Luận văn thạc sĩ Vật lý kỹ thuật: Nghiên cứu đánh giá chất lượng giấc ngủ bằng tín hiệu điện não và biến thiên nhịp tim

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 ÿRÿDNêJ

75ѬӠ1*ĈҤI HӐC BÁCH KHOA -

&Ð1*75Î1+ĈѬӦ&+2¬17+¬1+7Ҥ, 75ѬӠ1*ĈҤ,+Ӑ&%È&+.+2$± Ĉ+4*- HCM

ĈҤI HӐC QUӔC GIA TP HCM

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[XҩWÿһFWUѭQJÿһFWUѭQJWҫn 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

LӠI 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.

³1*+,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 cӫDSKѭѫQJSKiS

ÿӅ xuҩt lҫQOѭӧWOjYjÿӕi 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

³AUTOMATIC 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

LӠ,&$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)

MӨC LӨC

NHIӊM VӨ LUҰ19Ă17+Ҥ&6Ƭ

LӠI CҦ0Ѫ1 i

TÓM TҲT ii

ABSTRACT iii

LӠ,&$0Ĉ2$1&ӪA TÁC GIҦ LUҰ19Ă1 iv

MӨC LӨC v

DANH SÁCH HÌNH VӀ ix

DANH SÁCH BҦNG BIӆU xi

DANH SÁCH CÁC THUҰT NGӲ VIӂT TҲT xii

&+ѬѪ1**,ӞI THIӊU 1

&+ѬѪ1*7ӘNG QUAN 4

7әQJTXDQYӅJLҩFQJӫ 4

2.1.1 Khái niӋm vӅ giҩc ngӫ 4

2.1.2 ChӭFQăQJVLQKOêFӫa giҩc ngӫ 5

2.1.3 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

7KLӃWEӏWKXGӳOLӋX1LFROHW2QH9 14

ĈLӋQQmRÿӗ(OHFWURHQFHSKDORJUDP- EEG) 15

ĈLӋQQmRÿӗ (EEG) 15

2.5.2 HӋ thӕQJÿLӋn cӵc 10-20 16

2.5.3 Các chuyӇQÿҥo 17

2.5.4 Các loҥi sóng não 18

%LӃQWKLrQQKӏSWLP+59± Heart Rate Variablity) 20

2.6.1 Khái niӋm vӅ HRV 20

2.6.2 Phân tích tín hiӋu HRV 21

2.6.3 Các thông sӕ ÿһFWUѭQJFӫa HRV 21

&+ѬѪ1*3+ѬѪ1*3+È31*+,Ç1&ӬU 24

%ӝGӳOLӋXQJѭQJWKӣNKLQJӫFӫDEӋQKYLӋQÿҥLKӑF679LQFHQW (University College Dublin) ± %ӝGӳOLӋX 24

%ӝGӳOLӋXWKӵFQJKLӋP- %ӝGӳOLӋX 25

ĈӕLWѭӧng và phҥm vi nghiên cӭu 25

3KѭѫQJSKiSWKӵc nghiӋm 26

4X\WUuQKÿR 27

4X\WUuQK[ӱOêWtQKLӋX 29

3.3.1 Thu tín hiӋu 31

3.3.2 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

3.3.4 Trích xuҩWÿһFWUѭQJ 34

ĈһFWUѭQJWӯ tín hiӋu EEG 34

ĈһFWUѭQJWӯ tín hiӋu HRV 41

3.3.5 Chӑn lӑFÿһFWUѭQJEҵng thuұt toán MRMR (Minimum Redundancy Maximum Relevance) 43

3.3.6 Phân cөPFiFJLDLÿRҥn giҩc ngӫ bҵng thuұt toán phân cөm K-means 45 3.3.7 Phân loҥLJLDLÿRҥn giҩc ngӫ bҵng thuұt toán Support Vector Machine

3.3.7.1 SVM tuyӃn tính 48

3.3.7.2 SVM phi tuyӃn tính 50

3KѭѫQJSKiSÿiQKJLiSKkQORҥi nhiӅu lӟp 52

3.3.8.1 Lý thuyӃt xác thӵc chéo (cross validation) 52

3KѭѫQJSKiS³RQH-vs-RQH´ 53

3KѭѫQJSKiS³RQH-vs-DOO´ 54

3KѭѫQJSKiS³VXEMHFWGHSHQGHQW´ 54

33KѭѫQJSKiS³VXEMHFWLQGHSHQGHQW´ 55

3.3.9 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

SKѭѫQJSKiSÿiQKJLi³VXEMHFWLQGHSHQGHQW´ 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

7әQJKӧSYjVRViQKNӃWTXҧFiFQJKLrQFӭXOLrQTXDQYӟLOXұQYăQ 89

CHѬѪ1*.ӂT LUҰ19¬+ѬӞNG PHÁT TRIӆN 91

.ӃWTXҧÿҥWÿѭӧF 91

+ҥQFKӃFӫDOXұQYăQ 92

+ѭӟQJSKiWWULӇQFӫDOXұQYăQ 92

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

DANH SÁCH HÌNH VӀ

Hình 2.+\SQRJUDPFDÿRXFGGEWKXӝc bӝ dӳ liӋu 1 11

Hình 2.2: Máy NicoletOne v32 (trái) và Bӝ khuӃFKÿҥi v32 (phҧi) 14

Hình 2.3: HӋ thӕQJÿLӋn cӵc 10-20 17

Hình 3.1: Phòng thí nghiӋm Faraday (trái) và bӝ khuӃFKÿҥi Nicolet EEG V32 (phҧi) 26

Hình 3.2: Vӏ trí gҳQÿLӋn cӵc EOG (trái) YjÿLӋn cӵc ECG V2 mӣ rӝng (phҧi) 27

+uQK4X\WUuQKÿR36*WURQJEӝ dӳ liӋu 2 27

Hình 3.4: (A) Quá trình ghi nhұn dӳ liӋXWURQJÿLӅu kiӋn phòng thí nghiӋP% ĈLӋn cӵc dùng trong bӝ dӳ liӋu 2 28

Hình 3.5: Quy trình xӱ lý tín hiӋu 30

Hình 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 3Ĉѭӡng 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

+uQK6ѫÿӗ 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

+uQK6ѫÿӗ 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

Hình 4.9: Mô tҧ khҧ QăQJSKkQFөm trên không gian 2 chiӅu bҵng thuұt toán K-means

clustering Error! Bookmark not defined

nhau (EEG, HRV, EEG và HRV) 79

+uQKĈӝ chính xác cӫDSKѭѫQJSKiS³VXEMHFWLQGHSHQGHQW´Yӟi giá trӏ trung bình (3 cӝt cuӕi) và sai sӕ chuҭn cӫa giá trӏ WUXQJEuQKÿѭӡng 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 ÿiQKJLiVDLFӫDFDÿRXFGGEGӳ 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 ÿiQKJLiVDLFӫDFDÿRXFGGEGӳ 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

DANH 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

Bҧng 2.4: Kí hiӋu cӫDÿLӋn cӵc 16

Bҧng 2.5: Hình dҥQJVyQJWѭѫQJӭng vӟi tӯQJJLDLÿRҥn giҩc ngӫ 19

Bҧng 2.6: Tәng hӧSÿһFWUѭQJ+59 22

BҧQJ&iFFK~WKtFKQKmQWѭѫQJӭng vӟLJLDLÿRҥn giҩc ngӫ 25

Bҧng 3.2: ThӕQJNrWK{QJWLQFiFFDÿRWKXӝc bӝ dӳ liӋu 2 28

BҧQJ4X\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 cӫDFDÿR ucddb026 ± bӝ dӳ liӋu 63

BҧQJĈһFWUѭQJQәi trӝi và giá trӏ 0505WѭѫQJӭng (kênh C4) 65

BҧQJĈһFWUѭQJQәi 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

BҧQJ4X\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

DANH 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

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

&+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 ngӫÿӝ 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 JLDLÿRҥn N2 (NREM2); và JLDLÿRҥn N3 (NREM3 hay còn gӑi là ngӫ sâu hoһc Slow wave sleep - SWS) theo tiêu chuҭn cӫa ViӋn Y hӑc Giҩc ngӫ Hoa KǤ (AASM - American Academy of Sleep Medicine) [5] Ngoài ra, viӋFKѭӟQJÿӃn sӱ dөng các tín hiӋu sinh lý khác QKѭ(&*

KѭӟQJÿLÿѭӧFTXDQWkPÿӃn Các tín hiӋXVLQKOêQKѭbiӃn thiӋn nhӏp tim (HRV - Heart Rate Variability) hay chuyӇQÿӝQJFѫWKӇ (Body Movement) ÿѭӧc phát triӇn cho các thiӃt bӏ ÿHRKD\ÿRYұQÿӝng bӣi tính linh hoҥt, ӭng dөQJFDRWKXÿѭӧc tín hiӋu tӕWFNJQJQKѭYLӋc xӱ OêÿѫQJLҧQKѫQ((* [6] Nghiên cӭu này xây dӵng mô hình phân loҥi JLDLÿRҥn giҩc ngӫ, tӯ ÿyÿiQKJLiKLӋu suҩt phân loҥi cӫa mô hình khi dùng riêng tín hiӋu EEG, tín hiӋu HRV và khi kӃt hӧp hai loҥi tín hiӋu này

Phân loҥLJLDLÿRҥn giҩc ngӫ là tiêu chuҭQYjQJÿӇ phân tích giҩc ngӫ cӫa con QJѭӡi [7] và biӇXÿӗ giҩc ngӫ (hypnogram) ÿѭӧc các chuyên gia giҩc ngӫ phân loҥi thӫ công và ÿѭӧc sӱ dөng trong hҫu hӃt các nghiên cӭu vӅ giҩc ngӫ Tuy nhiên, công viӋc này khó, chӫ quan và tӕn nhiӅu thӡi gian, FNJQJQKѭcó sӵ khác biӋt giӳa các chuyên gia giҩc ngӫ vì có hai tiêu chí phân loҥi khác nhau: Rechtschaffen và Kales (R & K) và AASM [8] ĈӇ giҧm thiӇu các vҩQÿӅ trên, nhiӅXSKѭѫQJSKiSGӵa trên máy hӑF 0DFKLQH /HDUQLQJ