75ѬӠ1*ĈҤI HӐC BÁCH KHOA -
75ѬѪ1*1+ӴT MAI
NGHIÊN CӬ8ĈÈ1+*,È&HҨ7/ѬӦNG GIҨC NGӪ BҴNG TÍN HIӊ8Ĉ,ӊN NÃO VÀ BIӂN THIÊN NHӎP TIM
Chuyên ngành: VҰT LÝ KӺ THUҰT Mã sӕ: 8520401
LUҰ19Ă17+Ҥ&6Ƭ
Trang 2&Ð1*75Î1+ĈѬӦ&+2¬17+¬1+7Ҥ, 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$± Ĉ+4*- HCM &iQEӝKѭӟQJGүQNKRDKӑF: 761JX\ӉQ7UXQJ+ұX
7K6/r4XӕF.KҧL
&iQEӝFKҩPQKұQ[pW: 76/ѭX*LD7KLӋQ
&iQEӝFKҩPQKұQ[pW: 3*676+XǤQK4XDQJ/LQK
LXұQYăQWKҥFVƭÿѭӧFEҧRYӋWҥL7UѭӡQJĈҥLKӑF%iFK.KRDĈHQG Tp HCM ngày 21 tháng 01 QăP2022
7KjQKSKҫQ+ӝLÿӗQJÿiQKJLi OXұQYăQWKҥFVƭJӗP
*KLU}KӑWrQKӑFKjPKӑFYӏFӫD+ӝLÿӗQJFKҩPEҧRYӋOXұQYăQWKҥFVƭ 1 TS Lý Anh Tú &KӫWӏFK 2 767UҫQ7UXQJ1JKƭD 7KѭNê 76/ѭX*LD7KLӋQ 3KҧQELӋQ 4 3*676+XǤQK4XDQJ/LQK 3KҧQELӋQ 761J{7Kӏ0LQK+LӅQ Ӫ\YLrQ ;iFQKұQFӫD&KӫWӏFK+ӝLÿӗQJÿiQKJLi OXұQYăQ Yj7UѭӣQJ.KRDTXҧQlý FKX\rQQJjQKVDXNKLOXұQYăn ÿã ÿѭӧFVӱDFKӳD QӃXFy
&+Ӫ7ӎ&++Ӝ,ĈӖ1* 75ѬӢ1*.+2$ KHOA +2$+Ӑ&Ӭ1*'Ө1*
Trang 3ĈҤI HӐC QUӔC GIA TP HCM
I 7Ç1Ĉӄ7¬,
1*+,Ç1&Ӭ8ĈÈ1+*,È&+Ҩ7/ѬӦ1**,Ҩ&1*Ӫ%Ҵ1*7Ë1+,ӊ8Ĉ,ӊ1129¬%,ӂ17+,Ç11+ӎ37,0
1+,ӊ09Ө9¬1Ӝ,'81*
- Tìm hiӇu kiӃn thӭc vӅ giҩc ngӫ và các nghiên cӭXWUѭӟc ÿytrong viӋc sӱ dөng tín hiӋXÿLӋn não và biӃn thiên nhӏp tim
- Tìm hiӇXFiFÿҥo trình, vӏ trí gҳQÿLӋn cӵc và bӝ dӳ liӋu phù hӧp - Tìm hiӇXFiFSKѭѫQJSKiSOӑc nhiӉu và xӱ lý tín hiӋu thu ÿѭӧc
- Tìm hiӇXSKѭѫQJSKiSWUtFK[XҩWÿһFWUѭQJ ÿһFWUѭQJWҫn sӕ dҧLVyQJÿLӋn não và phә công suҩt HRV trên dӳ liӋu có sҹn và thӵc nghiӋm
- Phân loҥi trҥng thái giҩc ngӫ bҵng thuұt toán SVM (Support Vector Machine) - Khҧo sát khҧ QăQJ cӫa mô hình phân loҥi trên 5, 4, 3, JLDLÿRҥn giҩc ngӫ - Tính toán ÿӝ trӉ giҩc ngӫ (sleep latency), hiӋu quҧ giҩc ngӫ (sleep efficiency) và
tӹ lӋ phҫQWUăPQJӫ sâu
- ĈiQKJLiP{Kunh phân loҥi qua viӋc kӃt hӧp tín hiӋXÿLӋn não và biӃn thiên nhӏp tim và khi chӍ sӱ dөng tӯng loҥi tín hiӋu riêng lҿ
II 1*¬<*,$21+,ӊ09Ө: 22/02/2021 III 1*¬<+2¬17+¬1+1+,ӊ09Ө 05/12/2021
IV &È1%Ӝ+ѬӞ1*'Ү1 T61*8<ӈ17581*+Ұ8 7K6/Ç48Ӕ&.+Ҧ,
Trang 4LӠI CҦ0Ѫ1
ĈӇ hoàn thành luұQ YăQ này, lӡL ÿҫu tiên tôi xin gӱi lӡi cҧP ѫQ ÿӃn TiӃQ VƭNguyӉn Trung Hұu và ThҥFVƭ/r4Xӕc KhҧLÿk\OjKDLQJѭӡi thҫy không nhӳng ân cҫn dүn dҳWKѭӟng dүQYjJL~Sÿӥ tôi rҩt nhiӅu tӯ nhӳQJEѭӟFÿӏQKKѭӟng mөc tiêu, tìm ÿDPPrFKREҧQWKkQPjFzQOjQJѭӡi truyӅQÿҥWÿӝng lӵc và kinh nghiӋm tӯ hӑc tұp và cuӝc sӕng Hai thҫ\OjQJѭӡLÿӕc thúc tiӃQÿӝÿѭDUDKѭӟng giҧi quyӃt và chӍ dҥy nhӳng kiӃn thӭc chuQJFNJQJQKѭFiFK[ӱ lý tín hiӋXJySêWURQJSKѭѫQJSKiSWUuQKEj\OXұn YăQ7KrPYjRÿyW{LUҩt biӃWѫQ7KҥFVƭ/r&DRĈăQJ- 7Uѭӣng phòng Thí nghiӋm Vұt lý Kӻ thuұt Y sinhĈҥi hӑc Bách Khoa Tp.HCM ÿmWҥo mӑLÿLӅu kiӋn cҧ vұt vұt chҩt lүn tinh thҫQÿӇ nhóm nghiên cӭu chúng tôi hoàn thành các dӳ liӋu thӵc nghiӋm thuұn lӧi trong tình hình dӏch bӋnh phӭc tҥp 7{LFNJQJ[LQFҧPѫQ36* 76+XǤnh Quang /LQKÿmQKLӋt tình hӛ trӧ tôi trong viӋc giҧLÿiSWKҳc mҳFFNJQJQKѭJL~SW{LWKӵc hiӋn các giҩy tӡ vӅ mһt hành chính và thӫ tөc
Ĉһc biӋt, tôi xin chân thành cҧPѫQ7KҥFVƭ1JX\Ӊn Ngӑc HҧLQJjQK&ѫ.ӻ
thuұWÿmUҩt tұn tình truyӅQÿҥt nhӳng kiӃn thӭc cӫa anh vӅ mҧng xӱ lý tín hiӋXÿӇ tôi thӵc hiӋn luұQYăQ nhanh chóng và hiӋu quҧ 7{LFNJQJ[LQFKkQWKjQKFҧPѫQ7hҥFVƭEiFVƭ+RjQJĈuQK+ӳu Hҥnh, phө WUiFKĈѫQYӏ Rӕi loҥn giҩc ngӫ, khoa Hô hҩp/ Nӝi tәng quát tҥi BӋnh viӋQĈҥi hӑF<Gѭӧc Tp.HCM ÿmKӛ trӧ ÿiQKQKmQFiFQKmQJLҩc ngӫ cӫDFiFFDÿR36*36*Yj36*
Ngoài ra, tôi rҩt cҧPѫQFiFEҥn trong nhóm nghiên cӭXYjQKyPÿRÿҥc dӳ liӋu thӵc nghiӋm OX{QViWFiQKYjJL~Sÿӥ QKDXNKLNKyNKăQKӛ trӧ nhau trong công viӋc và cuӝc sӕng
Mӝt lҫn nӳa, xin chân thành cҧPѫQtҩt cҧ mӑLQJѭӡi Chúc mӑLQJѭӡi nhiӅu sӭc khӓe, luôn thành công và hҥnh phúc trong cuӝc sӕng.
Trang 5³1*+,Ç1 &ӬU ĈÈ1+ *,È &+Ҩ7 /ѬӦNG GIҨC NGӪ BҴNG TÍN HIӊ8Ĉ,ӊN NÃO VÀ BIӂN THIÊN NHӎP TIM´
TÓM TҲT
ChҩWOѭӧng giҩc ngӫ ÿyQJ Pӝt vai trò quan trӑng trong chҩWOѭӧng cuӝc sӕng MӝWÿrPQJӫ ngon có thӇ ÿҥWÿѭӧc nhӳng lӧLtFKQKѭJLҧm mӋt mӓi và căQJWKҷQJWăQJFѭӡQJQăQJVXҩt, trí nhӟ, khҧ QăQJViQJWҥo và sӵ tұp trung Ba thông sӕ - ÿӝ trӉ cӫa giҩc ngӫ, hiӋu quҧ cӫa giҩc ngӫ và tӹ lӋ phҫQWUăPJLҩc ngӫ VkXÿѭӧc sӱ dөQJÿӇ ÿiQKgiá chҩWOѭӧng cӫa giҩc ngӫ dӵDWUrQSKѭѫQJSKiSKӑFPi\ѬXÿLӇm cӫa luұQYăQQj\Oj ÿRÿDNêJLҩc ngӫ (PSG - Polysomnography); 2) phân loҥi EDJLDLÿRҥn giҩc ngӫ WKD\YuQăPKRһFViXJLDLÿRҥn, vì thӃ ÿӝ FKtQK[iFÿѭӧFPRQJÿӧi sӁ FDRKѫQ SKiWtriӇn mӝt công cө tính toán thông sӕ giҩc ngӫ tӵ ÿӝng; 4) so sánh hiӋu suҩt cӫa SVM (³RQHYVDOO´) giӳa EEG, HRV và sӵ kӃt hӧp cӫa cҧ hai tín hiӋu.KXQJÿiQKJLiJLҩc ngӫ tӵ ÿӝQJÿѭӧc phát triӇn bҵng cách phân loҥi SVM nhiӅu lӟp (Multi-class Support Vector Machine) dӵDWUrQFiFÿһFWUѭQJWKӕng kê và hӋ sӕ :DYHOHWÿӕi vӟi tín hiӋu EEG Yj+59ÿӕi vӟi tín hiӋu ECG KӃt quҧ WKXÿѭӧc cho thҩy ÿӝ chính xác cӫDSKѭѫQJSKiSÿӅ xuҩt lҫQOѭӧWOjYj ÿӕi vӟi mô hình phân loҥi 5, 4, 3, và 2 lӟp WѭѫQJӭQJFiFJLDLÿRҥn giҩc ngӫ+ѫQQӳa, hiӋu suҩt cӫa mô hìnK690ÿҥt ÿӝ chính xác 84.81% khi sӱ dөng cҧ EEG và HRV cùng nhau Khҧ QăQJphân loҥi khi chӍ sӱ dөng EEG hoһc HRV lҫQOѭӧt là 86.28% và 63.57%, cho thҩy ÿһFWUѭQJ HRV không ÿyQJJyS cho hiӋu quҧ nhұn dҥng cӫa mô hình phân loҥi
Trang 6³AUTOMATIC SLEEP QUALITY ASSESSMENT BASED ON ELECTROENCEPHALOGRAM AND HEART RATE VARIABILITY´
ABSTRACT
Sleep quality plays a vital role in the quality of life A night of healthy sleep can gain benefits such as reducing fatigue and stress, enhancing productivity, memory, creativity and concentration Three parameters ± sleep latency, sleep efficiency and percentage of deep sleep were used to measure the quality of sleep which were based on machine-learning approaches The advantages of this study are 1) the experimental Polysomnography (PSG) data acquisition; 2) detecting three sleep stages rather than five or six sleep stages, thus accuracy is expected to be higher; 3) develop an automatic sleep quality measurement; 4) compare the performance of SVM (based on one-vs.-all strategy) between EEG, HRV and the combination of both signals An automatic sleep-staging framework was developed by a multi-class Support Vector Machine (SVM) classification based on statistic feature and Wavelet coefficients for EEG signal and the features of Heart Rate Variability (HRV) spectrum analysis for ECG signal As a result, the overall recognition rate of the proposed method was 70.78%, 77.54%, 84.81% and 90.13% for 5-class, 4-class, 3-class and 2-class classification, respectively Furthermore, the performance of the SVM model achieved an accuracy of 84.81% when using both EEG and HRV together The classification accuracies when using only EEG or HRV are respectively 86.28% and 63.57%, showing that the HRV feature did not contribute to the recognition performance of the proposed model
Trang 7LӠ,&$0Ĉ2$1&ӪA TÁC GIҦ LUҰ19Ă1
HӑFYLrQ[LQFDPÿRDQQKӳng kӃt quҧ Fyÿѭӧc trong luұQYăQOjGREҧn thân hӑc viên thӵc hiӋn Ngoài phҫn tài liӋu tham khҧRÿmÿѭӧc liӋt kê, các sӕ liӋu và kӃt quҧ thӵc nghiӋm là trung thӵFYjFKѭDÿѭӧc công bӕ trong bҩt cӭ công trình khoa hӑc nào khác
Tp Hӗ Chí Minh, ngày 21 tháng 01 QăP
(Ký tên và ghi rõ hӑ tên)
Trang 82.1.3 Các trҥng thái cӫa giҩc ngӫ theo tiêu chuҭn AASM 2007 6
2.1.3.1 Trҥng thái thӭc (Wake - W) ± WѭѫQJÿѭѫQJYӟi trҥng thái W theo quy tҳc R&K 7
2.1.3.2 GLDLÿRҥn N1 - WѭѫQJÿѭѫQJYӟLJLDLÿRҥn S1 theo quy tҳc R&K 8
*LDLÿRҥn N2 ± WѭѫQJÿѭѫQJYӟLJLDLÿRҥn S2 theo quy tҳc R&K 8
*LDLÿRҥn N3 ± WѭѫQJÿѭѫQJYӟLJLDLÿRҥn S3 và S4 theo quy tҳc R&K 9 *LDLÿRҥn REM (Rapid Eye Movement ± REM) ± WѭѫQJÿѭѫQJYӟi giai ÿRҥn R theo quy tҳc R&K 10
2.1.3.6 Hypnogram 10
%ҧQJKLÿDNêJLҩFQJӫ- POLYSOMNOGRAPHY (PSG) 11
Trang 93.3.2 Tәng quan vӅ ngôn ngӳ lұp trình Matlab 32
3.3.3 TiӅn xӱ lý ± lӑc nhiӉu và khӱ trôi tín hiӋu 33
3.3.3.1 Lӑc nhiӉXÿLӋQOѭӟi 50 Hz bҵng bӝ lӑc triӋt tҫn (Notch filter) 33
3.3.3.2 Lӑc nhiӉu tín hiӋu thông thҩp và thông cao bҵng bӝ lӑc Butterworth 34
Trang 103.3.9 Các thông sӕ ÿiQKJLiNӃt quҧ 55
3.3.10 Tính toán thông sӕ chҩWOѭӧng giҩc ngӫ 59
&+ѬѪ1* .ӂT QUҦ VÀ BÀN LUҰN 60
.ӃWTXҧWLӅQ[ӱOêWtQKLӋX 60
4.1.1 Tín hiӋXÿLӋn não 60
4.1.2 Tín hiӋXÿLӋn tim ± BiӃn thiên nhӏp tim 61
.ӃWTXҧWUtFK[XҩWÿһFWUѭQJ 62
4.2.1 KӃt quҧ chӑn hӋ sӕ Wavelet phù hӧp vӟi hai bӝ dӳ liӋu 62
4.2.2 KӃt quҧ tính tӹ lӋ công suҩt trên các dҧi sóng 63
.ӃWTXҧFKӑQOӑFÿһFWUѭQJEҵQJWKXұWWRiQ0505 65
.ӃWTXҧSKkQFөPEҵQJ.-means clustering 70
.ӃWTXҧSKkQORҥLEҵQJ690RQHYVDOO 72
4.5.1 KӃt quҧ phân loҥi hiӋu suҩt cӫD690³RQHYVDOO´WUrQQKLӅu lӟp 72
4.5.2 Tәng sӕ epoch sӱ dөng trong phân loҥi 74
4.5.3 KӃt quҧ ÿiQKJLiNӃt quҧ sӱ dөng ma trұn nhҫm lүn 75
4.5.3.1 KӃt quҧ phân loҥi sӱ dөQJÿһc trѭQJWtQKLӋu EEG và HRV 75
4.5.3.2 KӃt quҧ phân loҥi sӱ dөQJÿһFWUѭQJWtQKLӋu EEG 76
4.5.3.3 KӃt quҧ phân loҥi sӱ dөQJÿһFWUѭQJWín hiӋu HRV 78
4.5.4 KӃt quҧ ÿiQKJLiSKѭѫQJSKiS³VXEMHFWGHSHQGHQW´Yj³VXEMHFWLQGHSHQGHQW´ 79
4.5.4.1 KӃt quҧ tӯ SKѭѫQJSKiS ³VXEMHFWGHSHQGHQW´ 79
Trang 11SKѭѫQJSKiSÿiQKJLi³VXEMHFWLQGHSHQGHQW´ 82
4.6.1 Thông sӕ giҩc ngӫ cӫDFiFÿӕLWѭӧng tӯ bӝ dӳ liӋu 1 82
4.6.2 Thông sӕ giҩc ngӫ cӫDFiFÿӕLWѭӧng tӯ bӝ dӳ liӋu 2 85
DANH MӨC CÁC CÔNG TRÌNH KHOA HӐC 93
TÀI LIӊU THAM KHҦO 94
PHӨ LӨC 1 100
PHӨ LӨC 2 102
PHӨ LӨC 3 111
Trang 12Hình 3.6: Quá trình ghi nhұn dӳ liӋXWURQJÿLӅu kiӋn phòng thí nghiӋm 30
Hình 3.7: BiӇXWѭӧng ngôn ngӳ lұp trình Matlab 32
Hình 3.8: TriӋt tҫn sӕ cӫa nhiӉu 50 Hz 33
Hình 3.9: Phép biӃQÿәi Wavelet 35
Hình 3.10: Các kiӇu cây hӋ sӕ Wavelet 37
Hình 3.11: BiӃQÿәi Fourier 38
Hình 3.12: Mô tҧ thuұt toán phân cөm K-means 46
Hình 3 Ĉѭӡng phân chia dӳ liӋu tҥLFiFWUѭӡng hӧp không mong muӕn khi sӱ dөng SVM phi tuyӃn tính 48
+uQK +DLÿѭӡng thҷQJÿLTXDYHFWRKӛ trӧ ÿiQKGҩu ranh giӟi cho ݕ േͳ 49
Hình 3.15: Minh hӑa cho xác thӵc chéo K-fold 53
Hình 3.16: Ma trұn nhҫm lүn (confusion matrix) 55
Hình 3.17: Ĉѭӡng cong ROC 58
Hình 4.1: Tín hiӋXÿLӋn não (hai kênh C3 và C4) cӫa mӝt dӳ liӋu 1 60
Hình 4.2: Tín hiӋXÿLӋn não (ba kênh F3, C3 và O1) cӫa bӝ dӳ liӋXWUѭӟc và sau khi ÿѭӧc lӑc nhiӉu 61
Hình 4.3: KӃt quҧ bҳWÿӍnh R cӫa tín hiӋu ECG tӯ bӝ dӳ liӋu 1 62
+uQK 6ѫÿӗ cây Wavelet và các hӋ sӕ :DYHOHWÿѭӧc chӑn ӭng vӟi tӯng dҧi sóng cӫa bӝ dӳ liӋu 1 (tҫn sӕ lҩy mүu fs = 128 Hz) 62
+uQK 6ѫÿӗ cây Wavelet và các hӋ sӕ :DYHOHWÿѭӧc chӑn ӭng vӟi tӯng dҧi sóng cӫa bӝ dӳ liӋu 2 (tҫn sӕ lҩy mүu fs = 500 Hz) 63
Hình 4.6: BiӇXÿӗ hình hӝp cӫDFiFÿһFWUѭQJFӫDNrQK&ÿѭӧc chӑn tӯ MRMR thuӝc nhóm tӹ lӋ giá trӏ tuyӋWÿӕi cӫa hӋ sӕ Wavelet 67 Hình 4.7: BiӇXÿӗ hình hӝp cӫDFiFÿһFWUѭQJNKiFFӫDNrQK&ÿѭӧc chӑn tӯ MRMR
Error! Bookmark not defined
Hình 4.8: TrӵFTXDQKyDFiFÿһFWUѭQJ WUѭӟc và sau khi dùng thuұt toán chӑn lӑFÿһc
Trang 13Hình 4.9: Mô tҧ khҧ QăQJSKkQFөm trên không gian 2 chiӅu bҵng thuұt toán K-means
clustering Error! Bookmark not defined
Hình 4.10: Tәng sӕ HSRFKWѭѫQJӭng vӟi 5 lӟp và 3 lӟp (dӳ liӋu 1) 74 Hình 4.11: Ma trұn nhҫm lүn cӫa mô hình phân loҥL690³RQHYVDOO´WUrQEӝ ÿһFWUѭQJkӃt hӧp EEG và HRV 75 Hình 4.12: Ma trұn nhҫm lүn cӫa mô hình phân loҥL690³RQHYVDOO´WUrQEӝ ÿһFWUѭQJEEG 76 Hình 4.14: Ma trұn nhҫm lүn cӫa mô hình phân loҥL690³RQHYVDOO´WUrQÿһFWUѭQJkênh C4 (EEG) 77 Hình 4.13: Ma trұn nhҫm lүn cӫa mô hình phân loҥL690³RQHYVDOO´WUrQÿһFWUѭQJkênh C3 (EEG) 77 Hình 4.15: Ma trұn nhҫm lүn cӫa mô hình phân loҥL690³RQHYVDOO´WUrQEӝ ÿһFWUѭQJHRV 78
+uQK Ĉӝ chính xác cӫDSKѭѫQJSKiS³VXEMHFWGHSHQGHQW´Yӟi giá trӏ trung bình (3 cӝt cuӕi) và sai sӕ chuҭn cӫa giá trӏ WUXQJEuQK ÿѭӡng sai sӕ) trên các tín hiӋu khác
nhau (EEG, HRV, EEG và HRV) 79 +uQK Ĉӝ chính xác cӫDSKѭѫQJSKiS³VXEMHFWLQGHSHQGHQW´Yӟi giá trӏ trung bình (3 cӝt cuӕi) và sai sӕ chuҭn cӫa giá trӏ WUXQJEuQK ÿѭӡng sai sӕ) trên các tín hiӋu khác nhau (EEG, HRV, EEG và HRV) 80 Hình 4.18: So sánh hypnogram vӟi nhãn tӯ chuyên gia giҩc ngӫ, tӯ dӵ ÿRin cӫa mô hình phân loҥi và các epoch bӏ ÿiQKJLiVDLFӫDFDÿRXFGGE Gӳ liӋu 1) 81 Hình 4.19: So sánh hypnogram vӟi nhãn tӯ chuyên gia giҩc ngӫ, tӯ dӵ ÿRiQFӫa mô hình phân loҥi và các epoch bӏ ÿiQKJLiVDLFӫDFDÿRXFGGE Gӳ liӋu 1) 82 Hình 4.20: So sánh hiӋu quҧ giҩc ngӫ giӳDQKmQÿiQKWӯ chuyên gia giҩc ngӫ và nhãn dӵ ÿRiQWӯ bӝ phân loҥi SVM 85
Trang 14DANH SÁCH BҦNG BIӆU
Bҧng 2.1: Phân loҥi các dҥng ngӫ 4
Bҧng 2.2: Sӵ liên quan giӳDÿӝ trӉ giҩc ngӫ và mӭFÿӝ buӗn ngӫ 13
Bҧng 2.3: Dӳ liӋu chuҭn cho các nhóm tuәi khác nhau 13
BҧQJ 4X\ѭӟc tên gӑi và giҧLWKtFKêQJKƭDFiFELӃQWURQJVѫÿӗ xӱ lý tín hiӋu 29
Bҧng 3.4: Bҧng tәng hӧSFiFÿһFWUѭQJÿѭӧc sӱ dөng trong luұQYăQ 42
Bҧng 4.1: Giá trӏ tӹ lӋ công suҩt 6 dҧLVyQJWѭѫQJӭng vӟLJLDLÿRҥn giҩc ngӫ cӫDFDÿRucddb026 ± bӝ dӳ liӋu 63
BҧQJ ĈһFWUѭQJQәi trӝi và giá trӏ 0505WѭѫQJӭng (kênh C4) 65
BҧQJ ĈһFWUѭQJQәi trӝi và giá trӏ 0505WѭѫQJӭng (kênh C3) 66
Bҧng 4.4: KӃt quҧ phân cөm theo lӟp bҵng thuұt toán K-means clustering 71
Bҧng 4.5: HiӋu suҩt phân loҥi cӫD690³RQHYVDOO´WUrQQKLӅu lӟp 72
BҧQJ 4X\ѭӟFFiFKÿһt tên mô hình 74
Bҧng 4.7: Thông sӕ chҩWOѭӧng giҩc ngӫ cӫa tӯQJÿӕLWѭӧng thuӝc bӝ dӳ liӋu 1 82
Bҧng 4.8: Thông sӕ giҩc ngӫ dӵ ÿRiQFKRWӯQJÿӕLWѭӧng bӝ dӳ liӋu 2 vӟi nhãn tӯ bác Vƭ 86
Bҧng 4.9: Thông sӕ giҩc ngӫ dӵ ÿRiQFKRWӯQJÿӕLWѭӧng bӝ dӳ liӋu 2 vӟi nhãn tӯ thiӃt bӏ Nicolet One V32 87
Bҧng 4.10: Tәng hӧp và so sánh kӃt quҧ các nghiên cӭu liên quan vӟi luұQYăQ 90
Trang 15DANH SÁCH CÁC THUҰT NGӲ VIӂT TҲT
AASM American Academy of Sleep Medicine ViӋn Y hӑc Giҩc ngӫ Hoa KǤ ANN Artificial Neural Network MҥQJQѫ-ron nhân tҥo
DTB_SVM Decision-Tree-Based Support Vector Machines
ECG Electrocardiogram ĈLӋQWkPÿӗ EEG Electroencephalogram ĈLӋQQmRÿӗ EMG Electromyogram ĈiӋQFѫÿӗ EOG Electrooculography ĈLӋn mҳt
HRV Heart Rate Variability BiӃn thiên nhӏp tim KNN K-Nearest Neighbors -
MAD Mean of absolute differences Trung bình khác biӋt tuyӋWÿӕi MRMR Minimum Redundancy maximum
Relevance
-
MSLT Multi Sleep Latency Test BҧQJÿiQKJLiÿӝ trӉ giҩc ngӫ NREM Non Rapid Eye Movement Không chuyӇQÿӝng mҳt nhanh PE Permutation Entropy Entropy hoán vӏ
PSG Polysomnography BҧQJKLÿDNêJLҩc ngӫ PSQI Pittsburgh Sleep Quality Index ChӍ sӕ chҩWOѭӧng giҩc ngӫ
Pittsburgh R & K Rechtschaffen và Kales -
REM Rapid Eye Movement ChuyӇQÿӝng mҳt nhanh SE Sleep Efficiency HiӋu quҧ giҩc ngӫ SEM Slow Eye Movement ChuyӇQÿӝng mҳt chұm SL Sleep Latency Ĉӝ trӉ giҩc ngӫ
SVM Support Vector Machine -
SWS Slow Wave Sleep Giҩc ngӫ sóng chұm TIB Time In Bed Thӡi gian nҵPWUrQJLѭӡng TST Total Sleep Time Tәng thӡi gian ngӫ
WPT Wavelet Packet Tree Cây hӋ sӕ Wavelet
Trang 16&+ѬѪ1* *,ӞI THIӊU
Cuӝc sӕng hiӋQÿҥLOX{QÿLNqPYӟi nhiӅXFăQJWKҷng và thói quen ngӫ không lành mҥnh, là mӝt trong nhӳng nguyên do gây rӕi loҥn giҩc ngӫ và chҩWOѭӧng giҩc ngӫ kém ӣ FRQQJѭӡi Các cuӝc khҧo sát và nghiên cӭu vӅ giҩc ngӫ NKiFQKDXÿmPDQJlҥi nhiӅu kӃt quҧ khác nhau vӅ tӹ lӋ mҩt ngӫ giӳDFiFQKyPQJѭӡi khác nhau Khoҧng ÿӃn 48% ngѭӡi lӟn tuәi bӏ mҩt ngӫ trong khi tӹ lӋ rӕi loҥn mҩt ngӫ GDRÿӝng tӯ ÿӃn 20% [1] Mҩt ngӫ không chӍ ҧQKKѭӣQJÿӃn dân sӕ lӟn tuәLPjFzQWiFÿӝng xҩXÿӃn thanh thiӃu niên (khoҧng 23.8%) [2]ĈӇ khҳc phөc tình trҥng trên, viӋc theo dõi YjÿiQKJLichҩWOѭӧng giҩc ngӫ ӣ FRQQJѭӡi bҵng mӝWSKѭѫQJSKiSSKkQWtFKgiҩc ngӫ nhanh chóng, thuұn tiӋn là viӋc làm thiӃt thӵc
ChҩWOѭӧng giҩc ngӫ ÿyQJPӝt vai trò quan trӑng trong vұQÿӝng thӇ chҩt và khҧ QăQJ hӑc tұp cӫa mӝt cá nhân Ba thông sӕ FKtQKÿѭӧFÿѭDUDÿӇ tính toán chҩWOѭӧng giҩc ngӫ ÿӝ trӉ cӫa giҩc ngӫ, hiӋu quҧ cӫa giҩc ngӫ và tӹ lӋ phҫQWUăPJLҩc ngӫ sâu [3] Tuy nhiên, nghiên cӭu cӫa Maryam Ravan và Jason Begnaud chӍ tұp trung vào hiӋu quҧ giҩc ngӫ và tӹ lӋ phҫQWUăPngӫ sâu [4]GRÿyWURQJQJKLrQFӭXQj\ÿӅ tài khҧo sát và tính toán trên cҧ ba thông sӕ vӅ chҩWOѭӧng giҩc ngӫ bҵng cách xây dӵng mô hình phân loҥi giҩc ngӫ dӵa trên viӋc kӃt hӧp ÿһFWUѭQJWӯ hai tín hiӋu sinh lý là ÿLӋQQmRÿӗ và biӃn thiên nhӏp tim
BҧQ JKL ÿD Nê JLҩc ngӫ (PSG) bao gӗP ÿLӋQ QmR ÿӗ (EEG - Electroencephalogram ÿLӋn mҳt (EOG - EOHFWURRFXORJUDP ÿLӋQ Fѫ ÿӗ (EMG - EOHFWURP\RJUDP Yj ÿLӋQ WkP ÿӗ (ECG - Electrocardiogram) là mӝt công cө chҭn ÿRiQWUX\Ӆn thӕng trong y hӑc giҩc ngӫ ÿӇ ÿiQKJLiFKҩWOѭӧng giҩc ngӫ Bҧn ghi PSG VDXÿyÿѭӧFFKLDWKjQKFiFÿRҥn 30 giây (gӑLOjHSRFK Yjÿѭӧc phân loҥLOjJLDLÿRҥn W (tӍnh táo - Wake JLDLÿRҥn R (ChuyӇQÿӝng mҳt nhanh ± Rapid Eye Movement), JLDLÿRҥn N1 (NREM1 ± Non Rapid Eye Movement