, Hawaii, 2020 [37] https://repod.icm.edu.pl/dataset.xhtml?persistentId=doi:10.18150/repod.0107441 [38] Marc Peter Deisenroth, A Aldo Faisal, Cheng Soon Ong, Mathematics for Machine Learning, Cambridge University Press, 2020 [39] [Online] Available: https://machinelearningcoban.com/2017/06/15/pca/ [40] John D Kelleher, Brian Mac Namee, Aoife D’Arcy, "Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies," The MIT Press, 2015 [41] Qiubing Ren, Mingchao Li, Shuai Han, "Tectonic discrimination of olivine in basalt using data mining techniques based on major elements: a comparative study from multiple perspectives," 2019 [42] truy cập lần cuối ngày 20/12/2020, [Online] Available: 72 https://machinelearningcoban.com/2017/04/09/smv [43] https://towardsdatascience.com/a-simple-explanation-of-the-roc-curve-and-auc64db32d75541 [44] https://towardsdatascience.com/using-3d-visualizations-to-tune-hyperparametersof-ml-models-with-python-ba2885eab2e9 [45] T Đ V Hùng, "Slide Mạch xử lý tín hiệu y sinh," Viện điện tử viễn thông – đại học Bách khoa Hà Nội [46] N V H Nam, "Chuyên đề phân tích thành phần độc lập," đại học Bách khoa Hà Nội [47] "EEGLAB: an open-source toolbox for analysis of single-trial EEG dynamics including independent component analysis," Arnaud Delorme - Scott Makeig, 2014 [48] RuqiangYan, YongbinLiu, Robert X.Gao, "Permutation entropy: A nonlinear statistical measure for status characterization of rotary machines," Science Direct, vol 29, pp 474-484, 2012 [49] B Hjorth, "EEG analysis based on time-domain properties," Research and Development Laboratory, 1970 [50] Nash N Boutros, Cynthia Arfken, Silvana Galderisi, Joshua Warrick, Garrett Pratt, and William Iacono, "The Status of Spectral EEG Abnormality as a Diagnostic Test for Schizophrenia," PubMed Central, 2009 [51] E.Parvinnia, M.Sabetia, M.Zolghadri Jahromi, R.Boostani, "Classification of EEG Signals using adaptive weighted distance nearest neighbor algorithm," ScienceDirect, 2013 73 ... LÝ BỆNH TÂM THẦN PHÂN LIỆT Chương trình bày sở sinh lý bệnh tâm thần phân liệt, gồm nội dung sau: giải thích chứng tâm thần phân liệt, triệu chứng bệnh, thể bệnh bệnh sinh bệnh tâm thần phân liệt, ... thống phát tâm thần phân liệt Mục tiêu đề tài nghiên cứu đề xuất đặc trưng điện não bệnh nhân tâm thần phân liệt gồm bước thể qua sơ đồ khối hình 3-3 Tín hiệu điện não đối tượng khỏe mạnh bệnh. .. thần phân liệt, sở cho việc đề xuất chẩn đoán tâm thần phân liệt dựa điện não đồ 1.1 Bệnh tâm thần phân liệt gì? Trong chứng loạn thần giới, tâm thần phân liệt (TTPL) chứng loạn thần phổ biến nhất,