Ứng dụng bộ lọc gauss và phân lớp svm cho vấn đề nhận dạng sóng động kinh trên điện não đồ

i ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN THÌN CƯỜNG ỨNG DỤNG BỘ LỌC GAUSS VÀ PHÂN LỚP SVM CHO VẤN ĐỀ NHẬN DẠNG SÓNG ĐỘNG KINH TRÊN ĐIỆN NÃO ĐỒ Chuyên ngành: Vật lý kỹ thuật Mã số: 852 04 01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 02 năm 2023 i Cơng trình hồn thành tại: TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC QUỐC GIA THÀ NH PHỐ HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS TS Huỳnh Quang Linh Cán chấm nhâ ̣n xét 1: TS Hoàng Mạnh Hà Cán chấm nhâ ̣n xét 2: TS Lưu Gia Thiện Luâ ̣n văn thạc sĩ bảo vệ Trường Đại Học Bách Khoa – Đại Học Quốc Gia TP HCM ngày 11 tháng 02 năm 2023 Thành phần Hội đồng đánh giá luâ ̣n văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luâ ̣n văn thạc sĩ) Chủ tịch hội đồng: TS Lý Anh Tú Thư ký hội đồng: TS Nguyễn Trung Hậu Ủy viên phản biện 1: TS Hoàng Mạnh Hà Ủy viên phản biện 2: TS Lưu Gia Thiện Ủy viên: PGS TS Huỳnh Quang Linh Xác nhâ ̣n Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luâ ̣n văn sửa chữa CHỦ TỊCH HỘI ĐỒNG TS Lê Anh Tú TRƯỞNG KHOA KHOA HỌC ỨNG DỤNG i ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: NGUYỄN THÌN CƯỜNG MSHV: 2070384 Ngày, tháng, năm sinh: 06/02/1977 Nơi sinh: Thanh Hóa Chuyên ngành: Kỹ thuâ ̣t y sinh Mã số: 8520401 I TÊN ĐỀ TÀ I: Ứng dụng lọc GAUSS phân lớp SVM cho vấn đề nhận dạng sóng động kinh điện não đồ (Application of GAUSS filter and SVM classifier to the problem of epileptic wave recognition on EEG) II NHIỆM VỤ VÀ NỘI DUNG: Nhiệm vụ luận văn tìm gai bệnh động kinh chuỗi tín hiệu điện não đồ đề xuất phương pháp sử dụng lọc Gauss phân lớp SVM cho kết xác cao Nội dung gồm: Tổng quan động kinh thu tín hiệu điện não đồ Lý chọn lọc Gauss phân lớp SVM, chạy thực nghiệm, so sánh đánh giá kết III NGÀ Y GIAO NHIỆM VỤ: 14/02/2022 IV NGÀ Y HOÀ N THÀ NH NHIỆM VỤ: 30/12/2022 V CÁN BỘ HƯỚNG DẪN: PGS.TS HUỲNH QUANG LINH Tp HCM, ngày 11 tháng 02 năm 2023 CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀ O TẠO PGS TS Huỳnh Quang Linh TRƯỞNG KHOA KHOA HỌC ỨNG DỤNG ii LỜI CẢM ƠN Tôi xin chân thành cảm ơn quý thầy cô trường Đại học Bách Khoa - ĐHQG TP.HCM, truyền đạt kiến thức, kinh nghiệm quý báu tạo điều kiện thuận lợi cho thời gian học tập nghiên cứu trường Tôi xin chân thành cảm ơn PGS.TS Huỳnh Quang Linh trực tiếp hướng dẫn cho tơi suốt q trình học tập, triển khai nghiên cứu để tơi hoàn thành luận văn: "Ứng dụng lọc GAUSS phân lớp SVM cho vấn đề nhận dạng sóng động kinh điện não đồ” Xin chân thành cảm ơn ThS.BS Hoàng Tiến Trọng Nghĩa CN Khoa Nội Thần Kinh, Ban giám đốc, Bệnh Viện Quân Y 175 - BQP tận tình giúp đỡ tơi q trình thực luận văn Xin chân thành cảm ơn đồng nghiệp, bạn bè, người thân gia đình ln hết lịng tạo điều kiện cho tơi suốt q trình học tập hồn thành luận văn Xin trân trọng cảm ơn! Tác giả luận văn Nguyễn Thìn Cường iii TĨM TẮT NỘI DUNG LUẬN VĂN Trong chẩn đoán Động kinh, vấn đề quan trọng tìm diện động kinh Cho đến gần đây, SVM cơng cụ cho mục đích ghi nhận động kinh Độ xác phương pháp dựa khả trích xuất đặc trưng q trình tiền xử lý Mục đích luận văn tìm gai xuất bất thường chuỗi tín hiệu điện não tương ứng với gai bệnh động kinh Luận văn sau hồn thành đưa giải phương pháp nâng cao tính bền vững toán kết hợp “Ứng dụng lọc GAUSS phân lớp SVM cho vấn đề nhận dạng sóng động kinh điện não đồ” Các sở lý thuyết lâm sàng, lọc GAUSS, phân lớp SVM, mơ hình xử lý tín hiệu, kết thực nghiệm cho thấy phương pháp đề xuất có ưu điểm độ xác cao phát xác trường hợp động kinh phức tạp mà phương pháp khác chưa đạt ABSTRACT In the diagnostic of Epilepsy, an important issue is to infer epileptic seizure presence Until recently, the SVM is the main tool for epileptic seizure recognition purposes The key issue is finding abnormal spikes in the brain's electrical signal that correspond to the spikes in epilepsy The purpose of the thesis is to find out abnormal spikes in the electrical brain signal sequence corresponding to the spikes of epilepsy In this thesis, we proposed a method to improve the stability of above problem by combining the GAUSS filter and SVM for seizure wave recognition on EEG" The theoretical basis of clinical, GAUSS filter, SVM classification, signal processing model and experimental results show that our proposed method has the advantages of high accuracy and accurate detection In the case of complex seizures for which other methods have not been achieved iv LỜI CAM ĐOAN Tơi Nguyễn Thìn Cường, học viên cao học khóa năm 2020- 2022, Đại học Bách Khoa TP.HCM, chuyên ngành Vật lý y sinh, xin cam đoan: • Đây luận văn thân trực tiếp thực hướng dẫn PGS.TS Huỳnh Quang Linh • Cơng trình khơng trùng lặp với nghiên cứu khác công bố Việt Nam • Các số liệu thơng tin luận văn hồn tồn xác, trung thực khách quan, xác nhận chấp thuận khoa “Khoa Học Ứng Dụng” Tơi xin hồn tồn chịu trách nhiệm trước pháp luật cam kết TP HCM, ngày 11 tháng 02 năm 2023 Tác giả Nguyễn Thìn Cường v MỤC LỤC NHIỆM VỤ LUẬN VĂN THẠC SĨ i LỜI CẢM ƠN .ii TÓM TẮT NỘI DUNG LUẬN VĂN iii ABSTRACT iii LỜI CAM ĐOAN iv MỤC LỤC v DANH MỤC CÁC TỪ VIẾT TẮT viii DANH MỤC KÝ HIỆU TOÁN HỌC ix DANH MỤC HÌNH VẼ x DANH MỤC BẢNG xiii MỞ ĐẦU 1 Đặt vấn đề Mục tiêu luận văn Đối tượng phạm vi nghiên cứu luận văn Phương pháp nghiên cứu Ý nghĩa khoa học thực tiễn luận văn Đóng góp luận văn CHƯƠNG TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO 1.1 Tổng quan vấn đề nghiên cứu 1.1.1.Nguồn gốc tín hiệu EEG 1.1.2 Ðặc điểm EEG 21 1.1.3 Nhiễu điện não đồ 22 1.2 Đặc điểm lâm sàng bệnh động kinh 23 1.2.1 Các khái niệm chung 23 1.2.1.1 Khái niệm động kinh 23 1.2.1.2 Khái niệm bệnh động kinh 23 vi 1.2.1.3 Khái niệm trạng thái động kinh 23 1.2.1.4 Khái niệm hội chứng động kinh 23 1.2.2 Đặc điểm lâm sàng bệnh động kinh 24 1.2.2.1 Đặc điểm lâm sàng động kinh toàn thể 24 1.2.2.2 Đặc điểm lâm sàng hội chứng động kinh cục 29 1.2.3 Phân loại chẩn đoán động kinh 30 1.3 Tổng quan phương pháp phân tích tín hiệu điện não 31 1.3.1 Dữ liệu phân tích sử dụng luận văn 33 1.3.2 Bộ liệu 33 1.3.3 Bộ liệu 34 1.4 Kết luận chương 35 CHƯƠNG 36 BỘ LỌC GAUSS VÀ PHÂN LỚP SVM 36 A Bộ lọc Gauss 36 2.1 Giới thiệu hàm Gauss: 36 2.2 Ứng dụng hàm Gauss cho tốn tách đặc trưng sóng động kinh từ tín hiệu điện não 37 B Phân lớp SVM 41 2.3 Giới thiệu SVM 41 2.4 Phương pháp phân lớp SVM 41 2.4.1 SVM tuyến tính 42 2.4.2 Phân lớp mềm 43 2.4.3 SVM phi tuyến 44 2.5 Các thuật toán huấn luyện SVM 46 2.6 Tóm tắt 47 2.7 Kết luận chương 52 CHƯƠNG 53 ÁP DỤNG BỘ LỌC GAUSS VÀ BỘ PHÂN LỚP SVM CHO BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH 53 3.1 Đề xuất mơ hình 53 vii 3.2 Thực nghiệm đánh giá 54 3.2.1 Mô tả thực nghiệm 54 3.2.2 Đánh giá số kết bước phân lớp tín hiệu sau lọc, làm trơn 70 3.2.3 Đánh giá thực nghiệm 71 3.3 Kết luận chương 77 KẾT LUẬN 78 • Những kết đạt mặt hạn chế 78 • Hướng phát triển đề tài 78 TÀI LIỆU THAM KHẢO 79 PHỤ LỤC 86 viii DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt ACU Accuracy Độ xác AI Artificial Intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng nơron nhân tạo EOG Electrooculogram Điện nhãn đồ EEG Electroencephalogram Điện não đồ EMG Electromyography Điện đồ ICD The International Classification of Diseases and Related Health Bảng phân loại bệnh quốc tế SMO Sequential Minimal Optimization Tối ưu hóa tối thiểu SVM Support vector machine Công cụ vectơ hỗ trợ SE Sample Entropy Entropy mẫu VHO World Health Organization Tổ chức Y tế Thế giới CS Cộng ĐK Động kinh ĐKTT Động kinh toàn thể ĐKCB Động kinh cục ĐNĐ Điện não đồ HC Hội chứng HCĐK Hội chứng động kinh 81 [21] J Martinerie, C Adam, M Le Van Quyen, M Baulac, S Clemenceau, B Renault, and F J Varela, “Epileptic seizures can be anticipated by non-linear analysis,” Nature Medicine, vol 4, no 10, pp 1173-1176, 1998 [22] H Jing, and Morikuni Takigawa, “Topographic analysis of dimension estimates of EEG and filtered rhythms in epileptic patients with complex partial seizures,” Biological cybernetics, vol 83, p 391-7, 2000 [23] J Engel, T A Pedley, Epilepsy: A Comprehensive Textbook, Lippincott Williams & Wilkins, 2008 [24] “CHB-MIT EEGdatabase.” Internet: https://physionet.org/content/chbmit/1.0.0/ , 2022 [25] “EEG time series download page.” Internet: http://epileptologiebonn.de/cms/front_content.php?idcat=193&lang=3&changelang=3, 2022 [26] N Acir, I Oztura, M Kuntalp, B Baklan, and C Guzelis, “Automatic detection of epileptiform events in EEG by a three-stage procedure based on artificial neural networks,” IEEE Transactions on Biomedical Engineering, vol 52, no 1, pp 30-40, 2005 [27] R Aschenbrenner-Scheibe, T Maiwald, M Winterhalder, H Voss, J Timmer, and A Schulze-Bonhage, “How well can epileptic seizures be predicted? An evaluation of a nonlinear method,” Brain : a journal of neurology, vol 126, pp 2616-26, 2004 [28] S T Aung and Y Wongsawat, “Modified-Distribution Entropy as the Features for the Detection of Epileptic Seizures, Frontiers,” in physiology, vol 11, 2020, pp 607-607 [29] A Babloyantz, J M Salazar, and C Nicolis, “Evidence of chaotic dynamics of brain activity during the sleep cycle,” Physics Letters A, vol 111, no 3, pp 152-156, 1985 [30] R S Fisher, H E Scharfman, and M de Curtis, “How can we identify ictal and interictal abnormal activity,” Advances in experimental medicine and biology, vol 813, pp 3-23, 2014 82 [31] T Lookman, G W Frank, and M A H Nerenberg, “Chaotic Time Series Analysis Using Short and Noisy Data Sets: Application to a Clinical Epilepsy Seizure,” NATO ASI Series B: Physics, vol 208, Boston, Springer, 1989 [32] P He, G Wilson, and C Russell, “Removal of ocular artifacts from electroencephalogram by adaptive filtering,” Medical and Biological Engineering and Computing, vol 42, no 3, pp 407-412, 2004 [33] K P Indiradevi, E Elias, P S Sathidevi , S Nayak, and K Radhakrishnan, “A multi-level wavelet approach for automatic detection of epileptic spikes in the electroencephalogram,” Computers in biology and medicine, vol 38, pp 80516, 2008 [34] A Korda, P Asvestas, G Matsopoulos, E Ventouras, and N Smyrnis, “Automatic identification of eye movements using the largest lyapunov exponent,” Biomedical Signal Processing and Control, vol 41, pp 10-20, 2018 [35] P K Kulkarni, Akareddy Sharanreddy Mallikarjun, “EEG Signal Classification for Epilepsy Seizure Detection Using Improved Approximate Entropy,” International Journal of Public Health Science, vol 2, no 1, 2013 [36] Y Kumar, Mohan Dewal, and R S Anand, “Features extraction of EEG signals using approximate and sample entropy,” IEEE Students' Conference on Electrical, Electronics and Computer Science (SCEECS), IEEE, 2012 [37] K Lehnertz and C Elger, “Can Epileptic Seizures be Predicted? Evidence from Nonlinear Time Series Analysis of Brain Electrical Activity,” Physical Review Letters - PHYS REV LETT, vol 80, pp 5019-5022, 1998 [38] L li, C Liu, C Liu, Q Zhang, and B Li, “Physiological Signal Variability Analysis Based on the Largest Lyapunov Exponent,” International Conference on BioMedical Engineering and Informatics (BMEI), IEEE, pp 15, 2009 [39] Y A.-O Murin, J Kim, J Parvizi, and A Goldsmith, “SozRank: A new approach for localizing the epileptic seizure onset zone (Electronic),” Plos com Biology, pp 1553-7358 Doi: 83 https://doi.org/10.1371/journal.pcbi.1005953 [40] N Päivinen, S Lammi, A Pitkänen, J Nissinen, M Penttonen, and T Grönfors, “Epileptic seizure detection: A nonlinear viewpoint,” Computer Methods and Programs in Biomedicine, vol 79, no 2, pp 151-159, 2005 [41] R Selvakumari, M Mahalakshmi, and P Prabhakar, “Patient- Specific Seizure Detection Method using Hybrid Classifier with Optimized Electrodes,” Journal of Medical Systems, vol 43, 2019 [42] M Shen, Lisha Sun, and P J Beadle “Parametric bispectral estimation of EEG signals in different functional states of brain,” in First International Conference Advances in Medical Signal and Information Processing (IEE Conf., IET, 2000, pp 476 [43] A Shoeb and John Guttag, “Application of Machine Learning To Epileptic Seizure Detection,” ICML'10: Proceedings of the 27th International Conference on International Conference on Machine Learning, Omnipress, 2010, pp 975-982 [44] L Sörnmo and Pablo Laguna, “Bioelectrical Signal Processing in Cardiac and Neurological Applications,” in Bioelectrical Signal Processing in Cardiac and Neurological Applications, Burlington, 2005, pp vii-xiii [45] E M Cirugeda-Roldan, “What Can Biosignal Entropy Tell Us About Health and Disease, Applications in Some Clinical Fields,” Nonlinear Dynamics Psychology and Life Sciences, vol 19, pp 419-436, 2015 [46] R S Fisher,”Seizure disorder,” Ambulatory medicine, vol 11, pp 11341150, 1986 [47] Y Khan, O Farooq, and P Sharma, “Automatic Detection of Seizure ONSET” in Pediatric EEG, IJESA, vol 2, 2012 [48] R G Andrzejak, G Widman, K Lehnertz, C Rieke, P David, C E Elger, “The epileptic process as nonlinear deterministic dynamics 106 in a stochastic environment: an evaluation on mesial temporal lobe epilepsy,” Epilepsy Research, vol 44, no 2, pp 129-140, 2001 [49] Y Ohtsuka, H Yoshinago, and Y Yamatogi, “Predictors and underlying 84 causes of medicaly intractable localization related epilepsy in childhood,” Pediatr neurol, vol 24, no 5, pp 209- 13, 2001 [50] S N Oliveira and D Rosado, “EEG interictal- sensitivity and specficity of the diagnosis of epilepsy,” Acta Med port, vol 17, no 6, pp 465, Nov- Dec 2004 [51] M Mendez et al., “Interictal violence in epilapsy,” The Journal of nervous and mental disorder, vol 181, no 9, pp 566- 569, 1993 [52] C P Panagiotopoulos, A clinical guide to epileptic syntromes and their treatment Bladon medical publising, 2002 [53] E J Rushing and E H Bigio, “Prequency of unihateral and bilateral mesial temporal Sclerosis in primary and Secondary epilepsy: a forensic autopsy Study,” Am J forensic med pathoe, vol 18, no 4, pp 335- 41, Dec 1997 [54] P Proenca and D N Vieira, “Forensic intoxication with clobazam: HPLC/DAD/MSD analysis,” Forensic- Sci- Int, vol 143, no 2-3, pp 205-9, Jul 2004 [55] A Rudenko and V O Svystilnyk, “Modern views on the correlection of brain metalolites in pathogenesis of epilepsy in children,” Lik Sparava, vol 2, pp 15- 19, 2004 [56] J- H Phi, C K Chung, and Y K Lee, “Temporal lobe epilepsy caused by choroid plexus papilloma in the Temporal home,” Clin neuropathd, no 3, pp 95- 8, May- Jun 2004 [57] P N Patsalos et al., “Importance of drug interactions in epilepsy therapy,” Epilepsia, vol 43, pp 365- 385, 2002 [58] W Penfield, and H Jasper, Epilepsy and the fonctional anatomy of human brain, Churchill, Ed, London, 1954, pp 896 [59] I Gyorgy, “Epilepsy in childhood: Diagnosis and therapy,” Orv Hetil, vol 146, no 20, pp 103-8, May 2005 [60] P Lio, and Y Song, “A new approach for epileptic seizure detection: sample entropy based feature extraction and extreme learning machine,” Journal of Biomedical Science and Engineering, vol 3, pp 556- 567, 2010 [61] M Mursalin, Y Zhang, Y Chen, and N Chawla, “Automated Epileptic 85 Seizure Detection Using Improved Correlation- 111 based Feature Selection with Random Forest Classifier,” Neurocomputing, vol 241, 2017 [62] J Xiang, C Li, H Li, R Cao, B Wang, X Han, and J Chen, “The detection of epileptic seizure signals based on fuzzy entropy,” Journal of Neuroscience Methods, vol 243, pp 18-25, 2015 86 PHỤ LỤC Phụ lục 1: Nội dung file chb01-summary.txt chứa thông tin nhãn liệu Data Sampling Rate: 256 Hz ************************* Channels in EDF Files: ********************** Channel 1: FP1-F7 Channel 2: F7-T7 Channel 3: T7-P7 Channel 4: P7-O1 Channel 5: FP1-F3 Channel 6: F3-C3 Channel 7: C3-P3 Channel 8: P3-O1 Channel 9: FP2-F4 Channel 10: F4-C4 Channel 11: C4-P4 Channel 12: P4-O2 Channel 13: FP2-F8 Channel 14: F8-T8 Channel 15: T8-P8 Channel 16: P8-O2 Channel 17: FZ-CZ Channel 18: CZ-PZ Channel 19: P7-T7 Channel 20: T7-FT9 Channel 21: FT9-FT10 Channel 22: FT10-T8 Channel 23: T8-P8 87 File Name: chb01_01.edf File Start Time: 11:42:54 File End Time: 12:42:54 Number of Seizures in File: File Name: chb01_02.edf File Start Time: 12:42:57 File End Time: 13:42:57 Number of Seizures in File: File Name: chb01_03.edf File Start Time: 13:43:04 File End Time: 14:43:04 Number of Seizures in File: Seizure Start Time: 2996 seconds Seizure End Time: 3036 seconds File Name: chb01_04.edf File Start Time: 14:43:12 File End Time: 15:43:12 Number of Seizures in File: Seizure Start Time: 1467 seconds Seizure End Time: 1494 seconds File Name: chb01_05.edf File Start Time: 15:43:19 File End Time: 16:43:19 Number of Seizures in File: 88 File Name: chb01_06.edf File Start Time: 16:43:26 File End Time: 17:43:26 Number of Seizures in File: File Name: chb01_07.edf File Start Time: 17:43:33 File End Time: 18:43:33 Number of Seizures in File: File Name: chb01_08.edf File Start Time: 18:43:40 File End Time: 19:43:40 Number of Seizures in File: File Name: chb01_09.edf File Start Time: 19:43:56 File End Time: 20:43:56 Number of Seizures in File: File Name: chb01_10.edf File Start Time: 20:44:07 File End Time: 21:44:07 Number of Seizures in File: File Name: chb01_11.edf File Start Time: 21:44:14 File End Time: 22:44:14 Number of Seizures in File: 89 File Name: chb01_12.edf File Start Time: 22:44:22 File End Time: 23:44:22 Number of Seizures in File: File Name: chb01_13.edf File Start Time: 23:44:29 File End Time: 24:44:29 Number of Seizures in File: File Name: chb01_14.edf File Start Time: 00:44:37 File End Time: 1:44:37 Number of Seizures in File: File Name: chb01_15.edf File Start Time: 01:44:44 File End Time: 2:44:44 Number of Seizures in File: Seizure Start Time: 1732 seconds Seizure End Time: 1772 seconds File Name: chb01_16.edf File Start Time: 02:44:51 File End Time: 3:44:51 Number of Seizures in File: Seizure Start Time: 1015 seconds Seizure End Time: 1066 seconds File Name: chb01_17.edf 90 File Start Time: 03:44:59 File End Time: 4:44:59 Number of Seizures in File: File Name: chb01_18.edf File Start Time: 04:45:06 File End Time: 5:45:06 Number of Seizures in File: Seizure Start Time: 1720 seconds Seizure End Time: 1810 seconds File Name: chb01_19.edf File Start Time: 05:45:13 File End Time: 6:45:13 Number of Seizures in File: File Name: chb01_20.edf File Start Time: 06:45:20 File End Time: 7:29:43 Number of Seizures in File: File Name: chb01_21.edf File Start Time: 07:33:46 File End Time: 8:33:46 Number of Seizures in File: Seizure Start Time: 327 seconds Seizure End Time: 420 seconds File Name: chb01_22.edf File Start Time: 08:33:49 91 File End Time: 9:33:49 Number of Seizures in File: File Name: chb01_23.edf File Start Time: 09:33:58 File End Time: 10:33:58 Number of Seizures in File: File Name: chb01_24.edf File Start Time: 10:34:06 File End Time: 11:34:06 Number of Seizures in File: File Name: chb01_25.edf File Start Time: 11:34:14 File End Time: 12:34:14 Number of Seizures in File: File Name: chb01_26.edf File Start Time: 12:34:22 File End Time: 13:13:07 Number of Seizures in File: Seizure Start Time: 1862 seconds Seizure End Time: 1963 seconds File Name: chb01_27.edf File Start Time: 13:13:21 File End Time: 13:23:21 Number of Seizures in File: 92 File Name: chb01_29.edf File Start Time: 13:24:08 File End Time: 14:24:08 Number of Seizures in File: File Name: chb01_30.edf File Start Time: 14:24:15 File End Time: 15:24:15 Number of Seizures in File: File Name: chb01_31.edf File Start Time: 15:24:24 File End Time: 16:24:24 Number of Seizures in File: File Name: chb01_32.edf File Start Time: 16:24:32 File End Time: 17:24:32 Number of Seizures in File: File Name: chb01_33.edf File Start Time: 17:24:39 File End Time: 18:24:39 Number of Seizures in File: File Name: chb01_34.edf File Start Time: 18:24:46 File End Time: 19:24:46 Number of Seizures in File: 93 File Name: chb01_36.edf File Start Time: 22:14:43 File End Time: 23:14:43 Number of Seizures in File: File Name: chb01_37.edf File Start Time: 23:14:46 File End Time: 24:14:46 Number of Seizures in File: File Name: chb01_38.edf File Start Time: 00:14:53 File End Time: 1:14:53 Number of Seizures in File: File Name: chb01_39.edf File Start Time: 01:15:01 File End Time: 2:15:01 Number of Seizures in File: File Name: chb01_40.edf File Start Time: 02:15:08 File End Time: 3:15:08 Number of Seizures in File: File Name: chb01_41.edf File Start Time: 03:15:15 File End Time: 4:15:15 Number of Seizures in File: 94 File Name: chb01_42.edf File Start Time: 04:15:22 File End Time: 5:15:22 Number of Seizures in File: File Name: chb01_43.edf File Start Time: 05:15:29 File End Time: 6:15:29 Number of Seizures in File: File Name: chb01_46.edf File Start Time: 08:15:51 File End Time: 9:15:51 Number of Seizures in File: 95 PHẦN LÝ LỊCH TRÍCH NGANG Họ tên: Nguyễn Thìn Cường Ngày, tháng, năm sinh: 06/02/1977 Nơi sinh: Thanh Hóa Địa liên lạc: 206B, N08, C/c K26, Dương Quảng Hàm, P7, GV, TP.HCM QUÁ TRÌNH ĐÀO TẠO 2002-2007: Sinh viên Đại học Bách Khoa TP.HCM Q TRÌNH CƠNG TÁC 2001-2006: KTV trang thiết bị y tế- Bệnh viện Quân y 175 2007- 2017: Kỹ sư khoa Trang thiết bị - Bệnh viện Quân y 175 2018- 2021: Kỹ sư Trang thiết bị - BVDC cấp LHQ, Nam Xu Đăng 2022- 2023: Kỹ sư khoa Trang thiết bị - Bệnh viện Quân y 175