Luận án phát triển phương pháp phân tích định lượng tín hiệu iemg chi trên hỗ trợ chẩn đoán bệnh lý

LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng tơi Các số liệu luận án trung thực chƣa đƣợc cơng bố cơng trình khác Giáo viên hƣớng dẫn Tác giả PGS.TS Nguyễn Văn Khang Phạm Mạnh Hùng Tiếng việt: [1], [2], [3], [4], [5], [6] Tiếng anh: A [7], [8], [9], [10], [11], B [12], [13], [14] C [15], [16], [17], [18], [19], [20], [21], [22], D [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], E [34], [35], [36], [37], [38], [39], [40], [41], [42], F [43], [44], [45], [46], G [47], [48], [49], [50], H [51], I [52], J [53], [54], [55], [56], K [57], [58], [59], [60], [61], L [62] , M [63], [64], [65], [66], N [67], [68], O [69], P [70], Q , R [71], [72], [73], [74], S [75], [76], [77], [78], [79], T [80], [81], [82], [83], [84], U [85], [86], V [87], Y , W [88] iii LỜI CẢM ƠN Đầu tiên xin bày tỏ lòng biết ơn chân thành sâu sắc tới thầy hƣớng dẫn khoa học PGS.TS Nguyễn Văn Khang Thầy ngƣời định hƣớng cho triển khai ý tƣởng khoa học, ln tận tình hƣớng dẫn suốt thời gian thực luận án Tôi xin chân thành cảm ơn GS.TS Nguyễn Đức Thuận, Anh, Chị, em bạn đồng nghiệp thuộc Bộ môn Công nghệ Điện tử & Kỹ thuật y sinh, Viện Điện Tử - Viễn Thông trƣờng Đại học Bách Khoa Hà Nội tạo điều kiện, định hƣớng, giúp đỡ động viên để tơi hồn thành cơng trình nghiên cứu Đặc biệt tơi xin cảm ơn Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Bộ môn Điện tử & Kỹ thuật máy tính viện Điện Tử - Viễn Thơng trƣờng Đại học Bách Khoa Hà Nội Phòng xét nghiệm Điện đồ Bệnh viện Lão Khoa Trung Ƣơng giúp đỡ nhiều sở vật chất, trang thiết bị nghiên cứu góp ý định hƣớng nghiên cứu để tơi hồn thành tốt cơng trình nghiên cứu Tơi xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học viện Điện Tử - Viễn Thông trƣờng Đại học Bách Khoa Hà Nội tạo điều kiện cho q trình học tập nghiên cứu Tơi xin cảm ơn thành viên nhóm nghiên cứu EMGLabvn hỗ trợ tham gia với việc triển khai thí nghiệm đo lƣờng, phân tích tín hiệu sở y tế phịng thí nghiệm Cuối cùng, xin chân thành cảm ơn gia đình, ngƣời thân ln động viên tinh thần, thời gian vật chất để tơi có động lực công việc nghiên cứu khoa học Hà Nội, ngày tháng Tác giả năm 2016 Phạm Mạnh Hùng iv MỤC LỤC DANH MỤC CÁC KÝ HIỆU VIẾT TẮT ix DANH MỤC BẢNG xi DANH MỤC HÌNH xii MỞ ĐẦU .1 Mục đích nghiên cứu Mục tiêu nghiên cứu luận án Các vấn đề cần giải luận án Phạm vi nghiên cứu luận án Phƣơng pháp nghiên cứu Cấu trúc luận án Ý nghĩa khoa học thực tiễn luận án Các đóng góp luận án CHƢƠNG TÍN HIỆU ĐIỆN CƠ - ỨNG DỤNG LÂM SÀNG .8 1.1 Sinh lý đơn vị vận động nguồn gốc tín hiệu điện 1.1.1 Tóm lược giải phẫu hệ thần kinh - 1.1.2 Tóm lược giải phẫu vân 1.1.3 Tóm lược giải phẫu thần kinh vận động 11 1.1.4 Đơn vị vận động 12 1.1.5 Nguồn gốc tín hiệu điện 14 1.1.5.1 Phản ứng hóa điện synap thần kinh - 14 1.1.5.2 Điện màng tế bào 15 1.2 Ứng dụng điện đồ lâm sàng 16 1.2.1 Bệnh yếu 16 1.2.2 Xét nghiệm điện đồ 17 1.2.3 Các khái niệm tín hiệu iEMG dùng chẩn đoán 19 1.2.3.1 Điện kim đâm 19 v 1.2.3.2 Điện tự phát 20 1.2.3.3 Điện hoạt động đơn vị vận động 21 1.2.3.4 Tín hiệu kết tập điện hoạt động 22 1.2.4 Dấu hiệu bệnh lý tín hiệu iEMG chi 23 1.3 Phƣơng pháp phân tích định lƣợng tín hiệu điện 24 1.3.1 Các kỹ thuật QEMG ứng dụng 24 1.3.2 Nhiệm vụ nghiên cứu 28 1.4 Kết chƣơng 29 CHƢƠNG LỰA CHỌN GIẢI PHÁP PHÙ HỢP ĐỂ TIỀN XỬ LÝ TÍN HIỆU iEMG CHI 30 2.1 Thu nhận thông số tín hiệu điện 30 2.1.1 Phương pháp thu nhận tín hiệu EMG 30 2.1.1.1 Thu nhận tín hiệu sEMG 31 2.1.1.2 Thu nhận tín hiệu iEMG 32 2.1.2 Đặc tính tín hiệu EMG 32 2.2 Các yếu tố gây suy giảm chất lƣợng tín hiệu EMG 34 2.2.1 Nhiễu 34 2.2.2 Suy giảm chất lượng mạch thu nhận 34 2.3 Các giải pháp tăng cƣờng tín hiệu EMG phần cứng 35 2.4 Khảo sát khả triệt nhiễu mạch đo 36 2.4.1 Mô tả thiết kế mạch đo khảo sát tín hiệu EMG 37 2.4.1.1 Khối khuếch đại triệt nhiễu đồng pha 38 2.4.1.2 Khối lọc tƣơng tự 39 2.4.1.3 Khối chuyển đổi tƣơng tự - số tín hiệu 41 2.4.1.4 Khối cách ly nguồn với đối tƣợng đo 41 2.4.2 Khảo sát ảnh hưởng nhiễu lên tín hiệu đo 42 2.5 Giải pháp tiền xử lý tín hiệu iEMG số 44 2.5.1 Phân tích lựa chọn loại lọc số 44 2.5.2 So sánh giải pháp lựa chọn với giải pháp thường dùng 47 vi 2.6 Kết chƣơng 49 CHƢƠNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI 51 3.1 Đặt vấn đề 51 3.2 Phát triển phƣơng pháp tự động xác định thành phần có ý nghĩa tín hiệu iEMG chi 55 3.2.1 Một số giải pháp phân tách APS giới thiệu 56 3.2.2.1 Phƣơng pháp 1: Phân tách APS sử dụng cửa sổ cố định 56 3.2.2.2 Phƣơng pháp 2: Phân tách APS sử dụng tín hiệu Trigơ 57 3.2.2.3 Phƣơng pháp 3: Phân tách APS sử dụng biến đổi Wavelet 58 3.2.2.4 Phƣơng pháp 4: Phân tách APS sử dụng tín hiệu biến động 59 3.2.2.5 Đánh giá phƣơng pháp phân tách đƣợc giới thiệu 60 3.2.2 Phương pháp tự động xác định thành phần có ý nghĩa chẩn đốn phát triển 61 3.2.2.1 Tự động xác định APS 62 3.2.2.2 Tự động xác định điểm uốn sóng tín hiệu iEMG 65 3.2.2.3 Tự động lấy APS có ý nghĩa chẩn đốn 68 3.3 Đề xuất thơng số định lƣợng tín hiệu iEMG chi 70 3.3.1 Các thông số định lượng tính từ tham số APS 71 3.3.2 Thơng số định lượng tín hiệu iEMG đồ thị Poincaré 73 3.3.3 So sánh với số phương pháp QEMG có 74 3.4 Đánh giá giá trị thông số định lƣợng đƣợc đề xuất 76 3.4.1 Tập liệu mẫu 77 3.4.2 Mô tả tập liệu thông số định lượng iEMG thu 78 3.4.3 Kiểm định khác biệt thống kê thông số 82 3.4.3.1 Kiểm định U-test 82 3.4.3.2 Kết kiểm định U-test tập liệu mẫu 84 3.4.4 Kiểm định tương quan thông số 85 3.4.4.1 Kiểm định Spearman 86 3.4.4.2 Kết kiểm định tƣơng quan thông số 87 vii 3.5 Kết chƣơng 89 CHƢƠNG ĐỀ XUẤT PHƢƠNG PHÁP SỬ DỤNG CÁC THƠNG SỐ ĐỊNH LƢỢNG TÍN HIỆU CĨ ĐƢỢC ĐỂ PHÂN LOẠI TÍN HIỆU iEMG CHI THEO CÁC NHÓM BỆNH LÝ 92 4.1 Đặt vấn đề 92 4.2 Phƣơng pháp phân loại dựa kỹ thuật học máy 95 4.2.1 Mạng Artifical Neural Network (ANN) 96 4.2.2 Phân loại tín hiệu theo bệnh lý sử dụng mạng ANN 97 4.2.2.1 Tập liệu dùng để huấn luyện mạng ANN 97 4.2.2.2 Thiết lập mạng ANN cho tốn phân loại tín hiệu 100 4.2.2.3 Kết thực nghiệm 102 4.3 Phƣơng pháp phân loại dựa kỹ thuật phân tích thống kê 103 4.3.1 Phân tích hồi quy Logistic 104 4.3.2 Lựa chọn thông số sử dụng cho biểu thức 106 4.3.3 Phân loại tín hiệu theo giá trị xác suất bệnh lý 108 4.3.3.1 Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm ALS 108 4.3.3.2 Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm MYO 110 4.3.3.3 Bộ phân loại tín hiệu theo nhóm bệnh lý 112 4.4 Kết chƣơng 114 KẾT LUẬN VÀ KIẾN NGHỊ 116 CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN 118 TÀI LIỆU THAM KHẢO 119 PHỤ LỤC 126 Chế tạo mạch đo khảo sát tín hiệu EMG 126 Xây dựng cơng cụ phân tích định lƣợng tín hiệu iEMG 128 viii DANH MỤC CÁC KÝ HIỆU VIẾT TẮT Ach Acetylcholine Chất dẫn truyền thần kinh Ach ALS Amyotrophic Lateral Sclerosis Hội chứng teo xơ cột bên ANN Artifical Neural Network Mạng nơron nhân tạo ANN-BP ANN- Back Propagation Mạng ANN lan truyền ngƣợc APS Active Potential Segment Đoạn điện tích cực AR AutoRegressive Tự hồi quy AUC Area Under the Curve Diện tích dƣới đƣờng cong ROC CAD Computer Aided Diagnosis Hệ thống hỗ trợ chẩn đoán CMAP Compound muscle action potential Điện co toàn phần bắp CMRR Common-mode rejection ratio Tỷ số nén nhiễu đồng pha DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc ECG Electrocardiography Tín hiệu điện tim EEG Electroencephalography Tín hiệu điện não EMD Empirical Mode Decomposition Phân giải mơ hình thực nghiệm EMG Electromyography Tín hiệu điện FIR Finite impulse response Đáp ứng xung hữu hạn HPF High Pass Filter Bộ lọc thông cao IEEE Institute of Electrical and Electronics Engineers Viện kỹ thuật điện điện tử quốc tế iEMG intramuscular Electromyography Tín hiệu điện kim IIR Infinite impulse response Đáp ứng xung không giới hạn LPF Low Pass Filter Bộ lọc thông thấp MEP Miniature Endplate Potential Điện thu nhỏ tâm tận MU Motor Unit Đơn vị vận động MUAP Motor Unit Action Potential Điện hoạt động đơn vị vận động MUP Motor Unit Potential Điện đơn vị vận động MVC Maximum Voluntary Contraction Co chủ động cực đại ix MYO Myopathy Bệnh lý NCS Nerve Conduction Study Xét nghiệm dẫn truyền thần kinh NOR Normal Bình thƣờng QEMG Quantitative Electromyography Định lƣợng tín hiệu điện RMS Root Mean Square Giá trị hiệu dụng ROC Receiver Operating Characteristic Đặc trƣng hoạt động thu RQA Recurrence Quantification Analysis Phân tích định lƣợng truy hồi sEMG surface Electromyography Tín hiệu điện bề mặt SFAP Single Fibre Action Potential Điện vận động sợi đơn SMU Single Motor Unit Đơn vị vận động đơn SNR Signal-to-Noise Ratio Tỷ số tín hiệu nhiễu SVD Singular Value Decomposition Phân giải giá trị suy biến SVM Support Vector Machine Máy vectơ hỗ trợ WHO World Health Organization Tổ chức chăm sóc sức khỏe giới x DANH MỤC BẢNG Bảng 1.1 Số lƣợng đơn vị vận động, sợi sợi trung bình đơn vị vận động số nhóm chi ngƣời 13 Bảng 1.2 Bảng phân loại bệnh WHO đề xuất 16 Bảng 1.3 Các dấu hiệu bệnh lý thể tín hiệu iEMG 24 Bảng 2.1 Một số thông số mạch giá trị khuyến nghị 42 Bảng 3.1 Bảng so sánh tỷ lệ phân tách phƣơng pháp 60 Bảng 3.2 Bảng so sánh thông số phân tách APS phƣơng pháp 70 Bảng 3.3 So sánh số phƣơng pháp QEMG (đã có đƣợc phát triển) 75 Bảng 3.4 Một số thông số ghi liệu iEMG liệu 77 Bảng 3.5 Bảng trích liệu thơng số định lƣợng tín hiệu iEMG 78 Bảng 3.6 Kết kiểm định U-test thông số định lƣợng 84 Bảng 3.7 Ý nghĩa hệ số tƣơng quan 85 Bảng 3.8 Bảng mô tả liệu ví dụ kiểm định Spearman 87 Bảng 3.9 Kết kiểm định Spearman toàn tập liệu 88 Bảng 4.1 Trích tập liệu huấn luyện mạng phân loại tín hiệu iEMG 97 Bảng 4.2 Bảng mơ tả liệu trƣớc chuẩn hóa 99 Bảng 4.3 Bảng mơ tả liệu sau chuẩn hóa 99 Bảng 4.4 Các nhóm thơng số định lƣợng có hệ số tƣơng quan cao 107 Bảng 4.5 Bảng phân loại theo hai nhóm ALS khác 109 Bảng 4.6 Bảng phân loại theo hai nhóm MYO khác 111 Bảng 4.7 Các số kiểm định biểu thức xác suất xây dựng đƣợc 111 Bảng 4.8 Bảng phân loại tín hiệu dùng đồng thời hai số PMYO PALS 113 xi DANH MỤC HÌNH Hình 1.1 Một số nhóm chi mặt trƣớc thể Hình 1.2 Cấu trúc vân 10 Hình 1.3 Giải phẫu thần kinh vận động dƣới 11 Hình 1.4 Hình ảnh minh họa phần tế bào thần kinh vận động 11 Hình 1.5 Giải phẫu synap thần kinh 12 Hình 1.6 Giải phẫu sợi trục thần kinh 12 Hình 1.7 Giải phẫu đơn vị vận động bắp 13 Hình 1.8 Điện màng tế bào 15 Hình 1.9 Xét nghiệm điện đồ kim (nguồn MMG2002) 18 Hình 1.10 Hình dạng tham số đo điện cực kim (A – Điện cực kim đồng tâm, B – Điện cực đơn cực, C – Điện cực sợi đơn, D – Điện cực lớn) 19 Hình 1.11 Hình ảnh dạng sóng điện kim đâm 19 Hình 1.12 Dạng sóng điện co giật sợi 20 Hình 1.13 Dạng sóng nhọn dƣơng 20 Hinh 1.14 Dạng sóng phức hợp lặp lại ngắt quãng 21 Hình 1.15 Các dạng sóng phóng điện liên tục (A - phóng điện lặp lại với tần số cao, B – phóng điện với phức hợp lặp lại) 21 Hình 1.16 Hình dạng tham số MUAP 21 Hình 1.17 Các loại MUAP (A- Bình thƣờng; B- Biên độ thấp, thời khoảng ngắn đa pha; C- Thời khoảng dài, đa pha; D- Đa pha kèm thành phần muộn) 22 Hình 1.18 Các hình ảnh dạng sóng iEMG mức co khác 22 Hình 1.19 Hình thái MU MUAP bệnh lý khác 23 Hình 1.20 Mơ hình q trình chẩn đốn điện đồ sử dụng máy tính 25 Hình 1.21 Các nội dung nghiên cứu luận án 28 Hình 2.1 Mơ hình minh họa việc thu nhận tín hiệu EMG 30 Hình 2.2 Thu nhận tín hiệu điện bề mặt hai bắp đối vận 31 xii Các lớp đầu Hình 4.14 minh họa kết huấn luyện thử nghiệm tập mẫu phân loại ANN-BP đầu vào ALS NOR MYO Độ xác phân loại ALS NOR MYO Tổng Tỷ lệ dƣơng tính thật Lớp đầu vào ALS NOR MYO Tỷ lệ dƣơng tính giả Hình 4.14 Ma trận phân loại đồ thị ROC phân loại ANN-BP đầu vào Kết thu đƣợc cho thấy độ xác phân loại hai phƣơng pháp tƣơng đƣơng (xấp xỉ 80%) Tuy nhiên, phƣơng pháp phân loại dựa biểu thức tính xác suất tín hiệu thuộc hai nhóm bệnh lý ALS MYO (đƣợc xây dựng kỹ thuật phân tích hồi quy Logistic) đơn giản, trực quan, dễ áp dụng thực tế phƣơng pháp sử dụng mạng ANN 4.4 Kết chƣơng Hiện nay, phƣơng pháp phân loại tín hiệu sử dụng máy tính đƣợc phát triển dựa thuật toán học máy hay kỹ thuật phân tích thống kê Để phát triển mơ hình phân loại tín hiệu cần có sở liệu mẫu Nó đƣợc dùng để huấn luyện hay ƣớc lƣợng tham số mơ hình (có thể phƣơng trình, biểu 114 thức điều kiện, ngƣỡng) phân loại Mỗi mơ hình phân loại đƣợc đặc trƣng số lƣợng biến đầu vào, phƣơng pháp đƣợc dùng số lƣợng đầu Trong nghiên cứu này, tác giả phát triển hai phƣơng pháp sử dụng thông số định lƣợng thu đƣợc phƣơng pháp QEMG đƣợc phát triển, đƣợc mô tả chi tiết chƣơng ba Các phƣơng pháp đề xuất cho phép xây dựng mơ hình phân loại tín hiệu theo nhóm khác ALS (nhóm bệnh lý rối loạn thần kinh cơ), NOR (bình thƣờng) MYO (nhóm bệnh lý cơ) đạt độ xác 80% Cụ thể là: (1) Phát triển phƣơng pháp sử dụng 14 thông số định lƣợng làm đầu vào cho mạng ANN-BP (có cấu hình 14 đầu vào, lớp ẩn với 10 nơron đầu ra) để phân loại tín hiệu iEMG theo ba nhóm ALS, MYO NOR Phƣơng pháp có ƣu điểm độ xác đạt đƣợc 84% Mạng đƣợc huấn luyện liệu mẫu cài đặt công cụ phân loại, cho phép phân loại tín hiệu đƣợc thu nhận định lƣợng theo cách thức tƣơng tự tín hiệu mẫu (2) Phát triển phƣơng pháp cần sử dụng thông số đƣợc lựa chọn từ 14 thông số định lƣợng có đƣợc Theo phƣơng pháp này, tín hiệu đƣợc phân loại dựa hai số xác suất PMYO PALS Trong đó, biểu thức tính xác suất PMYO PALS, theo hai thông số { , ̅ , ̅ , , } { , ̅ , ̅ , ,và }, đƣợc xây dựng phƣơng pháp phân tích hồi quy Logistic Phƣơng pháp có ƣu điểm sử dụng đơn giản so với phƣơng pháp dùng ANN-BP, độ xác đạt xấp xỉ 80% Các mơ hình phân loại đƣợc phát triển sử dụng thông số định lƣợng đƣợc đề xuất cho phép phân loại tín hiệu với độ xác tƣơng đƣơng với phƣơng pháp Constantinos [90], C.Shirota [15], Sivarit Sultornsanee [75], Anjana Goen [48] có độ xác khoảng 80% Kết nghiên cứu gửi đăng tại: [1] Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang; “Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang, (2015) “Phân Loại Tín Hiệu Điện Cơ Đồ Kim Bằng Mạng Nơron Kỹ Thuật Phân Tích Hồi Quy Logistic”, Tạp chí Khoa Học & Cơng Nghệ trƣờng Đại Học Kỹ Thuật, No.110 [2] Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang; “Phân lớp tín hiệu điện đồ sử dụng kỹ thuật phân tích hồi quy Logistic”, tạp chí KHCN viện Hàn lâm khoa học quốc gia, [nộp 5/2015, chờ kết phản biện] 115 KẾT LUẬN VÀ KIẾN NGHỊ Thông qua nội dung nghiên cứu (1) tín hiệu iEMG ứng dụng, (2) phƣơng pháp tiền xử lý phân tích định lƣợng tín hiệu iEMG chi (3) phƣơng pháp phân loại tín hiệu iEMG chi theo nhóm khác dựa thơng số đặc trƣng tín hiệu đƣợc trình bày luận án này, tác giả phát triển đƣợc phƣơng pháp định lƣợng tín hiệu điện chi hỗ trợ chẩn đoán bệnh lý Luận án đạt đƣợc mục tiêu nghiên cứu đề là:  Phát triển phương pháp QEMG tín hiệu iEMG chi có hiệu tính tốn tốt số phương pháp có Phƣơng pháp QEMG đƣợc phát triển có số lƣợng phép xử lý hơn, mức độ tự động cao hơn, giúp giảm thời gian xử lý định lƣợng tín hiệu iEMG chi  Đề xuất thông số định lượng đặc trưng cho ghi tín hiệu iEMG cho phép hỗ trợ việc phân loại tín hiệu theo nhóm có độ xác cao Trong đó, thơng số định lƣợng đƣợc tính từ tham số APS phân tách từ tín hiệu độ phân tán mẫu tín hiệu liên kỹ thuật Poincaré, khác so với phƣơng pháp có  Giới thiệu cách thức sử dụng thông số định lượng tín hiệu có để phân loại thơ phân loại tự động tín hiệu iEMG theo nhóm khác Trong đó, cách thức phân loại thơ sử dụng biểu thức tiên đoán bệnh lý đƣợc xây dựng kỹ thuật phân tích hồi quy Logistic cho việc phân loại tín hiệu Phƣơng pháp có ƣu điểm cho thơng tin giá trị xác suất thuộc nhóm bệnh lý tín hiệu, bác sỹ dễ dàng dùng thông tin cho việc chẩn đốn Cịn mơ hình phân loại tự động mơ hình phân loại dựa kỹ thuật học máy, thuận tiện việc tích hợp vào chƣơng trình phân tích, phân loại tín hiệu tự động Thử nghiệm cách thức phân loại tính hiệu đƣợc đề xuất liệu mẫu, kết phân loại đạt độ xác 80% Nhƣ vậy, thơng tin tín hiệu thuộc nhóm hay giá trị xác suất tín hiệu thuộc nhóm bệnh lý có độ tin cậy cao thu đƣợc từ tín hiệu iEMG thơ cách sử dụng kỹ thuật phân tích QEMG đƣợc phát triển luận án Thực tế, tác giả nhóm hỗ trợ xây dựng đƣợc công cụ thực QEMG dựa kỹ thuật phân tích định lƣợng đƣợc đề xuất sử dụng phát triển Công cụ QEMG cho phép phân tích tín hiệu iEMG thành thơng tin hữu dụng cho việc chẩn đoán 116 bệnh lý Ngoài ra, tác giả giới thiệu giải pháp kỹ thuật cụ thể để chế tạo mạch đo tín hiệu EMG, đƣợc trình bày chƣơng hai Những nội dung có giá trị ứng dụng cho nghiên cứu chế tạo thiết bị đo tín hiệu EMG Việt Nam Tóm lại, đóng góp luận án là: Phát triển đƣợc phƣơng pháp định lƣợng tín hiệu iEMG chi gồm bƣớc tiền xử lý, phân tách thành phần có ý nghĩa tín hiệu tính thơng số định lƣợng dựa thành phần có ý nghĩa có đƣợc Phƣơng pháp có ƣu điểm số phƣơng pháp trƣớc đó, nhƣ: a Cho phép giảm số phép tốn, giảm số bƣớc tính tốn, giảm can thiệp vào q trình phân tích mà thu đƣợc thơng số định lƣợng đặc trƣng tốt cho tín hiệu iEMG dùng cho chẩn đoán b Đề xuất đƣợc thơng số định lƣợng dùng để phân loại tín hiệu iEMG theo nhóm bệnh lý bình thƣờng Đƣa hai phƣơng pháp sử dụng thơng số định lƣợng để phân loại tín hiệu iEMG theo nhóm bệnh lý (ALS MYO) bình thƣờng (NOR) đạt độ xác cao, đó: a Phƣơng pháp phân loại thứ đƣợc xây dựng dựa mơ hình mạng ANN-BP Mơ hình phân loại dễ dàng tích hợp vào phần mềm tự động phân loại tín hiệu theo nhóm bệnh lý bình thƣờng, cho phép phân loại tín hiệu đạt độ xác cao b Phƣơng pháp phân loại thứ hai đƣợc xây dựng dựa kỹ thuật phân tích hồi quy Logistic Theo phƣơng pháp này, tính đƣợc giá trị xác suất tín hiệu thuộc nhóm ALS MYO Trong ứng dụng lâm sàng, giá trị xác suất sử dụng dễ dàng để phân loại tín hiệu theo nhóm bệnh lý bình thƣờng Các kết nghiên cứu đƣợc cơng bố 04 báo chun ngành Ngồi ra, tác giả cịn tham gia công bố 02 báo liên quan đến nghiên cứu thiết kế hệ thống hỗ trợ phục hồi chức cơ, kỹ thuật xử lý tín hiệu điện sinh học Kiến nghị hướng phát triển Trên sở kết đạt đƣợc, tác giả kiến nghị số hƣớng phát triển là: (1) Phát triển phƣơng pháp xác định MUAP mẫu tín hiệu iEMG, dựa thông tin thu đƣợc từ bƣớc phân tách APS từ tín hiệu iEMG; (2) Phát triển phƣơng pháp phân loại tín hiệu iEMG khác dựa thơng số định lƣợng tín hiệu thu đƣợc theo phƣơng pháp QEMG đƣợc phát triển từ nghiên cứu 117 CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Phạm Mạnh Hùng, Vũ Duy Hải, Hoàng Mạnh Cƣờng, Nguyễn Văn Khang, (2014), “Phát triển số giải pháp thiết kế mạch để nâng cao chất lượng tín hiệu điện đồ”, Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (REV-ECIT2014),18-19/9/2014, pp311-316 Phạm Mạnh Hùng, Vũ Mạnh Cƣờng, Vũ Duy Hải, Phạm Phúc Ngọc, Nguyễn Văn Khang, (2014), “Development of Quantitative Electromyography Method for Diagnostic and Research Purposes” Journal of Science and Technology, No.101 – 2014, pp140-144 Phạm Mạnh Hùng, Vũ Mạnh Cƣờng, Vũ Duy Hải, Lê Quang Thắng, Nguyễn Văn Khang, (2015), “Phát triển công cụ dùng việc định lượng tín hiệu điện đồ kim”, Tạp chí Khoa Học & Cơng Nghệ trƣờng Đại Học Kỹ Thuật, No.103 - 3/2015, pp37-42 Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang, (2015) “Phân Loại Tín Hiệu Điện Cơ Đồ Kim Bằng Mạng Nơron Kỹ Thuật Phân Tích Hồi Quy Logistic”, Tạp chí Khoa Học & Cơng Nghệ trƣờng Đại Học Kỹ Thuật, No.110 118 TÀI LIỆU THAM KHẢO Tiếng việt: [1] Bộ Y tế (2000), Bệnh học xương khớp nội khoa (dùng cho bác sĩ học viên sau đại học): NXB Giáo dục Việt Nam [2] Nguyễn Hữu Cơng (1998), Chẩn Đốn Điện Bệnh Lý Thần Kinh – Cơ.: Nhà Xuất Bản Y Học [3] Nguyễn Hữu Cơng (2013), Chẩn đốn điện ứng dụng lâm sàng.: Nhà xuất Đại học Quốc gia Thành phố Hồ Chí Minh [4] Nguyễn Văn Tuấn (2014), Phân tích hồi qui Logistic (Logistic regression analysis), Chƣơng trình huấn luyện y khoa - YKHOA.NET Training [5] Nguyễn Văn Tuấn (2014), Phân tích tương quan, Chƣơng trình huấn luyện y khoa - YKHOA.NET Training [6] Phạm Hữu Lê Quốc Phục (2010), "Nghiên cứu ứng dụng mạng Nơron nhân tạo giải lớp toán dự đoán phân loại”, Khoa học máy tính, Đại học Đà Nẵng, Luận văn thạc sỹ Tiếng Anh: [7] Adriano O Andrade, Alcimar B Soares, Slawomir J Nasuto and Peter J Kyberd (2012), "EMG Decomposition and Artefact Removal", in Computational Intelligence in Electromyography Analysis – A Perspective on Current Applications and Future Challenges, Ganesh R Naik, Ed., ch 11, pp 261-286 [8] Akhila Devi B.V., S.Suja Priyadharsini (2013), "Diagnosis of Neuromuscular Disorders Using Softcomputing Techniques", International Journal of Soft Computing and Engineering (IJSCE), vol 3, no 5, pp 105-111 [9] Aminoff J (2012), "Clinical Electromyography", in Aminoff's Electrodiagnosis in Clinical Neurology, 6th Edition.: Elsevier Store, ch 11, pp 233-259 [10] Analog Devices Inc Engineering (2008), Linear Circuit Design Handbook, H Zumbahlen, Ed [11] Arora Anjana Bhardwaj, Manish, A K (2011), "Techniques for Decomposition of EMG Signals”, in Biomedical Engineering and Information Systems: Technologies, Tools and Applications.: IGI Global, ch 10 119 [12] B Bromberg Mark (2012), "Quantitative Electromyography", in Electrodiagnosis in clinical neurology 6th ed., ch 12, pp 261-288 [13] Bruno Mambrito, C.J De Luca (1982), "Acquisition and Decomposition of the EMG Signal", in Prog clin Neurophysiol, J.E Desmedt, Ed., pp 52-72 [14] Buchthal F, Guld C, Rosenfalck P (1954), "Action potential parameters in normal human muscle and their dependence on physical variables", Acta Physiol Scand, vol 32, pp 200-215 [15] C Itiki, C Shirota, M Y Barretto (2005) "Associative Memories and Diagnostic Classification of EMG Signals", in Adaptive and Natural Computing Algorithms, pp 482-485 [16] C.D Katsis, Y Goletsis, A Likas, D.I Fotiadis, I Sarmase (2006), "A novel method for automated EMG decomposition and MUAP classification", Artificial Intelligence in Medicine, pp 55-64 [17] Carlo De Luca (2006), "Electromyography", in Encyclopedia of Medical Devices and Instrumentation, Webster John G., Ed.: John Wiley, 2006, pp 98-109 [18] Charles Zaiontz (2015.) Real Statistics Using Excel [Online] http://www.real-statistics.com/non-parametric-tests/mann-whitney-test/ [19] CI Christodoulou, CS Pattichis (1999), "Unsupervised Pattern Recognition for the Classification of EMG Signals", IEEE Trans Biomed Eng 1999;, vol 46, no 2, pp 169-178 [20] CJ DeLuca, LeFever RS (1982), "A procedure for decomposing the myoelectric signal into its constituent action potentials:part I, execution and test for accuracy Technique, theory and implementation", IEEE Trans Biomed Eng, pp 29:149-57 [21] C.S Pattichis, C.N Schizas, L.T Middleton (1995), "Neural Network Models in EMG Diagnosis”, IEEE Transactions on Biomedical Engineering, vol 42, no 5, pp 486-496 [22] C.S Pattichis, MS Pattichis (1999), "Time-scale analysis of cmotor unit action potentials”, IEEE Transactions on Biomedical Engg, vol 46, no 11, pp 1320-1329, 1999 [23] D Katsis, Themis P Exarchos, Costas Papaloukas, Yorgos Goletsis, Dimitrios I Fotiadis, Ioannis Sarmasg Christos (2007), "A two-stage 120 method for MUAP classification based on EMG decomposition", Computers in Biology and Medicine, vol 37, no 9, pp 1232–1240 [24] D.C Preston, B.E Shapiro (2002) "Needle electromyography Fundamentals, normal and abnormal patterns", in Neurol Clin N Am 20, Bashar Katirj, Ed., pp 361–396 [25] Dan Stashuk (2001), "EMG signal decomposition: how can it be accomplished and used?”, Journal of Electromyography and Kinesiology, pp 151–173 [26] Desmedt (1990), Computer Aided Electromyography and Expert Systems (Clinical Neurophysiology Updates).: Hardcover [27] De Luca, Gianluca (2003), Fundamental Concepts in EMG Signal Acquisition.: DelSys Inc [28] D.W Stashuk H Parsaei (2012), "EMG Signal Decomposition Using Motor Unit Potential Train Validity", Neural Systems and Rehabilita, vol 21, no 2, pp 265-274 [29] David W Hosmer (2013), Applied Logistic regression, 3rd ed New Jersey: John Wiley & Son [30] Demuth Mark Beale, Martin Hagan Howard (2015), Neural Network Toolbox - User Guide.: MATLAB [31] Dr Scott Day (2003), Important Factors in Surface EMG Measurement.: Bortec Biomedical Ltd [32] Dowling., Fitch, Willison (1968), "Clinical and laboratory notes A special purpose digital computer (Biomac 500) used in the analysis of the human electromyogram", Electroenceph clin Neurophysiol, vol 25, pp 570-573 [33] Dutoit Thierry (2009), Applied Signal Processing: A MATLAB-based Proof of Concept [Online] http:/ /users.abo.fi/htoivone/courses/ /aspchapter1.pdf [34] E Barkhaus, MD Paul (14/10/2015), EMG Evaluation of the Motor Unit - Electrophysiologic Biopsy [Online] http://emedicine.medscape.com [35] E-Health Lab (9/2015), Database Needle EMG: MUAP Time Domain Features [Online] http://www.medinfo.cs.ucy.ac.cy [36] Eli Billauer (10/2015), Peakdet: Peak detection using MATLAB [Online] http://billauer.co.il/peakdet.html 121 [37] EMGlab (10/2015), Signals [Online] http://emglab.net/emglab/Signals [38] Elaine N.Marieb, Katja Hoehn (2015), Ch09: Muscles and Muscle tissue [Online] http://www.slideshare.net/TheSlaps/ch09-b-muscles-tissue [39] Emran Mohd Tamil, M H Noor, Z Razak, N M Noor, A M Tamil, (2008), "A Review on Feature Extraction & Classification Techniques for Biosignal Processing (Part III: Electromyogram)", in IFMBE Proceedings Vol 21, Verlag Berlin Heidelberg, pp 117–121 [40] Ercan Gokgoz, Abdulhamit Subasi (2014), "Effect of multiscale PCA denoising on EMG signal classification for diagnosis of neuromuscular disorders”, Med Syst, pp 31-38 [41] Eric Abel, Hongying Meng, Alan Forste, David Holder (2006), "Singularity characteristics of needle EMG IP signals”, Biomedical Engineering, IEEE Transactions on (Volume:53 , Issue: 2), vol 53, no 2, pp 219 – 225 [42] Eric K Richfield, et al (1981), "Review of Quantitative and Automated Needle Electromyographic Analyses", IEEE Transactions on Biomedical Engineering, vol BME-28, no 7, pp 506-514 [43] Farlex (2015) The free Dictionary [Online] http://medicaldictionary.thefreedictionary.com/motor+neuron(e)+(motoneuron(e)) [44] Finsterer Josef (2001), "Review: EMG-interference pattern analysis", Journal of Electromyography and Kinesiology, vol 11, pp 231–246 [45] Fuglsang-Frederiksen, Jorgensen (1981), "Turns-amplitude analysis at different sampling frequencies", Electroencephalography and clinical Neurophysiology, vol 81, pp 1-7 [46] Fuglsang-Frederiksen (2006), "The role of different EMG methods in evaluating myopathy", Clinical Neurophysiology, vol 117, pp 1173– 1189 [47] Gerd Fabian Volk, Rudolf Hagen, Claus (2012), "Laryngeal electromyography: a proposal for guidelines of the European Laryngological Society", European Archives of Oto-Rhino-Laryngology and Head & Neck [48] Goen Anjana, (2014) "Classification of EMG Signals for Assessment of Neuromuscular Disorders", International Journal of Electronics and Electrical Engineering, vol 2, no 3, pp 242-248 122 [49] Golińska Kitlas (2013), "Poincaré Plots in Analysis of Selected Biomedical Signals", Studies in Logic, Grammar and Rhetoric, vol 35, pp 117-127 [50] Gurmanik Kaur, Ajat Shatru Arora, V.K Jain (2009), "Comparison of The Techniques Used for Segmentation of EMG Signals", Mathematical and Computational Methods, pp 124-129 [51] Henning Schmalbruch (1985), Skeletal Muscle.: Springer-Verlag Berlin Heidelberg [52] ISEK (5/2015) International Society of Electromyography and Kinesiology [Online] http://www.isek-online.org/standards.html [53] J Litchy, M.D William (2010), "Quantitative EMG”, Department of Neurology Health Partners Minneapolis [54] John A Cadwell, Richard A Villarreal (2012), "Electrophysiologic Equipment and Electrical Safety”, in Aminoff’s Electrodiagnosis in Clinical Neurology.: Elsevier Inc., ch 2, pp 15-33 [55] John G Webster, John W Clark, Micheal R Neuman (1995), Medical Instrumentation Application and Design, 2nd ed., Jonh G Webster, Ed.: John Wilay & Son [56] Jun Kimura (2001), Electrodiagnosis in Diseases of Nerve and Muscle, 3rd ed.: Oxford University Press, Inc [57] K.C McGill, KL Cummins, LJ Dorfman (1985), "Automatic Decomposition of the Clinical Electromyogram", IEEE Transactions on Biomedical Engineering, vol BME-32, no 7, pp 470-477 [58] K.C McGill, Z C Lateva, and H R Marateb (2005) "EMGLAB: An interactive EMG decomposition program", J Neurosci Methods, vol 149, no 2, pp 121-133 [59] Katirji Bashar (2007), Electromyography in clinical practice: a case study approach, 2nd ed Philadelphia, USA: Elsevier Inc [60] KR Mills (2005), "The basics of electromyography", J Neurol Neurosurg Psychiatry, vol 76, no 2, pp 32-35 [61] Konrad (2005), The ABC of EMG: A Practical Introduction to Kinesiological Electromyography USA: Noraxon Inc [62] Lyons Richard G (2011), Understanding Digital Signal Processing 3rd Ed., Prentice Hall 123 [63] M Nikolic, J.A Sorensen, K Dahl, C Krarup, (1997), "Detailed Analysis of Motor Unit Activity”, in Proceedings - 19th International Conference IEEE/EMBS, Chicago, IL USA, 1997, pp 1257-1260 [64] M Nikolic, C Krarup (2011), "EMGTools, an adaptive and versatile tool for detailed EMG analysis", IEEE Trans Biomed Eng, vol 58, no 10, pp 2707-2718 [65] MathWorks (10/2015) Zero-phase digital filtering http://www.mathworks.com/help/signal/ref/filtfilt.html [Online] [66] Miki Nikolic (2001), Detailed Analysis of Clinical Electromyography Signals, A Ph.D Dissertation Submitted to the University of Copenhagen, the Faculty of Health Science [67] National Institute of Neurological Disorders and Stroke (6/2015) Muscular Dystrophy: Hope Through Research [Online] http://www.ninds.nih.gov/disorders/md/detail_md.htm [68] Nitin Jain, Ashish Parikh Mukesh Patidar (2013), "Classification of Normal and Myopathy EMG Signals using BP Neural Network”, International Journal of Computer Applications, vol 69, no 6, pp 12-16 [69] O Smith, Julius (2015), Introduction to Digital Filtes with Audio Application.: Department of Music, Stanford University, Stanford, California 94305 USA, [Online] http://www.dsprelated.com [70] Physionet (6/2015) Examples of Electromyograms [Online] http://www.physionet.org/physiobank/database/emgdb/ [71] R Beale, T Jackson (1990), Neural Computing: An Introduction Bristol, Philadelphia and New York: Adam Hilger [72] Roberto Merletti, Marco Pozzo, Dario Farina (2004), "Electromyography: Detection, Processing, and Applications", in BIOMEDICAL TECHNOLOGY AND DEVICES HANDBOOK, George Zouridakis James Moore, Ed.: CRC PRESS, ch 4, pp 70-135 [73] Roberto Merletti, Dario Farina (2009), "Analysis of intramuscular electromyogram signals”, Phil Trans R Soc A, pp 367-371 [74] Rosa Thomas, Roland D., Albert J (2001), The Analysis and Design of Linear Circuits USA: John Wiley and Sons Inc 124 [75] Sivarit Sultornsanee, Ibrahim Zeida, Sagar Kamarthia (2011), "Classification of Electromyogram Using Recurrence Quantification Analysis”, Procedia Computer Science 6, pp 375–380 [76] Smith K.C., Sedra A.S (1998), Microelectronics Circuits, 4th ed New York: Oxford University Press [77] Soona Shabani, Hossein Parsaei, Afshin Shaabany (2012), "Classification of EMG Signals using Empirical Mode Decomposition”, International Journal of Computer Applications (0975 – 8887), vol 56, no 18, pp 2328 [78] Sta'lberg Erik (1997), "The role of electromyography in neurology”, Electroencephalography and clinical Neurophysiology 103, pp 579-598 [79] Stalberg E, Chu J, Bril V, Nandedkar S, Stalberg S, Ericsson M (1983) "Automatic Analysis of The EMG Interference Patern”, Electroencephalograph and clinical Neurophysiology, vol 56, pp 672681 [80] Tameem Adel, Dan Stashuk (2013), "Clinical Quantitative Electromyography”, in Electrodiagnosis in New Frontiers of Clinical Research, Hande Turker, Ed., ch 5, pp 89-112 [81] Texas Instruments (2015), ADS1294 Analog Front End datasheet [82] Texas Instruments (2015), INA129 Instrumentation Amplifier datasheet [83] Texas Instruments (2015), ISO7231M Triple Digital Isolators datasheet [84] Texas Instruments (2015), MSP430F5510 Mixed Signal Microcontroller datasheet [85] University of Wisconsin Madison (2015) Neuroscience Resource Page [Online] http://www.neuroanatomy.wisc.edu [86] U.S Department of Health & Human Services (2015) Muscular Dystrophy [Online] http://www.cdc.gov [87] Vijay R Mankar (2011), "EMG Signal Noise Removal Using Neural Netwoks", in Advances in Applied Electromyography, Joseph Mizrahi, Ed., ch [88] Walck Christian (2007), Hand-book on STATISTICAL DISTRIBUTIONS for experimentalists, Particle Physics Group, Ed Stockholm: University of Stockholm 125 PHỤ LỤC Chế tạo mạch đo khảo sát tín hiệu EMG Dựa theo yêu cầu thiết kế cụ thể áp dụng giải pháp đƣợc đề xuất, tác giả sử dụng công cụ nhƣ: phần mềm Filter Pro Texas Instrusments (TI) ORCAD PSPICE để chạy mơ mạch xử lý tín hiệu tƣơng tự Ngồi việc hỗ trợ mơ phỏng, cơng cụ hỗ trợ lựa chọn giá trị linh kiện thụ động (RC) phù hợp, theo tiêu chuẩn thƣơng mại có, mắc cách khối mạch xử lý tín hiệu tƣơng tự Các linh kiện đƣợc sử dụng cho khối chức mạch linh kiện hãng TI Trong đó, số linh kiện vi mạch (IC) tƣơng tự số đƣợc hãng phát triển thƣơng mại Cụ thể là:  Mạch khuếch đại đệm khuếch đại vi sai: mạch khuếch đại đệm sử dụng IC TL072 mạch khuếch đại vi sai sử dụng IC INA129 mắc theo khuyến nghị hãng Các IC có trở kháng vào lớn, tiêu thụ dòng nhỏ với độ dịch áp nhỏ, hệ số CMRR lớn [82]  Mạch lọc thông thấp, thông cao Notch: sử dụng IC TL072, mắc theo sơ đồ nguyên lý Giá trị linh kiện đƣợc chọn mô yêu cầu tiêu thiết kế mạch  Mạch chuyển đổi ADC: sử dụng IC ADS1294, linh kiện TI, có số đặc tính bật nhƣ: (1) có khuếch đại nội với hệ số khuếch đại thay đổi phần mềm, (2) có khả chuyển đổi tín hiệu có cực tính (dải chuyển đổi ± 2,5 V), (3) sử dụng phƣơng pháp lấy mẫu kiểu delta-sigma, (4) độ phân giải tín hiệu 24 bít, (5) tần số lấy mẫu lên đến 32 Kbps, (6) liệu đầu theo chuẩn SPI (7) hỗ trợ nhiều kênh đo [81]  Mạch truyền cách ly tín hiệu: sử dụng IC ISO7231M, phần tử cách ly quang tín hiệu số TI hỗ trợ truyền giao thức SPI Phần tử có thông số bật là: (1) tốc độ truyền tối đa 150 Mbps, (2) điện áp cách ly 4kV ESD [83]  MCU: sử dụng IC MSP430F5510, phần tử có hỗ trợ truyền thơng SPI, USB, UART MCU đƣợc lập trình để nhận tín hiệu EMG số từ ADC (theo chuẩn SPI qua mạch cách ly quang) để truyền lên máy tính (theo chuẩn USB, UART) [84] 126  Nguồn cách ly: sử dụng môđun A0512D, loại nguồn DC-DC cách ly KVDC, đầu vào 5V (có thể lấy từ máy tính qua cổng USB), đầu ±12V, công suất 1W, hiệu suất chuyển đổi 80% Nguồn cung cấp cho phần xử lý tƣơng tự chuyển đổi ADC Điện áp tham chiếu (± 2,5V) đƣợc tạo từ mức điện áp ±12V, cách sử dụng IC TPS7A4901 TPS7A3001, IC tạo nguồn tham chiếu chuyên dụng chất lƣợng cao TI Hình 5.1 Hình ảnh mạch đo tín hiệu EMG chế thử (kích thước 7x10cm2) Mạch đƣợc chế tạo theo hai bƣớc, là: (1) chế tạo khối mạch chức riêng rẽ, (2) chế tạo tích hợp khối mạch bo mạch Ở bƣớc, mạch đƣợc đo hiệu chỉnh thông số hoạt động theo tiêu thiết kế mong muốn Thiết bị sử dụng để đo kiểm gồm có thiết bị NI-ELVIS II National Instrumment, ôxilô DSO-X 2002A Agilent Technologie thiết bị TeraOhm 5KV Insulation Tester Duncan Instruments Trong đó, thiết bị NI-ELVIS II đƣợc sử dụng để:  Tổng hợp loại tín hiệu dùng cho kiểm thử, tín hiệu có thành phần tần số độ lớn tùy chọn khác theo mục đích thử Tín hiệu đƣợc đƣa vào đầu vào khối mạch xử lý tƣơng tự  Thu lại tín hiệu đáp ứng mạch xử lý tƣơng tự, phân tích phổ tín hiệu thu đƣợc vẽ đặc tuyến vào mạch Các phép đo đƣợc thực phịng thí nghiệm điều kiện thƣờng, với mức độ chống nhiễu trung bình, theo quy trình đo thơng số đƣợc chuẩn hóa 127 Xây dựng cơng cụ phân tích định lƣợng tín hiệu iEMG Cơng cụ QEMG_BK có chức nhƣ: (1) Xử lý đƣợc nhiều loại tệp liệu iEMG từ nhiều nguồn khác nhau; (2) Quá trình tiền xử lý tín hiệu iEMG đƣợc tùy chỉnh; (3) Quá trình phân tách MUAP, xác định tham số MUAP, phân nhóm MUAP theo đặc điểm bệnh lý tính thông số iEMG đƣợc thực tự động/bán tự động dựa thông số đƣợc thiết lập mặc định tùy chỉnh; (4) Kết định lƣợng tạo đƣợc thể nhiều dạng khác nhƣ: dạng đồ thị, dạng số, dạng ký tự, dạng âm tệp tin số liệu Nó có giao diện ngƣời dùng khơng khó để học cách sử dụng QEMG_BK.exe đƣợc tạo nghiên cứu cài đặt chạy PC có cấu hình phổ biến (nhƣ: Duo CPU @ 2,93GHz, RAM 2GB, hệ điều hành Windows XP cao hơn), có cài/khơng cài đặt Matlab Cơng cụ QEMG_BK có nhiều ƣu điểm sử dụng để định lƣợng loại liệu tín hiệu iEMG Hình 5.2 Giao diện số chức công cụ QEMG_BK 128 ... cứu luận án phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG chi thành thông tin trợ giúp cho bác sỹ q trình chẩn đốn bệnh lý Trong đó, phƣơng pháp phân tích định lƣợng tín hiệu iEMG. .. với tín hiệu iEMG chi  Phát triển phƣơng pháp định lƣợng tín hiệu iEMG chi cho phép tính thơng số định lƣợng đặc trƣng cho tín hiệu iEMG chi  Xây dựng đề xuất mơ hình phân loại tín hiệu iEMG chi. .. sinh học tín hiệu điện cơ, bệnh yếu dấu hiệu rối loạn nhóm bệnh lý tín hiệu điện tổng quan phƣơng pháp phân tích tín hiệu EMG hỗ trợ chẩn đoán rối loạn bệnh lý Nội dung sở để tác giả phân tích đề