ứng dụng bộ lọc gauss và phân cụm mờ cho bài toán phát hiện sóng động kinh trên điện não đồ

TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC 1.3 Tổng quan về phương pháp phân tích tín hiệu điện não... Nghiên cứu này đề xuất sử dụng Matlab ứng dụng hai phương pháp bộ lọc Gauss và

ỦY BAN NHÂN DÂN TỈNH BÌNH DƯƠNG

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

UỶ BAN NHÂN DÂN TỈNH BÌNH DƯƠNG

TRƯỜNG ĐẠI HỌC THỦ DẦU MỘT

TS HOÀNG MẠNH HÀ

BÌNH DƯƠNG – 2023

1

LỜI CAM ĐOAN

Tác giả của luận văn xin khẳng định đây hoàn toàn là công trình nghiên cứu độc

lập của riêng tôi Trong quá trình thực hiện luận văn, tôi đã tham khảo nhiều công trình

nghiên cứu liên quan đến đề tài của mình và đã trích dẫn cũng như ghi rõ nguồn tài liệu

tham khảo đó trong luận văn

Tất cả các nội dung, kết quả, phân tích và bình luận trong luận văn này đều là kết

quả nghiên cứu và tổng hợp của riêng tôi, dựa trên cơ sở lý thuyết và thực tiễn mà tôi đã

đúc kết được trong thời gian qua

Như vậy, tôi xin khẳng định hoàn toàn về tính trung thực, chính xác và độc lập

của luận văn Tôi xin chịu trách nhiệm hoàn toàn đối với những thông tin và kết quả

trong công trình này

Bình Dương, tháng năm

Tác giả luận văn

Trịnh Trọng Thành

2

LỜI CẢM ƠN

Để hoàn thành luận văn này, trước hết tác giả xin bày tỏ lòng biết ơn sâu sắc tới

TS Hoàng Mạnh Hà đã tận tình chỉ dạy và có những góp ý quý báu trong thời gian thực hiện luận văn

Tác giả xin chân thành cảm ơn ban Lãnh đạo Viện Đào tạo Sau đại học - Trường Đại học Thủ Dầu Một và quý Thầy Cô Trường Đại học Thủ Dầu Một đã tạo điều kiện thuận lợi cho em trong quá trình học tập, nghiên cứu tại trường Cảm ơn tập thể học viên cụm Cao học CH21HT01 đã sát cánh cùng nhau chia sẻ kinh nghiệm học tập quý báu, giúp đỡ nhau vượt qua khó khăn

Do thời gian có hạn và khả năng còn hạn chế nên không tránh khỏi những thiếu sót, rất mong được sự đóng góp ý kiến từ quý Thầy Cô và quý độc giả để luận văn được hoàn chỉnh hơn nữa

Bình Dương, tháng năm

Tác giả luận văn

Trịnh Trọng Thành

CHƯƠNG 1 TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ CÁC

1.3 Tổng quan về phương pháp phân tích tín hiệu điện não 15

CHƯƠNG 3 ÁP DỤNG BỘ LỌC GAUSS VÀ PHÂN CỤM MỜ CHO BÀI TOÁN

5

DANH MỤC TỪ VIẾT TẮT

AE Approximate Entropy Entropy xấp xỉ

ANN Artificial Neural Network Mạng nơron nhân tạo

DWT Discrete wavelet transformation Biến đổi Wavelet rời rạc

ECG Electrocardiogram Điện tâm đồ (điện tim)

EEG Electroencephalogram Điện não đồ

EMG Electromyogram Điện cơ đồ

WHO World Health Organization Tổ chức Y tế Thế giới

CHB-MIT Children's Hospital Boston &

Massachusetts Institute of Technology

Bệnh viện Nhi Boston và Viện công nghệ MassachusettsEOG Electrooculography Điện quang mắt

ĐKCB Focal epilepsy Động kinh cục bộ

ĐNĐ Electroencephalogram Điện não đồ

ĐKTT Direct epilepsy Động kinh trực tiếp

AI Artificial Intelligence Trí tuệ nhân tạo

FCM Fuzzy c-means Phương pháp phân cụm mờ

c-means FGK Fuzzy Gustafson-Kessel Thuật toán phân cụm mờ dựa trên

thuật toán Gustafson-Kessel FPCM Fuzzy Possibilistic C-Means Thuật toán phân cụm mờ đề xuất

bởi Krishnapuram và Keller MATLAB Matrix laboratory Ngôn ngữ, môi trường lập trình

tính toán khoa học và kỹ thuật

6

DANH MỤC HÌNH, ĐỒ THỊ

Hình 1 1 Bố trí 21 điện cực theo chuẩn quốc tế 10-20 4Hình 1 2 Bố trí điện cực điện não mở rộng theo chuẩn 10-20 quốc tế 5

Hình 2 1 Mô tả phân phối Gauss với các giá trị µ khác nhau 19Hình 2 2 Mô tả tác dụng của hàm Gauss đối với điện não đồ có gai động kinh 20Hình 2 3 Mô tả tác dụng của hàm Gauss đối với điện não đồ không có gai động kinh

21Hình 2 4 Mô tả một đỉnh (gai) và kết quả tương ứng khi tính đạo hàm bậc 1 23Hình 2 5 Mô tả một gai kép và kết quả tương ứng khi tính đạo hàm bậc 1 23

Hình 3 1 Sơ đồ mô tả các bước kết hợp ứng dụng hàm Gauss với phân cụm mờ để

Hình 3 2 So sánh tín hiệu điện não trước và sau lọc 30Hình 3 3 So sánh tín hiệu điện não trước và sau lọc 30Hình 3 4 So sánh tín hiệu điện não của bản ghi chb03_01 trước và sau lọc 31Hình 3 5 So sánh tín hiệu điện não của bản ghi chb03_02 trước và sau lọc 32Hình 3 6 So sánh tín hiệu điện não của bản ghi chb03_03 trước và sau lọc 33Hình 3 7 So sánh tín hiệu điện não của bản ghi chb03_04 trước và sau lọc 34Hình 3 8 So sánh tín hiệu điện não của bản ghi chb03_05 trước và sau lọc 35Hình 3 9 So sánh tín hiệu điện não của bản ghi chb03_06 trước và sau lọc 36Hình 3 10 So sánh tín hiệu điện não của bản ghi chb03_07 trước và sau lọc 37Hình 3 11 So sánh tín hiệu điện não của bản ghi chb03_08 trước và sau lọc 37Hình 3 12 So sánh tín hiệu điện não của bản ghi chb03_09 trước và sau lọc 38Hình 3 13 So sánh tín hiệu điện não của bản ghi chb03_10 trước và sau lọc 38Hình 3 14 So sánh tín hiệu điện não của bản ghi chb03_11 trước và sau lọc 39Hình 3 15 So sánh tín hiệu điện não của bản ghi chb03_12 trước và sau lọc 40Hình 3 16 So sánh tín hiệu điện não của bản ghi chb03_13 trước và sau lọc 41Hình 3 17 So sánh tín hiệu điện não của bản ghi chb03_14 trước và sau lọc 42

7

Hình 3 18 So sánh tín hiệu điện não của bản ghi chb03_15 trước và sau lọc 42Hình 3 19 So sánh tín hiệu điện não của bản ghi chb03_16 trước và sau lọc 43Hình 3 20 So sánh tín hiệu điện não của bản ghi chb03_17 trước và sau lọc 44Hình 3 21 So sánh tín hiệu điện não của bản ghi chb03_18 trước và sau lọc 45Hình 3 22 So sánh tín hiệu điện não của bản ghi chb03_19 trước và sau lọc 45Hình 3 23 So sánh tín hiệu điện não của bản ghi chb03_20 trước và sau lọc 46Hình 3 24 So sánh tín hiệu điện não của bản ghi chb03_21 trước và sau lọc 47Hình 3 25 So sánh tín hiệu điện não của bản ghi chb03_22 trước và sau lọc 47Hình 3 26 So sánh tín hiệu điện não của bản ghi chb03_23 trước và sau lọc 48Hình 3 27 So sánh tín hiệu điện não của bản ghi chb03_24 trước và sau lọc 49Hình 3 28 So sánh tín hiệu điện não của bản ghi chb03_25 trước và sau lọc 49Hình 3 29 So sánh tín hiệu điện não của bản ghi chb03_26 trước và sau lọc 50Hình 3 30 So sánh tín hiệu điện não của bản ghi chb03_27 trước và sau lọc 51Hình 3 31 So sánh tín hiệu điện não của bản ghi chb03_28 trước và sau lọc 52Hình 3 32 So sánh tín hiệu điện não của bản ghi chb03_29 trước và sau lọc 52Hình 3 33 So sánh tín hiệu điện não của bản ghi chb03_30 trước và sau lọc 53Hình 3 34 So sánh tín hiệu điện não của bản ghi chb03_31 trước và sau lọc 54Hình 3 35 So sánh tín hiệu điện não của bản ghi chb03_32 trước và sau lọc 54Hình 3 36 So sánh tín hiệu điện não của bản ghi chb03_33 trước và sau lọc 55Hình 3 37 So sánh tín hiệu điện não của bản ghi chb03_34 trước và sau lọc 56Hình 3 38 So sánh tín hiệu điện não của bản ghi chb03_35 trước và sau lọc 56Hình 3 39 So sánh tín hiệu điện não của bản ghi chb03_36 trước và sau lọc 57Hình 3 40 So sánh tín hiệu điện não của bản ghi chb03_37 trước và sau lọc 58Hình 3 41 So sánh tín hiệu điện não của bản ghi chb03_38 trước và sau lọc 58

8

DANH MỤC BẢNG BIỂU

Bảng 2.1 Tóm tắt các phương pháp phát hiện gai động kinh……….21 Bảng 3.1 Kết quả thực nghiệm……… 59 Bảng 3.2 Độ chính xác của một số kết quả tiêu biểu trên cùng bộ dữ liệu 60

9

DANH MỤC KÝ TỰ TOÁN HỌC

W a,b Phép biến đổi Wavelet liên tục

τ Khoảng giữ chậm tín hiệu

q Vector trạng thái của hệ thống

Dc Kích thước tương quan

P(i) Xác suất của sự kiện i

SD Độ lệch chuẩn

Dmax (i) Độ lệch lớn nhất trong từng cửa sổ SE

50 triệu người trên toàn cầu mắc bệnh động kinh, chiếm gần 1% dân số thế giới Tại Việt Nam, con số này còn cao hơn, ước tính khoảng 2%, tương đương với hơn 2 triệu người Đáng báo động hơn, gần 60% bệnh nhân động kinh ở nước ta là trẻ em dưới 15 tuổi Nếu không được phát hiện và can thiệp điều trị kịp thời, động kinh có thể gây ra những tổn thương và biến chứng nghiêm trọng cho não bộ như giảm khả năng nhận thức, học tập và làm việc của người bệnh Do đó, việc nghiên cứu, chẩn đoán sớm và đưa ra phác đồ điều trị hiệu quả cho bệnh nhân động kinh là vô cùng quan trọng

Hiện nay, chẩn đoán động kinh vẫn dựa chủ yếu vào triệu chứng lâm sàng thông qua quan sát các cơn co giật Tuy nhiên, kết quả quan sát mang tính chủ quan cao Do

đó, các bác sĩ thường xét nghiệm bổ trợ bằng điện não đồ (EEG) EEG ghi lại hoạt động điện của não bộ, giúp phân loại động kinh và xác định vị trí tổn thương Tín hiệu EEG đặc trưng cho cơn động kinh có các thông số như biên độ, hình dạng, tần số bất thường Mặc dù EEG ngày càng phổ biến tại các bệnh viện Việt Nam, việc đánh giá kết quả vẫn dựa trên kinh nghiệm chủ quan của bác sĩ

Chính vì thế, việc nghiên cứu đề tài “Ứng dụng bộ lọc Gauss và phân cụm mờ cho bài toán phát hiện sóng động kinh trên điện não đồ” mang ý nghĩa thiết thực trong phát triển chuyên sâu về nghiên cứu điện não và sinh lý thần kinh

2 Mục đích nghiên cứu

Căn bệnh động kinh cần được phát hiện và điều trị sớm nhằm kiểm soát hiệu quả Chẩn đoán động kinh được thực hiện chủ yếu dựa vào kết quả điện não đồ (EEG) Tuy nhiên, việc phân tích và diễn giải các sóng não rất phụ thuộc vào kinh nghiệm của bác

sĩ và dễ dẫn đến đánh giá chủ quan Nghiên cứu này đề xuất sử dụng Matlab ứng dụng hai phương pháp bộ lọc Gauss và phân cụm mờ để xử lý và phân tích các tín hiệu EEG,

từ đó nâng cao độ chính xác trong việc phát hiện sóng động kinh Bên cạnh đó, các tiêu

2

chí, thuật toán sẽ được đề xuất để hệ thống có thể tự động nhận diện các dấu hiệu bất thường chỉ ra vùng não khởi phát động kinh

3 Đối tượng và phạm vi nghiên cứu của đề tài

Đối tượng nghiên cứu của đề tài này bao gồm các bản ghi điện não đồ EEG của người bình thường và bệnh nhân động kinh, cũng như dữ liệu mô phỏng sóng não trong

và ngoài cơn động kinh Các nội dung nghiên cứu chính được đề cập như sau:

- Nghiên cứu đặc điểm của sóng não EEG trong cơn động kinh và các phương pháp phân tích hiện nay

- Tìm hiểu các đặc trưng, tham số điển hình của tín hiệu EEG động kinh Mô phỏng sóng não trong cơn co giật

- Đề xuất giải pháp phát hiện tự động động kinh dựa trên kết hợp bộ lọc Gauss và phân cụm mờ

- So sánh độ chính xác của giải pháp đề xuất với các nghiên cứu trước đây

- Phân tích ưu nhược điểm của phương pháp lựa chọn

4 Phương pháp nghiên cứu

Đề tài sẽ sử dụng phương pháp nghiên cứu bài toán tách đặc trưng gai động kinh trên sóng não để đề xuất giải pháp phát hiện tự động cơn động kinh Cụ thể:

- Nghiên cứu các phương pháp xử lý tín hiệu và tách đặc trưng sóng não

- Dựa trên kết quả phân tích, đề xuất giải pháp phát hiện động kinh trên sóng EEG bằng kết hợp bộ lọc Gauss và phân cụm mờ

- So sánh độ chính xác của giải pháp với các nghiên cứu khác và đánh giá ưu nhược điểm

- Kiểm chứng độ tin cậy và độ chính xác của phương pháp đề xuất thông qua thực nghiệm trên cơ sở dữ liệu EEG chuẩn công khai “CHB-MIT scalp EEG database” Tóm lại, nghiên cứu áp dụng tiếp cận định lượng với các thực nghiệm khách quan nhằm kiểm chứng hiệu quả của giải pháp Qua đó hướng tới mục tiêu xây dựng hệ thống

hỗ trợ phát hiện tự động động kinh trên sóng não

5 Ý nghĩa khoa học và thực tiễn của đề tài

Ở nước ta là một trong những nước phát triển có số người bị động kinh cao, tình trạng quá tải ở các bệnh viện thường xuyên xảy ra Điều này có thể dẫn đến tình trạng giảm chất lượng cuộc sống và khả năng lao động, học tập của người dân

3

Trong khi đó, các bệnh viện tại Việt Nam thường xuyên trong tình trạng quá tải

và thiếu hụt bác sĩ chuyên khoa thần kinh Điều này dễ dẫn đến tình trạng bỏ sót hoặc chẩn đoán nhầm lẫn bệnh Hiện phần lớn việc phân tích và chẩn đoán động kinh đang dựa trên kinh nghiệm của bác sĩ chứ không phải quy trình khách quan Do đó, việc nghiên cứu và ứng dụng các giải pháp kỹ thuật hỗ trợ như phát hiện động kinh tự động

là vô cùng cần thiết

Nghiên cứu này đề xuất kết hợp bộ lọc Gauss với phân cụm mờ để phát hiện các gai động kinh trên sóng não Giải pháp có khả năng góp phần rút ngắn thời gian và nâng cao độ chính xác cho quá trình chẩn đoán Từ đó, giúp hỗ trợ cải thiện gánh nặng chẩn đoán bệnh động kinh tại Việt Nam

5.1 Đóng góp mới của đề tài

Đóng góp mới của luận văn này là đề xuất một giải pháp kỹ thuật cho hệ thống phát hiện tự động cơn động kinh trên sóng não EEG Cụ thể, nghiên cứu kết hợp ưu điểm của bộ lọc Gauss và phân cụm mờ trong việc nhận dạng các gai động kinh - đặc trưng của hoạt động điện bất thường trong não Thông qua thiết kế các thuật toán xử lý tín hiệu phù hợp, hệ thống được đề xuất có khả năng tự động phát hiện sóng động kinh với độ chính xác cao, đáp ứng yêu cầu thực tế

Để đánh giá giải pháp, luận văn đã tiến hành thực nghiệm, so sánh kết quả dự đoán của hệ thống đề xuất với kết quả phân tích thực tế Qua đó đưa ra những ưu điểm

và nhược điểm then chốt, làm cơ sở cho việc cải tiến, phát triển hệ thống

Chương 2: Bộ lọc Gauss và bộ Phân cụm mờ

Chương 3: Áp dụng bộ lọc Gauss và bộ Phân cụm mờ để phát hiện gai động kinh trong sóng điện não

Kết luận

Tài liệu tham khảo

4

CHƯƠNG 1

TỔNG QUAN VỀ ĐIỆN NÃO ĐỒ TRONG ĐỘNG KINH VÀ

CÁC PHƯƠNG PHÁP PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO

1.1 Điện não đồ

Theo nguồn [1], bản ghi điện não đồ EEG là sự biểu diễn đồ thị về sự biến đổi hiệu điện thế theo thời gian giữa các điện cực gắn trên da đầu, tương ứng với các vùng khác nhau của vỏ não EEG đem lại những thông tin liên quan đến hoạt động điện của não bộ dựa vào các chỉ số như biên độ, tần số, hình thái, sự phân bố về mặt không gian

và mức độ phân cực của hiệu điện thế Việc nghiên cứu các đặc trưng của sóng não EEG cho phép bác sĩ và các nhà khoa học chẩn đoán được các hoạt động bất thường xảy ra trong não bộ

Để thu tín hiệu EEG, một bộ điện cực được gắn lên đầu theo tiêu chuẩn đặt điện cực 10-20 quốc tế do Jasper đề xuất Tiêu chuẩn vị trí 10-20% này được quốc tế công nhận từ năm 1981 và ứng dụng rộng rãi trong các thiết bị ghi điện não Tiêu chuẩn bao gồm các điện cực bố trí theo tỷ lệ xác định trên vùng da đầu Các điện cực cần được đặt đối xứng 2 bên Bên dưới là minh họa vị trí bố trí các điện cực cơ bản trên da đầu theo chuẩn 10-20 quốc tế

Hình 1 1 Bố trí 21 điện cực theo chuẩn quốc tế 10-20

Thông thường, chúng ta sử dụng một bộ gồm 21 điện cực gắn trên da đầu theo tiêu chuẩn đặt điện cực 10-20 quốc tế

Vị trí các điểm mốc bao gồm:

● Điểm gốc mũi (nasion), nằm giữa 2 chân lông mày

Số lẻ đánh dấu bên trái và số chẵn đánh dấu bên phải

"10" và "20" cho biết khoảng cách giữa các điện cực liền kề lần lượt là 10% và 20% tổng khoảng cách trước-sau hoặc phải-trái của hộp sọ

Gần đây, Hội điện não Hoa Kỳ đã thông qua một số thay đổi trong danh pháp gốc, trong đó T3-T6 đổi thành T7-P8 nhằm mở rộng phạm vi đặt điện cực (vd F9-P10) và chỉ rõ vị trí chính xác hơn (vd AF7, FT9) Điều này giúp định vị tổn thương não chính xác hơn

Hình 1 2 Bố trí điện cực điện não mở rộng theo chuẩn 10-20 quốc tế

1.1.1 Ðặc điểm của EEG

EEG được đặc trưng bởi các thông số: biên độ, tần số, hình dạng, mức độ phân cực, sự phân bố vị trí và những yếu tố làm thay đổi hiệu điện thế Hình 1.3 mô tả các

6

kiểu nhịp sóng cơ bản của tín hiệu EEG Các tín hiệu ghi nhận được trên da đầu có biên

độ dao động từ vài μV đến khoảng 200 μV và tần số nằm trong khoảng 0,5-70Hz

Hình 1 3 Các nhịp sóng cơ bản của EEGNếu trạng thái của đối tượng đo ổn định trong một khoảng thời gian, các nhịp này có dạng tuần hoàn [1]

Các nhịp cơ bản của EEG được chia thành 5 dải như sau:

1.1.2 Nhiễu trong điện não đồ

1.2 Điện não đồ và động kinh

Tín hiệu điện não thường chịu ảnh hưởng của nhiều loại nhiễu khác nhau Các loại nhiễu này được chia thành 2 nhóm chính: nhóm thứ nhất bao gồm nhiễu do thiết

bị (nhiễu điện lưới, nhiễu tiếp xúc điện cực, nhiễu linh kiện điện tử ); nhóm thứ hai là nhiễu có nguồn gốc sinh lý từ cơ thể con người như nhiễu do chuyển động mắt (EOG), hoạt động cơ bắp (EMG) và tim (ECG)

7

Để giảm thiểu và loại bỏ nhiễu trong EEG, có 3 phương pháp chính: thứ nhất, ngăn chặn và loại bỏ các nguồn gây nhiễu; thứ hai, giảm thiểu tác động của nguồn nhiễu; thứ ba, nhận dạng và loại bỏ các tín hiệu nhiễu Cách tốt nhất là loại bỏ nguồn gây nhiễu, tuy nhiên điều này không khả thi với một số loại nhiễu như EOG Thứ hai,

có thể sử dụng các thiết bị đo có độ nhạy cao, khả năng lọc nhiễu tốt để giảm thiểu nhiễu Thứ ba, các thuật toán xử lý tín hiệu số hiệu quả có thể được dùng để nhận dạng

và loại bỏ các nhiễu, ví dụ EMG và EOG Nhiễu điện lưới trong EEG thường được loại bỏ bằng bộ lọc FIR với dải thông 0,5-45 Hz [3,12]

1.2.1 Khái niệm về cơn động kinh

Cơn động kinh là hiện tượng bất thường ở não bộ, đặc trưng bởi sự hoạt động quá mức đồng bộ của một nhóm tế bào thần kinh vỏ não Cơn động kinh thể hiện ở các biểu hiện lâm sàng như co giật, mất ý thức, cảm giác kì lạ cho đến những triệu chứng thị giác hay ảo giác [1]

Cơ chế bệnh sinh của cơn động kinh là do sự mất cân bằng điện giữa khử cực

và tái cực quá mức của màng tế bào thần kinh, dẫn đến sự đảo ngược điện thế màng từ trạng thái nghỉ -85mV lên +30mV trong giai đoạn khử cực Khi đó xảy ra hiện tượng lan truyền xung động quá mức giữa các tế bào thần kinh Các trạng thái hoạt động bất thường này có thể được ghi nhận bằng các kỹ thuật đặt điện cực ghi điện thế trong tế bào, ngoài tế bào hay trên bề mặt da đầu

Các bản ghi điện não đồ (EEG) cho phép theo dõi hoạt động điện của vỏ não, giúp chẩn đoán phân biệt các hội chứng lâm sàng, phân loại các dạng cơn động kinh và xác định vùng não bị ảnh hưởng, thậm chí còn giúp xác định bệnh lý gây động kinh ở một số trường hợp Trong lâm sàng, với bệnh nhân động kinh, EEG được ghi ở 2 giai đoạn: ghi trong cơn động kinh và ghi ngoài cơn

1.2.2 Điện não đồ trong cơn động kinh

8

- Tăng đột ngột điện thế hoạt động điện não nền

- Các phóng điện ngắn (<15s) trên EEG ít khi gây ra triệu chứng lâm sàng rõ rệt Các phóng điện kéo dài (15-30s) thường gây ra rối loạn nhận thức, triệu chứng khác

- Cấu trúc và hình thái sóng nhọn-sóng có thể thay đổi Trong một số cơn phức tạp (vd cơn vắng ý thức khi ngủ), có thể quan sát thấy sự tập hợp nhiều đỉnh nhọn trong phức hợp sóng nhọn-sóng, gọi là tổ hợp đa sóng nhọn

1.2.2.3 Động kinh cục bộ

* Các cơn động kinh cục bộ đơn giản

+ Các cơn động kinh cục bộ với triệu chứng vận động

- Tăng trương lực và co giật, biểu hiện trong cơn các cơ trở nên co cứng và giật thành nhịp khu trú tại một nhóm cơ, một đoạn chi hoặc một phần của cơ thể Trong loại cơn này điển hình nhất là loại cơn theo hành trình Bravais - Jackson là có thể định khu được tương đối chính xác vị trí của ổ động kinh Các phóng lực ĐK thuộc loại này xuất phát từ hồi trán lên và lan theo một hướng nhất định Trên lâm sàng thấy xuất hiện tăng trương lực, sau đó giật một phần của chi hoặc một bên đối diện với ổ ĐK sau đó dần lan ra các vùng khác của nửa người

- Cơn loạn trương lực (cơn trương lực tư thế), đôi khi khó phân biệt với các cơn tăng trương lực, nhất là khi hai loại này phối hợp với nhau, trong cơn ĐK có loạn trương lực, các cơ ít bị cứng và ít bị cố định hơn Người ta cho rằng loạn trương lực là hậu quả của rối loạn chức năng các nhân xám trung ương do xung động ĐK ở vỏ não gây ra

- Cơn quay mặt quay đầu sang bên đối diện với ổ gây động kinh, định khu của loại cơn này rất đa dạng tuỳ theo quay mắt và quay đầu có phối hợp với nhau hay không, quay nhanh hay chậm, giật hay tăng trương lực, có phối hợp với xoay người hay không? Có một số dấu hiệu gợi ý định khu ổ ĐK: quay mắt quay đầu phối hợp với các

9

triệu chứng tăng trương lực tứ chi hướng đến ổ ĐK nằm tại vùng trán sau bên Quay mắt chậm kèm giật mắt hay gặp trong tổn thương thùy chẩm Quay vẹo đầu quá mức gây xoay người có thể gặp trong ĐK thuỳ đỉnh và ngoài ra các cơn quay mắt còn có thể xuất phát ở vùng vỏ não, vận động chi phối nhãn cầu và đặc biệt vỏ não vùng trán

- Cơn xoay, thường có nguồn gốc ở thuỳ đỉnh nhưng không có giá trị định khu đặc hiệu Trong cơn người bệnh xoay xung quanh trục cơ thể, trước đó có thể có quay mắt quay đầu Vị trí ổ ĐK nằm ở vùng vỏ não tiền đình hoặc do phóng lực ĐK tại vỏ não gây rối loạn thường không đối xứng chức năng các hạch nền

- Cơn rối loạn phát âm, bệnh nhân đột ngột ngừng nói, triệu chứng này có thể thấy khi ổ ĐK nằm tại hồi trán 3 bên bán cầu ưu thế hoặc diện vận động phụ Nói lập lờ cũng như phát âm thành nhịp một nguyên âm, một từ thường do ổ ĐK thùy trán gây

ra, phát âm lảm nhảm không có ý nghĩa và thường thấy ổ ĐK phần sau hồi thái dương trên

- Hiện tượng vận động âm tính, gần đây được mô tả như một triệu chứng đặc biệt

có thể gặp trong ĐKCB Thay vì các biểu hiện tăng trương lực, giật cơ, ở các bệnh nhân này lại biểu hiện bằng các dấu hiệu thiếu sót bó tháp hoặc giảm trương lực cơ trong cơn

+ Các cơn động kinh cục bộ với triệu chứng giác quan:

Triệu chứng lâm sàng của loại này rất đa dạng, thường là ảo tưởng hoặc ảo giác đơn giản hoặc phức tạp Người bệnh thường mô tả được các hiện tượng xảy ra trong cơn ĐK giác quan có thể gặp dưới dạng các triệu chứng rối loạn cảm giác như: thị giác, thính giác, khứu giác, vị giác

+ Các cơn với triệu chứng tiền đình:

Trung tâm chi phối tiền đình nằm ở nhiều khu vực khác nhau trên vỏ não do vậy rất khó có thể định khu cụ thể ổ ĐK mỗi khi có triệu chứng trên lâm sàng Dấu hiệu người bệnh phàn nàn trước khi có cơn ĐK thường là: chóng mặt, quay cuồng, lảo đảo mặc dù đây không phải là dấu hiệu đặc biệt của phóng lực ĐK thuộc hệ tiền đình Trong cơn ĐK vùng thái dương trước trong có thể thấy cả rối loạn định hướng không gian

+ Các cơn động kinh cục bộ với triệu chứng thần kinh thực vật:

Biểu hiện của các cơn này rất đa dạng, tác động toàn bộ hệ thống dưới vỏ não

10

nên không có giá trị khu trú Có thể thấy người bệnh rét run, sởn gai ốc, cơn nóng bừng mặt, vã mồ hôi, giãn đồng tử, hồi hộp trống ngực, nhịp tim chậm hoặc nhanh, xanh tái,

ho, khó thở, các cảm giác khó chịu hệ tiêu hoá, sinh dục…

+ Các cơn động kinh cục bộ với triệu chứng tâm thần:

- Triệu chứng rối loạn tâm thần trong động kinh cục bộ (ĐKCB) biểu hiện dưới dạng rối loạn chọn lọc các chức năng cao cấp của vỏ não trong khi không có biến đổi

ý thức, với các triệu chứng biểu hiện rất đa dạng và thường được chia thành hai nhóm

- Trạng thái mê mộng trong cơn ĐK, người bệnh có cảm giác lạ lùng, không thực

về thế giới xung quanh như chiêm bao, xuất hiện thị giác các sự kiện đã xảy ra trong quá khứ, thậm chí hiện tượng này tồn tại song song với các sự kiện thực tại (tình trạng nhìn đôi tâm thần) Có thể thấy hiện tượng nhận nhầm, người bệnh có cảm giác như

đã từng trông thấy một người, một vật mà trên thực tế chưa gặp bao giờ (hiện tượng

đã thấy) hoặc đứng trước một người quen hoặc một sự kiện đã biết lại như chưa từng biết bao giờ (hiện tượng chưa bao giờ thấy), loại triệu chứng này được cho là có liên quan đến vùng thái dương

- Rối loạn cảm xúc, hoạt động bản năng triệu chứng hay gặp là lo âu, sợ sệt hoặc hoảng hốt, kích động, nổi cáu, thậm chí hung hãn, khí sắc trầm hoặc cảm xúc bị ức chế Hiếm hơn có thể có biểu hiện hưng cảm (vui vẻ, cảm giác sung sướng, hưng phấn tình dục) Bệnh nhân có thể cười khóc hoặc phối hợp cả 2 triệu chứng

ổ ĐK ở đâu Động tác tự động hay xảy ra khi ổ ĐK nằm ở vùng thái dương, tuy nhiên cũng có thể gặp cả ổ ĐK thuỳ trán và các thuỳ khác

+ Các cơn động kinh cục bộ với triệu chứng biến đổi ý thức:

Đánh giá ý thức trong cơn ĐK dựa trên đánh giá chất lượng đáp ứng đối với kích

11

thích từ môi trường, khả năng nhớ được các hiện tượng, sự kiện bên trong và bên ngoài xảy ra trong cơn ĐK Đánh giá ý thức khá khó khăn đối với trẻ nhỏ khi cơn xảy ra ngắn, điều cần lưu ý là không dùng thuật ngữ "cơn vắng ý thức" (thể vắng ý thức của ĐKTT) để mô tả trạng thái này

+ Động kinh cục bộ lành tính (ĐK kịch phát Rolando):

Bệnh hay gặp ở trẻ nhỏ từ 3-13 tuổi, nữ nhiều hơn nam - tiên lượng tốt và bệnh khỏi ở lứa tuổi trưởng thành Các cơn ĐK như: cơn co giật, cơn vận động thân thể, cơn tăng trương lực, co giật xảy ra ở nửa mặt hoặc vùng miệng - thanh quản - khí quản là các dấu hiệu hay gặp liên quan rõ ràng với giấc ngủ và biểu hiện dưới dạng khó nói nhưng không mất ý thức Cơn co giật có thể lan đến chi trên cùng bên hoặc toàn bộ hoá thứ phát, có thể gặp cả rối loạn cảm giác thân thể, dưới dạng tê nửa người cùng bên với co giật

+ Hội chứng Kojewnikow:

Hội chứng này còn gọi là ĐKCB liên tục và thường gặp dưới 2 dạng khác nhau:

- Hội chứng Kojewnikow type 1:

Hay gặp ở trẻ em hơn người lớn, và tiến triển rất nặng, bệnh thường xảy ra sau một bệnh lý gây ĐK (khối u, bệnh mạch máu, viêm nhiễm hoặc sau chấn thương) vùng

vỏ não vận động Rolando Biểu hiện lâm sàng là các cơn giật từng nhóm cơ xảy ra liên tiếp, dai dẳng tại một vị trí của cơ thể

- Hội chứng Kojewnikow type 2:

Đây là bệnh tiến triển xấu gặp ở trẻ nhỏ, bên cạnh ĐKCB liên tục giai đoạn khởi đầu của bệnh còn có các thể ĐKCB khác ở giai đoạn sau, có thể liệt nửa người, động tác bất thường và rối loạn chức năng hoạt động cao cấp

+ Các loại động kinh thuỳ:

- Triệu chứng lâm sàng của ĐKCB rất đa dạng, phụ thuộc vào chức năng của thuỳ não chứa ổ kích thích gây lên cơn ĐK Các triệu chứng đầu tiên của cơn ĐK là những dấu hiệu lâm sàng hết sức quan trọng chỉ điểm vị trí của các ổ phóng lực trên não, cần phải khai thác kỹ triệu chứng, vị trí khởi đầu của cơn phối hợp với ghi ĐNĐ đặc biệt là ĐNĐ video để khu trú vị trí tổn thương

- Động kinh thuỳ thái dương là loại thường gặp nhất trong nhóm ĐK thuỳ, các cơn ĐK này thường khởi đầu ở lứa tuổi thiếu nhi, tuổi vị thành niên hoặc người trẻ

12

tuổi Trong tiền sử những bệnh nhân này thường có sốt cao, co giật hoặc nhiều bệnh nhân có tiền sử gia đình, biểu hiện lâm sàng là các cơn cục bộ đơn giản phối hợp với các cơn cục bộ phức tạp, kéo dài từ 1 đến 2 phút, hiếm gặp toàn bộ hoá

- Động kinh thùy trán, biểu hiện lâm sàng đa dạng có thể là các cơn cục bộ đơn giản, cục bộ phức tạp hay cục bộ toàn thể hoá Cơn ĐK thuỳ trán xảy ra với tần số khá dày nhưng thời gian mỗi cơn lại thường ngắn và có xu hướng xảy ra nhiều về đêm Cơn có thể tiến triển tới toàn bộ hoá rất nhanh với các biểu hiện nổi bật là rối loạn trương lực cơ và tư thế

- Động kinh thuỳ chẩm, biểu hiện lâm sàng là các cơn ĐKCB đơn giản với các triệu chứng liên quan đến thị giác Các hình thái lâm sàng ĐK thuỳ chẩm thường là các hiện tượng đơn lẻ về thị giác như các vật sáng, tia chớp, điểm tối, khuyết một phần thị trường hay mù thoáng qua, có thể gặp các ảo giác thị giác, thấy hiện tượng dị hình phức tạp với màu sắc rực rỡ

- Động kinh thùy đỉnh, loại cơn này thường hiếm gặp hơn các loại cơn ĐK thùy khác, biểu hiện lâm sàng là các cơn ĐKCB đơn giản với triệu chứng cảm giác hoặc giác quan như cảm giác tê cóng, bỏng buốt, ngứa, cảm giác như điện giật hoặc các dị cảm khó chịu khác đột ngột xuất hiện ở một vùng cơ thể

- Động kinh vùng trung tâm, bao gồm các ổ ĐK nằm tại diện vỏ não xung quanh rãnh Rolando, với biểu hiện lâm sàng là các triệu chứng vận động (co giật) hoặc rối loạn cảm giác nửa người đối diện

+ Động kinh cơn bé (cơn vắng ý thức và các cơn co giật khác)

Động kinh cơn bé hay còn gọi là cơn vắng ý thức (cơn vắng): là các cơn động kinh có thời khoảng ngắn, đặc trưng bằng biến đổi ý thức

Các cơn động kinh vắng ý thức thường kéo theo sự xuất hiện các hoạt động điện gai-sóng siêu đồng bộ biên độ lớn trên điện não đồ (EEG) như trên hình 1.7 dưới đây

13

Hình 1 4 Tín hiệu EEG động kinh cơn vắng ý thức

Cơn vắng điển hình có điện não đồ trong cơn khởi đầu và kết thúc đột ngột cả hai bán cầu, đồng bộ và đối xứng dưới dạng các ngọn-sóng, tần số trên hoặc bằng 3Hz (thường từ 3-4,5Hz) và thường kéo dài dưới 15s[78] Các phức hợp này xảy ra điều hòa, biên độ lớn, trên một hoạt động nền bình thường và trên lâm sàng có biểu hiện mất ý thức

+ Cơn vắng ý thức:

- Cơn vắng ý thức điển hình là những cơn ngắn khởi đầu và kết thúc đột ngột với rối loạn ý thức có hoặc không kèm theo các triệu chứng khác, thường xảy ra ở trẻ nhỏ, cơn kéo dài vài ba giây đến 1 phút

- Cơn vắng ý thức không điển hình là dạng cơn thường gặp nhiều ở trẻ chậm phát triển tâm thần, khởi phát và kết thúc cơn kém đột ngột hơn Cơn thường có sự phối hợp nhiều hơn giữa vắng ý thức với các dạng cơn khác và thường dài hơn các cơn vắng ý thức điển hình

- Động kinh vắng ý thức ở trẻ em là một dạng hay gặp của động kinh toàn thể (ĐKTT) nguyên phát xảy ra ở trẻ bình thường trong lứa tuổi học đường trong đó tỷ lệ cao của bệnh nằm ở khoảng 7 tuổi, trẻ gái hay gặp hơn trẻ trai Các cơn vắng ý thức điển hình rất hay xảy ra, dễ hoạt hoá bằng thở sâu và có nhiều thể khác nhau: Các cơn vắng

- Động kinh vắng ý thức ở lứa tuổi thanh thiếu niên thường khởi phát muộn hơn

so với ĐK vắng ý thức ở trẻ em, phần lớn xuất hiện vào lứa tuổi dậy thì, các cơn vắng ý thức thường hiếm gặp hơn rất nhiều, tần suất rất thấp và hay xảy ra thành từng đợt vào buổi sáng khi thức giấc Các cơn ĐKTT tăng trương lực - co giật kết hợp với các cơn vắng ý thức chiếm 80% các trường hợp

+ Cơn giật cơ:

Biểu hiện là các cơn giật cơ, chủ yếu ở các cơ lớn và cơ gấp ở 2 bên cơ thể có thể thành nhịp hoặc không thành nhịp, giật cơ mạnh hoặc nhẹ Cơn xảy ra thường ngắn đôi khi không mất ý thức

+ Cơn co giật:

Cơn này thường xuất hiện ở trẻ nhỏ, đôi khi trong bệnh cảnh sốt cao co giật Các cơn giật này thường xuất hiện dưới dạng các động tác giật cả 2 bên đôi khi không đối xứng Tần số các cơn giật này giảm dần, thời gian giật không cố định, kèm theo có biến đổi ý thức, ý thức mù mờ sau cơn

+ Cơn co cứng:

Biểu hiện bằng co cứng liên tục các cơ 2 bên cơ thể với khởi đầu có thể đột ngột hoặc từ từ, thời gian của cơn kéo dài từ 10 giây đến 1 phút, thường kết hợp với rối loạn

ý thức và rối loạn thần kinh thực vật

+ Cơn co cứng - co giật (ĐK cơn lớn):

Động kinh cơn lớn xảy ra đột ngột ở bất kỳ chỗ nào, thời gian nào, hoàn cảnh nào

và kèm theo mất ý thức hoàn toàn Đặc trưng bằng các triệu chứng lâm sàng xảy ra ở cả hai bên cơ thể và biến đổi điện não thể hiện ở cả hai bên bán cầu não

+ Cơn mất trương lực:

Biểu hiện bằng giảm hoặc mất trương lực tư thế đột ngột của các cơ gây sụp đổ toàn thân, kéo dài một vài giây, đôi khi một vài phút, trong cơn mất ý thức Cơn mất

từ 3 đến 7 tháng và luôn luôn trước 1 tuổi, 50-70% bệnh bắt đầu từ 3-7 tháng, 85% ở trẻ dưới 1 tuổi, 93% ở trẻ em dưới 2 tuổi Bệnh xuất hiện trước 1 tuổi nhưng nhiều trẻ đến khám và được điều trị muộn, từ 1 đến 2 tuổi 8,5%; từ 2 đến 3 tuổi 14,8%

+ Hội chứng Lennox – Gastaut:

Đây là một trong những hội chứng ĐK nặng nhất ở trẻ nhỏ, đặc trưng lâm sàng

là sự kết hợp của các cơn tăng trương lực, các cơn mất trương lực và các cơn vắng ý thức không điển hình với xu hướng của bệnh tiến triển nặng và kháng với điều trị, thường kết hợp với sự thoái triển của trí tuệ và các rối loạn nhân cách

+ Hội chứng động kinh giật cơ - mất đứng:

Khởi phát bệnh trong khoảng từ 6 tháng đến 6 tuổi và hay gặp ở trẻ trai Đặc điểm của các cơn ĐK của hội chứng này là các biểu hiện giật cơ- mất đứng Cơn ĐK này có thể kèm các cơn vắng ý thức ngắn với co cứng hoặc co giật và các cơn tăng trương lực

- co giật Các cơn ĐK tăng trương lực đơn thuần thường xuất hiện muộn và chỉ xuất hiện ở các trường hợp nặng

1.3 Tổng quan về phương pháp phân tích tín hiệu điện não

Ngành Kỹ thuật Y Sinh (Biomedical engineering) kết hợp với các ngành điện

tử-tự động hóa, công nghệ phần mềm, tích hợp khoa học kỹ thuật với sinh học, y học và lâm sàng, nhằm tạo ra các công cụ và thiết bị phục vụ cải thiện sức khỏe con người [4] Một trong nhiều lĩnh vực chính của kỹ thuật Y Sinh đó chính là lĩnh vực xử lý tín hiệu y- sinh (Biosignal processing)

Xử lý tín hiệu y sinh nhằm áp dụng các phương pháp xử lý tín hiệu trong lĩnh vực kỹ thuật điện tử để xử lý các loại tín hiệu y sinh nhằm lấy được thông tin, thông số cần thiết để trợ giúp các nhà chuyên môn y tế trong chẩn đoán và điều trị người bệnh [2,6]

16

Động kinh là một rối loạn chức năng não bộ khá phổ biến ở Việt Nam Một thống

kê gần đây cho khu vực miền Bắc chỉ ra rằng tỉ lệ mắc bệnh động kinh là 0,44% [1] Tuy nhiên việc sử dụng các bản ghi EEG trong chẩn đoán và điều trị bệnh động kinh vẫn còn ở giai đoạn sơ khai do một số lí do sau:

Sự khan hiếm của các bác sĩ thần kinh có kinh nghiệm để có thể đưa ra các phân tích chất lượng cao dựa trên thông tin EEG,

Hầu hết các bác sĩ chuyên khoa hiện nay vẫn phân tích và chẩn đoán động kinh

từ số liệu đo thô trực tiếp từ máy điện não mà không qua công đoạn xử lý tinh vi

Quy trình đo tín hiệu điện não không đáp ứng hoàn toàn chuẩn quốc tế thông thường (thời gian ghi điện não tối thiểu là 20 phút trong khi chúng ta hầu hết chỉ đo 10 phút do quá tải bệnh nhân mà nguồn lực không đáp ứng kịp)

Theo [1,3], Động kinh được định nghĩa là một rối loạn não mãn tính được đặc trưng bởi sự xuất hiện xung động kinh lặp đi lặp lại nhiều lần Xung động kinh là kết quả của sự phóng điện bất thường, đồng bộ và quá mức của các nơ-ron thần kinh trong não bộ Đặc trưng của động kinh được biểu hiện là các cơn co giật, mất ý thức tạm thời

Đã có nhiều phương pháp nghiên cứu và phân tích tín hiệu EEG nhằm tìm ra những thay đổi bệnh lý (những bất thường trong tín hiệu) về thần kinh nói chung và về bệnh động kinh nói riêng Nhiều phương pháp đã được ứng dụng trong lâm sàng nhưng hiệu quả còn có những hạn chế Hiện tại các nhà khoa học vẫn chủ yếu dùng các phương pháp tuyến tính như: phương pháp phân tích tần số - thời gian, các phương pháp phân tích thống kê [1] Phương pháp hiệu quả hơn cả vẫn là đánh giá bằng quan sát hình ảnh tín hiệu EEG Khi ấy ngay cả các bác sĩ giàu kinh nghiệm vẫn có những nhận định trái chiều nhau khi xem trên cùng một tín hiệu EEG là nhiễu hay đấy là các dị thường Thậm chí còn chưa thống nhất được phương thức xác định một cơn động kinh thế nào, đâu là khởi đầu của cơn và đâu là điểm kết thúc [1,2,3] Tất cả những điều này dẫn đến ý tưởng

là dùng một đại lượng đặc trưng nào đó để đánh giá điện não đồ EEG Tín hiệu điện não

đồ mô tả hành vi của một hệ động học phức tạp, đặc thù hoạt động của nó là hỗn loạn nên việc dùng các phương pháp tuyến tính sẽ cho hiệu quả thấp

Babloyantz A và Destexhe A là những người đầu tiên thực hiện nghiên cứu phi tuyến các cơn động kinh vắng ý thức [12] Mức độ tương quan của các cơn này thấp hơn đáng kể so với điện não đồ bình thường ở trạng thái tỉnh táo Điều đó chứng tỏ rằng các

17

cơn động kinh là hệ quả của “suy tổn phức tạp” bệnh lý Sự suy giảm độ đo số mũ Lyapunov cực đại trong cơn động kinh được Iasemidis LD và các cộng sự mô tả trong các công trình nghiên cứu của mình [12] là phù hợp với quan niệm trên Frank GW cũng phân tích điện não đồ EEG của các cơn vắng ý thức

Hiện nay đã có nhiều kết quả nghiên cứu khía cạnh các cơn động kinh phản ánh hoạt động của não [1] Các nghiên cứu này cũng chỉ ra mối liên hệ phi tuyến giữa các kênh điện não

Mối quan hệ phi tuyến giữa não và tín hiệu điện não, nếu được định lượng sẽ giúp cho đánh giá chính xác về trạng thái của não Philippe và Henri phát hiện ra rằng chứng tâm thần phân liệt, mất ngủ, động kinh và một vài rối loạn khác có thể nhận biết thông qua nghiên cứu diễn tiến hỗn loạn của các nơ-ron [13] Pritchard và Duke đã đề xuất dùng kỹ thuật phi tuyến để phân tích điện não đồ khi ngủ [14] Lehnertz và Elger phát hiện ra rằng việc phân tích các đặc trưng phi tuyến tín hiệu ghi được từ các vùng gây ra động kinh của não cho phép tìm ra những khác biệt trong các chỉ số trong vòng vài phút trước khi xuất hiện cơn [15] Martinerie và các cộng sự tiến hành phân tích kích thước không gian EEG và đi đến kết luận rằng các cơn động kinh chính là các trạng thái

có kích thước không gian EEG nhỏ hơn so với các trạng thái bình thường và chỉ ra rằng hoàn toàn có thể dự báo cơn [16] Jing và Takigawa dùng kích thước tương quan của tín hiệu EEG để nghiên cứu các trạng thái thần kinh khác nhau khi động kinh [17]

Các nghiên cứu áp dụng công nghệ mà cụ thể là xử lý tín hiệu điện não cho động kinh: Đề tài TS Nguyễn Thị Anh Đào sử dụng các đặc trưng hình thái gai sóng để phát hiện các gai động kinh với độ chính xác 88.5%[2]

Sử dụng phần mềm của nước ngoài để xử lý tín hiệu điện não, nhận biết gai động kinh chưa phổ biến do giá thành cao Do đó, để hỗ trợ các bác sĩ cải thiện chất lượng và chẩn đoán bệnh động kinh là một trong những vấn đề cấp thiết đối với các nhà khoa học

xử lý tín hiệu điện não ở Việt Nam

Kết luận chương 1

Chương 1 đề tài trình bày tổng quan tình hình nghiên cứu trong và ngoài nước đối với vấn đề nhận biết các cơn động kinh trên các bản ghi EEG, tính cấp thiết và ý nghĩa khoa học của đề tài nghiên cứu Nội dung nhấn mạnh vai trò của điện não đồ (EEG) là một công cụ quan trọng trong việc theo dõi và đánh giá bệnh nhân động kinh

18

Kỹ thuật này cho phép ghi lại các hoạt động điện của não bộ, bao gồm cả những xung đột bất thường xảy ra trong cơn co giật Trong cơn động kinh, não sẽ sinh ra các nhịp xung điện dồn dập, không bình thường EEG có thể ghi nhận chính xác các mẫu hoạt động này Bằng cách phân tích các thay đổi trên sóng EEG, các bác sĩ có thể xác định

vị trí phát sinh cơn co giật trong não và dạng động kinh cụ thể ở người bệnh

Ngoài ra, theo dõi EEG định kỳ cho phép bác sĩ đánh giá hiệu quả của phác đồ điều trị, cũng như phát hiện sớm cơn động kinh âm ỷ Việc nắm bắt, xử lý các dữ liệu EEG thu được ngày càng trở nên dễ dàng và chính xác hơn nhờ sự hỗ trợ của công nghệ

và thuật toán thông minh, đặc điểm tín hiệu điện não đồ trong và ngoài cơn động kinh đồng thời nêu ra các phương pháp phân tích tín hiệu điện não đồ cơ bản để tìm các đặc trưng của tín hiệu điện não nhằm mục đích phát hiện cơn động kinh Trong chương này

đề tài cũng giới thiệu các cơ sở dữ liệu bản ghi tín hiệu EEG được sử dụng để nghiên cứu cho toàn bộ đề tài

19

CHƯƠNG 2

BỘ LỌC GAUSS VÀ PHÂN CỤM MỜ 2.1 Bộ lọc Gauss

Trong kỹ thuật tính toán, hàm phân phối xác suất của phân phối chuẩn tập trung quanh giá trị µ và được mô tả như sau:

2 2

2 2

1 ( )

2

x X

µ σ

f X (x): Hàm phân phối xác suất µ: Kỳ vọng

2

 : Phương sai

Hình 2.1 dưới đây minh họa cho trường hợp µ=0 và µ=1

Hình 2 1 Mô tả phân phối Gauss với các giá trị µ khác nhau

Qua hình 2.1 nhận thấy rằng: Nếu đặt 𝜇𝜇1 = 0 và sử dụng công thức (2.1) như là (x < μ₁ - 3) và (x > μ₁ + 3) nằm xa điểm không sẽ bị triệt tiêu

20

Tương tự, nếu ta đặt 𝜇𝜇2 = 1 các giá trị x nằm xa điểm x=1, có nghĩa là (x < μ₂

- 3) và (x > μ2 + 3) sẽ bị triệt tiêu Chỉ có các giá trị x nằm xung quanh x=1 được giữ lại, có nghĩa là 𝑓𝑓𝑥𝑥(𝑋𝑋) = 1

Hình 2 2 Mô tả tác dụng của hàm Gauss đối với điện não đồ có gai động kinh Điện não đồ có gai động kinh (hình trên) được lọc bởi hàm Gauss với các giá trị

µ là ±500, ±600, ±700, ±800, ±900, ±1000, chính là biên độ của đỉnh các gai động kinh Có nghĩa là sau lọc, chỉ có đỉnh của các gai động kinh (nếu có) sẽ được giữ lại, các giá trị khác sẽ bị triệt tiêu như hình 2.3 dưới bộ lọc, theo góc độ toán học, các giá trị dưới đây

1

Việc thu nhận tín hiệu điện não để chẩn đoán bệnh động kinh đòi hỏi nhiều thời gian cho quan sát được sự khác biệt của các gai động kinh so với các thành phần điện não bình thường

Do đó, việc phát triển phần mềm tự động thu nhận, nhận dạng, phát hiện sự tồn tại của gai động kinh trong tín hiệu điện não là động lực để nghiên cứu các phương pháp mới góp phần cải thiện độ tin cậy, độ chính xác cho các phần mềm chuyên dụng đó Trong số các phương pháp phát hiện gai động kinh Các kết quả chính của các hướng tiếp cận được mô tả trong bảng 2.1

Bảng 2.1 Tóm tắt các phương pháp phát hiện gai động kinh

T

T

Phương pháp phát hiện gai động kinh Tác giả

1 Abdulhamit Subasi [7] Machine (SVM) Support Vector Priciple Component Wavelet Transform

Analysis

2010

2 A R

Naghsh- Nilchi [7]

eigen-system spectral estimation ANN 2010

3 Altunay [7] linear prediction

error energy Thresholding function 2010

5 Wang [8] K- Nearest

Neiborhoods KNN

Wavelet Transform Shanon Entropy 2011

6 Iscan [7] SVM, Decision

tree Cross Correlation 2011

7 Martinez-

Vargas [7] Thresholding function Time- frequency analysis 2011

8 Orhan [8] KNN, ANN Wavelet Transform 2011

22

Để độ chính xác vượt qua 98% cho nhận dạng gai động kinh, ta phải giải quyết được vấn đề phân tách các mẫu nằm trong vùng xám giữa các ca có gai và không có gai động kinh trong tín hiệu điện não

Theo [1,2] chuỗi gai động kinh được xác định dựa trên đặc điểm:

- Biên độ sóng có biến động vượt qua ngưỡng 300

- Chuỗi biến động kéo dài lâu hơn 3 giây

Trên thực tế, vì lý do nhiễu bên ngoài và trong thiết bị thu nhận, gây ra hiện tượng:

- Bên trong chuỗi sóng động kinh cũng có những điểm có biên độ nhỏ hơn 300

- Xuất hiện điểm đột biến, có biên độ lớn hơn 300 trên những mẫu không có gai động kinh

Tuy chiếm tỷ lệ rất nhỏ nhưng những trường hợp nằm trong vùng xám gây ra sai

số fail positive và fail negative

Do đó, tại chương 3 của luận văn sẽ đề xuất giải pháp dựa trên tiếp cận Fuzzy logic

để phân loại các mẫu điện não đồ thuộc diện nằm trong vùng xám

Hiện nay, để thực hiện nhận dạng chính xác gai động kinh, điện não đồ phải được

xử lý tách các đặc trưng sao cho đồng thời thỏa mãn:

- Tất cả các giá trị suy giảm về không ngoại trừ các gai động kinh

- Không làm méo, suy giảm các gai kép

Cho đến gần đây, bài toán tách các đặc trưng thông qua lọc lấy đỉnh của các đột biến như là gai nhọn đều dựa trên phép tính xấp xỉ đạo hàm do S Mallat đề xuất từ năm

1993 Nếu áp dụng phương pháp tách đặc trưng dựa trên nền tảng của phép tính đạo hàm, những gai động kinh kép sẽ có khả năng bị nhận dạng sai

Sau đây nguyên nhân gây ra nhận dạng sai đối với gai động kinh kép sẽ được mô

tả như sau

23

Hình 2 4 Mô tả một đỉnh (gai) và kết quả tương ứng khi tính đạo hàm bậc 1

Mỗi gai sẽ tương ứng với cặp Cực đại – Cực tiểu cục bộ sau phép tính đạo hàm [4] Đỉnh gai sẽ tương ứng với điểm qua không (zero crossing)

Nếu gai động kinh là gai kép, kết quả tính đạo hàm được mô tả trong hình 2.6 sau đây

Hình 2 5 Mô tả một gai kép và kết quả tương ứng khi tính đạo hàm bậc 1

Phép tính đạo hàm sẽ làm triệt tiêu những đỉnh bằng phẳng, do đạo hàm của hằng

số bằng không Hàm Gauss có khả năng giữ nguyên đỉnh bằng phẳng của gai kép Hàm Gauss được chúng tôi thực hiện trên nền Matlab như sau:

function [ y ] = loc_mo(x,mu,sigma)

for k=1:length(x)

y(k)=x(k)*exp(-(x(k) - mu)^2/(2*sig)); end;

Phân cụm mờ là một phương pháp phân cụm dữ liệu trong đó mỗi điểm dữ liệu

có thể thuộc một hoặc nhiều nhóm với mức độ "mờ" (fuzzy) thay vì chỉ thuộc duy nhất một nhóm như trong phân cụm cứng Phương pháp này được phát triển để xử lý tình huống mà sự phân loại rõ ràng và định rõ không thể áp dụng hoặc phù hợp

Phân cụm mờ có ứng dụng trong nhiều lĩnh vực như xử lý ảnh, thị giác máy tính, khai thác dữ liệu, điều khiển và quản lý Việc sử dụng phân cụm mờ giúp xử lý dữ liệu không rõ ràng và giảm thiểu tác động của nhiễu trong quá trình phân cụm

Fuzzy c-means (FCM) tương tự như k-means là thuật toán phân chia tập dữ liệu ban đầu thành c cụm Tuy nhiên FCM cho phép mỗi điểm dữ liệu có thể thuộc về nhiều cụm với mức độ phụ thuộc nhất định, trong khi k-means mỗi điểm dữ liệu chỉ thuộc duy nhất về 1 cụm

FCM sử dụng hệ số phụ thuộc mờ u ik để biểu diễn mức độ phụ thuộc của điểm

dữ liệu thứ i vào trung tâm cụm thứ k Hệ số này có giá trị trong khoảng [0, 1]

Mục tiêu của FCM là tối ưu hóa các trung tâm cụm và hệ số phụ thuộc uik sao cho tổng khoảng cách mờ giữa các điểm dữ liệu và trung tâm cụm được tối thiểu hóa

Như vậy có thể thấy FCM mở rộng ý tưởng của k-means để xử lý tốt hơn các trường hợp phân cụm khó, khi mà ranh giới giữa các cụm không hoàn toàn rõ ràng, Hàm mục tiêu sau đây được tối thiểu hóa để thu được các cụm tốt:

Trong đó m là một số thực tùy ý lớn hơn 1, xi là dữ liệu thứ i, cj là trung tâm của cụm thứ j, uij là độ thuộc của xi trong cụm j, và ||*|| là một chuẩn để biểu thị độ tương

tự giữa một điểm dữ liệu và trung tâm cụm Khoảng cách Euclide thường được sử dụng

để tính toán chuẩn này FCM sử dụng một quá trình lặp để tối thiểu hóa hàm mục tiêu

Dưới đây là một số khái niệm và lý thuyết cơ bản liên quan đến phân cụm mờ:

Hàm phân cụm mờ (Fuzzy Clustering Function): Đây là một hàm xác định mức

độ thuộc về của mỗi điểm dữ liệu vào từng nhóm Thay vì gán mỗi điểm dữ liệu vào một nhóm cụ thể, hàm phân cụm mờ sẽ gán một giá trị mờ trong khoảng từ 0 đến 1 cho mỗi điểm, biểu thị mức độ thuộc về của điểm đó vào từng nhóm

Hàm thành viên (Membership Function): Đây là hàm mô tả mức độ thuộc về của

mỗi điểm dữ liệu vào từng nhóm Hàm thành viên thường là một hàm số có giá trị từ 0 đến 1, cho biết mức độ mà điểm dữ liệu thuộc về nhóm tương ứng

Ma trận thành viên (Membership Matrix): Đây là một ma trận trong đó mỗi hàng

biểu thị một điểm dữ liệu và mỗi cột biểu thị một nhóm Giá trị trong ma trận cho biết mức độ thuộc về của mỗi điểm đến từng nhóm

Trung tâm cụm mờ (Fuzzy Cluster Centers): Trung tâm cụm trong phân cụm mờ

không chỉ là một điểm duy nhất mà là một vector của giá trị mờ cho mỗi biểu diễn của thuộc tính

Hàm mục tiêu (Objective Function): Hàm này đo lường mức độ tốt của việc phân

cụm Mục tiêu là tối ưu hóa hàm mục tiêu để đạt được sự phân cụm tốt nhất

Thuật toán phân cụm mờ: Một số phương pháp phân cụm mờ phổ biến bao

gồm Fuzzy Means (FCM), Fuzzy Gustafson-Kessel (FGK), và Fuzzy Possibilistic Means (FPCM)

C-2.3.2 Phương pháp phân cụm mờ

Một số phương pháp phân cụm mờ phổ biến được sử dụng để thực hiện việc phân cụm mờ trên dữ liệu Các phương pháp dưới đây chỉ là một số ví dụ trong nhiều phương

26

pháp phân cụm mờ có sẵn Sự lựa chọn của phương pháp cụ thể phụ thuộc vào loại dữ liệu, mục tiêu phân cụm và yêu cầu cụ thể của vấn đề mà bạn đang đối diện

Dưới đây là một số trong những phương pháp này:

Fuzzy C-Means (FCM): Đây là một trong những phương pháp phân cụm mờ phổ

biến nhất Nó là một biến thể của thuật toán K-Means trong phân cụm cứng Trong FCM, mỗi điểm dữ liệu thuộc một hoặc nhiều cụm với mức độ "mờ" Thuật toán tối ưu hóa hàm mục tiêu để cập nhật các trung tâm cụm và ma trận thành viên, đảm bảo tính mờ và

sự tối ưu của phân cụm

Fuzzy Gustafson-Kessel (FGK): Đây là một biến thể của FCM, trong đó trọng số

được tính dựa trên ma trận hiệp phương sai và ma trận trung bình FGK giúp điều chỉnh mức độ ảnh hưởng của từng thuộc tính trong việc tính toán khoảng cách và độ tương tự giữa các điểm dữ liệu

Fuzzy Possibilistic C-Means (FPCM): FPCM là sự kết hợp giữa phân cụm mờ

và lý thuyết xác suất Nó sử dụng hàm thành viên để xác định mức độ thuộc về, và cũng

sử dụng hàm phi thành viên để đo lường mức độ không chắc chắn về việc một điểm dữ liệu thuộc một cụm nhất định

Fuzzy Meanshift Clustering: Đây là một biến thể của thuật toán Mean Shift, trong

đó mức độ mờ được tích hợp vào quá trình tìm kiếm trung tâm cụm Thuật toán này cho phép các điểm dữ liệu thuộc nhiều cụm với các mức độ mờ khác nhau

Fuzzy Subtractive Clustering: Phương pháp này dựa trên việc loại bỏ các điểm

dữ liệu có mật độ thấp, tạo ra các "điểm trung tâm" dựa trên mật độ và sau đó phân cụm các điểm dữ liệu vào các cụm xung quanh các điểm trung tâm

Kernel Fuzzy C-Means: Biến thể của FCM sử dụng hàm nhân (kernel) để đo lường

sự tương tự giữa các điểm dữ liệu Điều này giúp xử lý dữ liệu không tuyến tính và tăng cường khả năng phân cụm

2.3.3 Ưu điểm của phân cụm mờ

Mô hình hóa tốt các dữ liệu không có ranh giới rõ ràng giữa các cụm, cho phép điểm dữ liệu thuộc về nhiều cụm với mức độ khác nhau

Xử lý tốt dữ liệu nhiễu và dữ liệu bị lỗi do cho phép một điểm có thể thuộc với các mức độ mờ khác nhau vào nhiều cụm

2.3.4 Nhược điểm của phân cụm mờ

Tốn thời gian tính toán do phải tính toán lặp đi lặp lại để cập nhật các tham số: Phân cụm mờ yêu cầu nhiều phép tính toán hơn so với phân cụm truyền thống do phải cập nhật lặp đi lặp lại các tham số như mức độ thuộc, trung tâm cụm cho đến khi đạt tiêu chuẩn dừng Điều này khiến cho thời gian thực hiện phân cụm mờ thường lâu hơn

so với các phương pháp khác

Khó xác định số lượng cụm tối ưu: Giống các thuật toán phân cụm không giám sát khác, việc xác định số lượng cụm phù hợp cho fuzzy clustering là thách thức và đòi hỏi phải kiểm tra nhiều lần với các giá trị khác nhau để đánh giá hiệu quả

Kết quả phụ thuộc vào các tham số đầu vào: Các tham số khởi tạo như mức độ mờ,

ma trận khoảng cách ban đầu có ảnh hưởng lớn tới kết quả của thuật toán fuzzy c-means

và các biến thể của nó

2.4 Matlab

MATLAB (viết tắt của Matrix Laboratory) là một môi trường tính toán kỹ thuật

số và ngôn ngữ lập trình, với hàng loạt các tính năng vượt trội phục vụ cho việc xử lý

dữ liệu, tính toán ma trận, mô phỏng hệ thống và thiết kế các giải thuật

Ngôn ngữ MATLAB được xây dựng dựa trên nền tảng toán học ma trận, với cú pháp gần gũi với cách ký hiệu toán học thông thường Vì vậy nó rất thích hợp cho việc biểu diễn các thuật toán ở dạng mã giả Chính sự đơn giản, trực quan và dễ tiếp cận này đã giúp MATLAB trở thành "ngôn ngữ kỹ thuật" phổ biến nhất giới học thuật và công nghiệp

Với hàng nghìn các hàm và toolbox chuyên dụng, MATLAB cung cấp giải pháp tối ưu cho nhiều lĩnh vực ứng dụng công nghệ cao như: điện tử viễn thông, điều khiển

tự động, xử lý tín hiệu, hình ảnh, trí tuệ nhân tạo và máy học, Đặc biệt, khả năng thực thi mô phỏng có tính tương tác giúp người dùng dễ dàng kiểm tra và hiệu chỉnh

28

các giải thuật, rút ngắn đáng kể thời gian phát triển sản phẩm

Dưới đây là một số đặc điểm nổi bật của MATLAB:

- MATLAB được thiết kế chuyên biệt cho việc tính toán ma trận, xử lý tín hiệu

kỹ thuật số và vẽ đồ thị Cú pháp ngôn ngữ gần với cách viết toán học thông thường

- MATLAB hỗ trợ nhiều cấu trúc dữ liệu cơ bản như ma trận, mảng đa chiều, data set, và các hàm xử lý chuyên biệt cho từng loại dữ liệu

- Bao gồm nhiều thư viện (toolbox), hàm dành cho nhiều lĩnh vực ứng dụng như

xử lý tín hiệu, hình ảnh, điều khiển tự động, trí tuệ nhân tạo, tài chính,

- Hỗ trợ việc mô phỏng, thiết kế các thuật toán, chạy thử nghiệm ảo trước khi triển khai thực tế

- Giao diện đồ họa tương tác, trực quan với khả năng vẽ các đồ thị chất lượng cao

Hình 2 6 Phần mềm Matlab

Kết luận chương 2

Chương 2 đề tài đã trình bày tổng quan về cách tiếp cận bài toán bài toán nhận dạng gai động kinh thông qua bài toán lọc các điểm bất thường và bài toán phân cụm Tiếp theo đề xuất áp dụng bộ lọc Gauss để lọc tách các điểm bất thường trên tín hiệu điện não Kết quả của bước lọc, tách có thể có cả gai động kinh và các bất thường khác Tiếp theo, bước phân biệt các bất thường hoặc gai động kinh sẽ được thực hiện thông qua bộ phân cụm mờ

29

CHƯƠNG 3 ÁP DỤNG BỘ LỌC GAUSS VÀ PHÂN CỤM MỜ

CHO BÀI TOÁN PHÁT HIỆN GAI ĐỘNG KINH 3.1 Giới thiệu mô hình

Trong phạm vi đề tài, tôi đề xuất các bước kết ứng dụng hàm Gauss với phân

cụm mờ giải quyết bài toán phát hiện gai động kinh được mô tả trong hình 3.1 sau đây:

Hình 3 1 Sơ đồ mô tả các bước kết hợp ứng dụng hàm Gauss với phân cụm mờ để

phát hiện gai động kinh Trong đó, những khối chức năng được mô tả như sau:

Bước Tiền xử lý: Chuẩn hóa dữ liệu về nền, biên độ, thời gian cắt mẫu sao cho

bước nhận dạng không bị âm tính giả (fail negative)

Bước Tách đặc trưng bằng hàm Gauss: Thực hiện lọc thông qua thực hiện

tính công thức (2.1) trên tín hiệu điện não và được mô tả như sau:

Trường hợp tín hiệu điện não không có gai động kinh, kết quả sau lọc được đối sánh với tín hiệu gốc trong hình 3.2

TIỀN XỬ LÝ

PHÂN CỤM MỜ

TÁCH ĐẶC TRƯNG VỚI LỌC GAUSS

PHÁT HIỆN GAI ĐK