Phát triển phương pháp phân tích định lượng tín hiệu iEMG chi trên hỗ trợ chẩn đoán bệnh lý

i BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM MẠNH HÙNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội 2016ii BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM MẠNH HÙNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN VĂN KHANG Hà Nội 2016iii LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu trong luận án này là trung thực và chƣa từng đƣợc công bố trong bất kỳ công trình nào khác. Giáo viên hƣớng dẫn PGS.TS Nguyễn Văn Khang Tác giả Phạm Mạnh Hùng Tiếng việt: 1, 2, 3, 4, 5, 6. Tiếng anh: A 7, 8, 9, 10, 11, B 12, 13, 14 C 15, 16, 17, 18, 19, 20, 21, 22, D 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, E 34, 35, 36, 37, 38, 39, 40, 41, 42, F 43, 44, 45, 46, G 47, 48, 49, 50, H 51, I 52, J 53, 54, 55, 56, K 57, 58, 59, 60, 61, L 62.., M 63, 64, 65, 66, N 67, 68, O 69, P 70, Q .., R 71, 72, 73, 74, S 75, 76, 77, 78, 79, T 80, 81, 82, 83, 84, U 85, 86, V 87, Y .., W 88.iv LỜI CẢM ƠN Đầu tiên tôi xin bày tỏ lòng biết ơn chân thành và sâu sắc của mình tới thầy hƣớng dẫn khoa học PGS.TS. Nguyễn Văn Khang. Thầy là ngƣời đã định hƣớng cho tôi triển khai các ý tƣởng khoa học, luôn tận tình hƣớng dẫn tôi trong suốt thời gian thực hiện luận án. Tôi cũng xin chân thành cảm ơn GS.TS. Nguyễn Đức Thuận, các Anh, Chị, em và các bạn đồng nghiệp thuộc Bộ môn Công nghệ Điện tử Kỹ thuật y sinh, Viện Điện Tử Viễn Thông trƣờng Đại học Bách Khoa Hà Nội đã tạo điều kiện, định hƣớng, giúp đỡ và động viên để tôi hoàn thành công trình nghiên cứu này. Đặc biệt tôi xin cảm ơn Bộ môn Công nghệ Điện tử Kỹ thuật Y sinh, Bộ môn Điện tử Kỹ thuật máy tính viện Điện Tử Viễn Thông trƣờng Đại học Bách Khoa Hà Nội và Phòng xét nghiệm Điện cơ đồ Bệnh viện Lão Khoa Trung Ƣơng đã giúp đỡ tôi rất nhiều về cơ sở vật chất, trang thiết bị nghiên cứu và các góp ý định hƣớng nghiên cứu để tôi hoàn thành tốt công trình nghiên cứu của mình. Tôi cũng xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học và viện Điện Tử Viễn Thông trƣờng Đại học Bách Khoa Hà Nội đã tạo điều kiện cho tôi trong quá trình học tập và nghiên cứu. Tôi cũng xin cảm ơn các thành viên trong nhóm nghiên cứu EMGLabvn đã hỗ trợ và tham gia với tôi trong việc triển khai các thí nghiệm đo lƣờng, phân tích tín hiệu tại các cơ sở y tế và phòng thí nghiệm. Cuối cùng, tôi xin chân thành cảm ơn gia đình, những ngƣời thân luôn động viên về tinh thần, thời gian và vật chất để tôi có động lực trong công việc và nghiên cứu khoa học. Hà Nội, ngày tháng năm 2016 Tác giả Phạm Mạnh Hùngv MỤC LỤC DANH MỤC CÁC KÝ HIỆU VIẾT TẮT.......................................... ix DANH MỤC BẢNG........................................................................... xi DANH MỤC HÌNH ........................................................................... xii MỞ ĐẦU ...............................................................................................1 Mục đích của nghiên cứu....................................................................................1 Mục tiêu nghiên cứu của luận án....................................................................3 Các vấn đề cần giải quyết của luận án...........................................................3 Phạm vi nghiên cứu của luận án.........................................................................4 Phƣơng pháp nghiên cứu....................................................................................4 Cấu trúc luận án..................................................................................................5 Ý nghĩa khoa học và thực tiễn của luận án.........................................................6 Các đóng góp chính của luận án.........................................................................6 CHƢƠNG 1. TÍN HIỆU ĐIỆN CƠ ỨNG DỤNG LÂM SÀNG .......8 1.1. Sinh lý đơn vị vận động và nguồn gốc tín hiệu điện cơ..............................8 1.1.1. Tóm lược giải phẫu hệ thần kinh cơ...................................................8 1.1.2. Tóm lược về giải phẫu cơ vân...............................................................9 1.1.3. Tóm lược về giải phẫu của thần kinh vận động..................................11 1.1.4. Đơn vị vận động..................................................................................12 1.1.5. Nguồn gốc của tín hiệu điện cơ ..........................................................14 1.1.5.1. Phản ứng hóa điện của synap thần kinh cơ ........................................14 1.1.5.2. Điện thế màng tế bào ............................................................................15 1.2. Ứng dụng điện cơ đồ trong lâm sàng ........................................................16 1.2.1. Bệnh yếu cơ.........................................................................................16 1.2.2. Xét nghiệm điện cơ đồ.........................................................................17 1.2.3. Các khái niệm của tín hiệu iEMG dùng trong chẩn đoán..................19 1.2.3.1. Điện thế kim đâm .................................................................................19vi 1.2.3.2. Điện thế tự phát ....................................................................................20 1.2.3.3. Điện thế hoạt động của đơn vị vận động ..............................................21 1.2.3.4. Tín hiệu kết tập điện thế hoạt động ......................................................22 1.2.4. Dấu hiệu bệnh lý trong tín hiệu iEMG ở các chi................................23 1.3. Phƣơng pháp phân tích định lƣợng tín hiệu điện cơ .................................24 1.3.1. Các kỹ thuật QEMG đang được ứng dụng hiện nay ..........................24 1.3.2. Nhiệm vụ của nghiên cứu này.............................................................28 1.4. Kết chƣơng ................................................................................................29 CHƢƠNG 2. LỰA CHỌN GIẢI PHÁP PHÙ HỢP ĐỂ TIỀN XỬ LÝ TÍN HIỆU iEMG CHI.........................................................................30 2.1. Thu nhận và các thông số cơ bản của tín hiệu điện cơ..............................30 2.1.1. Phương pháp thu nhận tín hiệu EMG.................................................30 2.1.1.1. Thu nhận tín hiệu sEMG ......................................................................31 2.1.1.2. Thu nhận tín hiệu iEMG.......................................................................32 2.1.2. Đặc tính của tín hiệu EMG.................................................................32 2.2. Các yếu tố gây suy giảm chất lƣợng tín hiệu EMG ..................................34 2.2.1. Nhiễu...................................................................................................34 2.2.2. Suy giảm chất lượng do mạch thu nhận .............................................34 2.3. Các giải pháp tăng cƣờng tín hiệu EMG bằng phần cứng ........................35 2.4. Khảo sát khả năng triệt nhiễu của mạch đo...............................................36 2.4.1. Mô tả thiết kế của mạch đo khảo sát tín hiệu EMG ...........................37 2.4.1.1. Khối khuếch đại và triệt nhiễu đồng pha..............................................38 2.4.1.2. Khối các bộ lọc tƣơng tự ......................................................................39 2.4.1.3. Khối chuyển đổi tƣơng tự số tín hiệu.................................................41 2.4.1.4. Khối cách ly nguồn với đối tƣợng đo...................................................41 2.4.2. Khảo sát sự ảnh hưởng của nhiễu lên tín hiệu đo .............................42 2.5. Giải pháp tiền xử lý tín hiệu iEMG số ......................................................44 2.5.1. Phân tích lựa chọn loại bộ lọc số .......................................................44 2.5.2. So sánh giải pháp lựa chọn với giải pháp thường dùng.....................47vii 2.6. Kết chƣơng ................................................................................................49 CHƢƠNG 3. PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI .........................................................51 3.1. Đặt vấn đề..................................................................................................51 3.2. Phát triển phƣơng pháp tự động xác định các thành phần có ý nghĩa trong tín hiệu iEMG chi .............................................................................................55 3.2.1. Một số giải pháp phân tách các APS đã được giới thiệu ...................56 3.2.2.1. Phƣơng pháp 1: Phân tách APS sử dụng cửa sổ cố định......................56 3.2.2.2. Phƣơng pháp 2: Phân tách APS sử dụng tín hiệu Trigơ.......................57 3.2.2.3. Phƣơng pháp 3: Phân tách APS sử dụng biến đổi Wavelet..................58 3.2.2.4. Phƣơng pháp 4: Phân tách APS sử dụng tín hiệu biến động................59 3.2.2.5. Đánh giá các phƣơng pháp phân tách đã đƣợc giới thiệu ....................60 3.2.2. Phương pháp tự động xác định các thành phần có ý nghĩa chẩn đoán được phát triển..............................................................................................61 3.2.2.1. Tự động xác định các APS ...................................................................62 3.2.2.2. Tự động xác định các điểm uốn trên sóng tín hiệu iEMG....................65 3.2.2.3. Tự động lấy các APS có ý nghĩa chẩn đoán.........................................68 3.3. Đề xuất bộ thông số định lƣợng tín hiệu iEMG chi ..................................70 3.3.1. Các thông số định lượng tính từ các tham số APS.............................71 3.3.2. Thông số định lượng tín hiệu iEMG trên đồ thị Poincaré..................73 3.3.3. So sánh với một số phương pháp QEMG hiện có...............................74 3.4. Đánh giá giá trị của bộ thông số định lƣợng đƣợc đề xuất .......................76 3.4.1. Tập dữ liệu mẫu ..................................................................................77 3.4.2. Mô tả tập dữ liệu các thông số định lượng iEMG thu được...............78 3.4.3. Kiểm định sự khác biệt thống kê của mỗi thông số ............................82 3.4.3.1. Kiểm định Utest ..................................................................................82 3.4.3.2. Kết quả kiểm định Utest đối với tập dữ liệu mẫu. ..............................84 3.4.4. Kiểm định sự tương quan giữa các thông số......................................85 3.4.4.1. Kiểm định Spearman ............................................................................86 3.4.4.2. Kết quả kiểm định sự tƣơng quan giữa các thông số ...........................87viii 3.5. Kết chƣơng ................................................................................................89 CHƢƠNG 4. ĐỀ XUẤT PHƢƠNG PHÁP SỬ DỤNG CÁC THÔNG SỐ ĐỊNH LƢỢNG TÍN HIỆU CÓ ĐƢỢC ĐỂ PHÂN LOẠI TÍN HIỆU iEMG CHI THEO CÁC NHÓM BỆNH LÝ............................92 4.1. Đặt vấn đề..................................................................................................92 4.2. Phƣơng pháp phân loại dựa trên kỹ thuật học máy...................................95 4.2.1. Mạng Artifical Neural Network (ANN) ..............................................96 4.2.2. Phân loại tín hiệu theo bệnh lý sử dụng mạng ANN ..........................97 4.2.2.1. Tập dữ liệu dùng để huấn luyện mạng ANN........................................97 4.2.2.2. Thiết lập mạng ANN cho bài toán phân loại tín hiệu.........................100 4.2.2.3. Kết quả thực nghiệm...........................................................................102 4.3. Phƣơng pháp phân loại dựa trên kỹ thuật phân tích thống kê.................103 4.3.1. Phân tích hồi quy Logistic ................................................................104 4.3.2. Lựa chọn thông số sử dụng cho các biểu thức ............................106 4.3.3. Phân loại tín hiệu theo các giá trị xác suất bệnh lý .........................108 4.3.3.1. Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm ALS .............108 4.3.3.2. Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm MYO............110 4.3.3.3. Bộ phân loại tín hiệu theo các nhóm bệnh lý .....................................112 4.4. Kết chƣơng ..............................................................................................114 KẾT LUẬN VÀ KIẾN NGHỊ.......................................................... 116 CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN.................. 118 TÀI LIỆU THAM KHẢO................................................................ 119 PHỤ LỤC ......................................................................................... 126 1. Chế tạo mạch đo khảo sát tín hiệu EMG....................................................126 2. Xây dựng công cụ phân tích định lƣợng tín hiệu iEMG............................128ix DANH MỤC CÁC KÝ HIỆU VIẾT TẮT Ach Acetylcholine Chất dẫn truyền thần kinh Ach ALS Amyotrophic Lateral Sclerosis Hội chứng teo cơ xơ cột bên ANN Artifical Neural Network Mạng nơron nhân tạo ANNBP ANN Back Propagation Mạng ANN lan truyền ngƣợc APS Active Potential Segment Đoạn điện thế tích cực AR AutoRegressive Tự hồi quy AUC Area Under the Curve Diện tích dƣới đƣờng cong ROC CAD Computer Aided Diagnosis Hệ thống hỗ trợ chẩn đoán CMAP Compound muscle action potential Điện thế co cơ toàn phần của bắp cơ CMRR Commonmode rejection ratio Tỷ số nén nhiễu đồng pha DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc ECG Electrocardiography Tín hiệu điện tim EEG Electroencephalography Tín hiệu điện não EMD Empirical Mode Decomposition Phân giải mô hình thực nghiệm EMG Electromyography Tín hiệu điện cơ FIR Finite impulse response Đáp ứng xung hữu hạn HPF High Pass Filter Bộ lọc thông cao IEEE Institute of Electrical and Electronics Engineers Viện kỹ thuật điện và điện tử quốc tế iEMG intramuscular Electromyography Tín hiệu điện cơ kim IIR Infinite impulse response Đáp ứng xung không giới hạn LPF Low Pass Filter Bộ lọc thông thấp MEP Miniature Endplate Potential Điện thế thu nhỏ tâm tận cùng MU Motor Unit Đơn vị vận động MUAP Motor Unit Action Potential Điện thế hoạt động đơn vị vận động MUP Motor Unit Potential Điện thế đơn vị vận động MVC Maximum Voluntary Contraction Co cơ chủ động cực đạix MYO Myopathy Bệnh lý do cơ NCS Nerve Conduction Study Xét nghiệm dẫn truyền thần kinh NOR Normal Bình thƣờng QEMG Quantitative Electromyography Định lƣợng tín hiệu điện cơ RMS Root Mean Square Giá trị hiệu dụng ROC Receiver Operating Characteristic Đặc trƣng hoạt động bộ thu RQA Recurrence Quantification Analysis Phân tích định lƣợng truy hồi sEMG surface Electromyography Tín hiệu điện cơ bề mặt SFAP Single Fibre Action Potential Điện thế vận động sợi cơ đơn SMU Single Motor Unit Đơn vị vận động đơn SNR SignaltoNoise Ratio Tỷ số tín hiệu trên nhiễu SVD Singular Value Decomposition Phân giải giá trị suy biến SVM Support Vector Machine Máy vectơ hỗ trợ WHO World Health Organization Tổ chức chăm sóc sức khỏe thế giớixi DANH MỤC BẢNG Bảng 1.1. Số lƣợng đơn vị vận động, sợi cơ và sợi cơ trung bình của mỗi đơn vị vận động của một số nhóm cơ chính ở các chi ngƣời .........................................................13 Bảng 1.2. Bảng phân loại bệnh cơ do WHO đề xuất ...................................................16 Bảng 1.3. Các dấu hiệu bệnh lý thể hiện trên tín hiệu iEMG.......................................24 Bảng 2.1. Một số thông số của mạch và giá trị khuyến nghị. ......................................42 Bảng 3.1. Bảng so sánh tỷ lệ phân tách đúng của các phƣơng pháp............................60 Bảng 3.2. Bảng so sánh thông số phân tách các APS của các phƣơng pháp ...............70 Bảng 3.3. So sánh một số phƣơng pháp QEMG (đã có và đƣợc phát triển) ...............75 Bảng 3.4. Một số thông số của bản ghi dữ liệu iEMG của dữ liệu ..............................77 Bảng 3.5. Bảng trích dữ liệu bộ các thông số định lƣợng tín hiệu iEMG....................78 Bảng 3.6. Kết quả kiểm định Utest đối với các thông số định lƣợng .........................84 Bảng 3.7. Ý nghĩa của hệ số tƣơng quan......................................................................85 Bảng 3.8. Bảng mô tả dữ liệu của ví dụ kiểm định Spearman .....................................87 Bảng 3.9. Kết quả kiểm định Spearman trên toàn tập dữ liệu......................................88 Bảng 4.1. Trích tập dữ liệu huấn luyện mạng phân loại tín hiệu iEMG ......................97 Bảng 4.2. Bảng mô tả dữ liệu trƣớc chuẩn hóa ............................................................99 Bảng 4.3. Bảng mô tả dữ liệu sau chuẩn hóa ...............................................................99 Bảng 4.4. Các nhóm thông số định lƣợng có hệ số tƣơng quan rất cao.....................107 Bảng 4.5. Bảng phân loại theo hai nhóm ALS và khác..............................................109 Bảng 4.6. Bảng phân loại theo hai nhóm MYO và khác............................................111 Bảng 4.7. Các chỉ số kiểm định các biểu thức xác suất xây dựng đƣợc ....................111 Bảng 4.8. Bảng phân loại tín hiệu dùng đồng thời hai chỉ số PMYO và PALS...............113xii DANH MỤC HÌNH Hình 1.1. Một số nhóm cơ chi ở mặt trƣớc cơ thể..........................................................9 Hình 1.2. Cấu trúc của cơ vân ......................................................................................10 Hình 1.3. Giải phẫu thần kinh vận động dƣới ..............................................................11 Hình 1.4. Hình ảnh minh họa các phần của tế bào thần kinh vận động .......................11 Hình 1.5. Giải phẫu của synap thần kinh......................................................................12 Hình 1.6. Giải phẫu của sợi trục thần kinh...................................................................12 Hình 1.7. Giải phẫu các đơn vị vận động của bắp cơ...................................................13 Hình 1.8. Điện thế màng tế bào....................................................................................15 Hình 1.9. Xét nghiệm điện cơ đồ kim (nguồn MMG2002)..........................................18 Hình 1.10. Hình dạng và các tham số đo của điện cực kim (A – Điện cực kim đồng tâm, B – Điện cực đơn cực, C – Điện cực sợi cơ đơn, D – Điện cực lớn) ...................19 Hình 1.11. Hình ảnh dạng sóng điện thế kim đâm .......................................................19 Hình 1.12. Dạng sóng của điện thế co giật sợi cơ ........................................................20 Hình 1.13. Dạng các sóng nhọn dƣơng ........................................................................20 Hinh 1.14. Dạng sóng của bộ phức hợp lặp lại ngắt quãng..........................................21 Hình 1.15. Các dạng sóng của phóng điện liên tục (A phóng điện lặp lại với tần số cao, B – phóng điện với bộ phức hợp lặp lại) ..............................................................21 Hình 1.16. Hình dạng và các tham số chính của một MUAP ......................................21 Hình 1.17. Các loại MUAP (A Bình thƣờng; B Biên độ thấp, thời khoảng ngắn và đa pha; C Thời khoảng dài, đa pha; D Đa pha kèm thành phần muộn) .........................22 Hình 1.18. Các hình ảnh dạng sóng iEMG ở các mức co cơ khác nhau ......................22 Hình 1.19. Hình thái của các MU và MUAP ở các bệnh lý khác nhau........................23 Hình 1.20. Mô hình quá trình chẩn đoán điện cơ đồ sử dụng máy tính .......................25 Hình 1.21. Các nội dung nghiên cứu của luận án.........................................................28 Hình 2.1. Mô hình minh họa việc thu nhận tín hiệu EMG...........................................30 Hình 2.2. Thu nhận tín hiệu điện cơ bề mặt của hai bắp cơ đối vận ............................31xiii Hình 2.3. Thu nhận tín hiệu iEMG và các loại điện cực kim có thể sử dụng ..............32 Hình 2.4. Dạng sóng của tín hiệu iEMG và sEMG......................................................33 Hình 2.6. Sơ đồ khối của mạch đo tín hiệu EMG ........................................................38 Hình 2.7. Phƣơng thức bỏ nhiễu đồng pha của bộ khuếch đại vi sai ...........................38 Hình 2.8. Sơ đồ mạch lọc Butterworth bậc 2 kiến trúc SallenKey .............................39 Hình 2.9. Sơ đồ nguyên lý của mạch lọc Twin – Tnotch.............................................40 Hình 2.10. Giải pháp dùng nguồn cách ly trong mạch đo tín hiệu EMG.....................42 Hình 2.11. Hình ảnh tín hiệu EMG bề mặt đo ở bắp tay khi co cơ vừa phải (A – Dạng sóng tín hiệu và B Phổ của tín hiệu EMG thu nhận đƣợc)..........................................43 Hình 2.12. Tín hiệu iEMG số có lẫn nhiễu (nhiễu tần số thấp và tần số cao)..............44 Hình 2.13. Phổ của của một số tín hiệu iEMG thô.......................................................45 Hình 2.14. Các cấu trúc của bộ lọc trễ pha bằng không...............................................46 Hình 2.15. Sự khác biệt giữa bộ lọc thông thƣờng và bộ lọc pha không .....................46 Hình 2.16. Đồ thị tỷ lệ sai khác giữa hai bộ lọc thƣờng dùng và đƣợc lựa chọn.........48 Hình 2.17. Các dạng sóng và các thông số tín hiệu iEMG (A – trƣớc khi lọc và B – sau lọc theo phƣơng pháp lựa chọn).............................................................................48 Hình 2.18. Phổ tín hiệu trƣớc và sau khi lọc theo phƣơng pháp lựa chọn ...................49 Hình 3.1. Các quy trình QEMG của các phƣơng pháp đã đƣợc giới thiệu ..................53 Hình 3.2. Quy trình định lƣợng tín hiệu iEMG đƣợc đề xuất phát triển......................53 Hình 3.3. A Tín hiệu iEMG và B Các APS xác định đƣợc .....................................55 Hình 3.4. Vị trí các APS đƣợc xác định theo cửa sổ cố định và ngƣỡng T..................56 Hình 3.5. Hình ảnh tín hiệu gốc và tín hiệu xung Trigơ của nó...................................57 Hình 3.6. Hình thái của các dạng sóng wavelet Daubechies........................................58 Hình 3.7. Phƣơng pháp phân tách dựa trên tín hiệu biến động ....................................59 Hình 3.8. Tín hiệu iEMG là x(n) và tín hiệu biến động của nó v(n) ............................63 Hình 3.9. Tín hiệu biến động v(n) và đƣờng cắt có ngƣỡng thrpl................................65 Hình 3.10. Hình ảnh minh họa định nghĩa điểm uốn đối với tín hiệu iEMG...............66 Hình 3.11. Lƣu đồ thuật toán tìm điểm uốn lựa chọn sử dụng.....................................67xiv Hình 3.12. Các điểm uốn đƣợc xác định trên đoạn sóng APS xác định đƣợc .............68 Hình 3.13. Các tín hiệu iEMG (A Đỉnh nằm trên, B Đỉnh nằm dƣới đƣờng đẳng điện) ..............................................................................................................................68 Hình 3.14. Cách xác định các APS có ý nghĩa chẩn đoán trong tín hiệu iEMG..........69 Hình 3.16. Dạng sóng và các tham số của mỗi đoạn APS ...........................................70 Hình 3.16. Đồ thị Poincaré của các tín hiệu thuộc các nhóm bệnh lý khác nhau ........73 Hình 3.17. Đồ thị Poincaré của tín hiệu x(n) ...............................................................74 Hình 3.18. Các quy trình QEMG theo phƣơng pháp đã có (A, B) và phát triển (C) ...75 Hình 3.19. Các đồ thị phân bố giá trị của các thông số QEMG của tập dữ liệu mẫu ..81 Hình 4.1. Hình ảnh các loại tín hiệu EMG (A – NOR, B – ALS, C – MYO)..............92 Hình 4.2. Cấu trúc tổng quát của mạng Artifical Neural Network ..............................96 Hình 4.3. Mô hình quá trình học không có giám sát ....................................................96 Hình 4.4. Mô hình quá trình học có giám sát ...............................................................97 Hình 4.5. Kiến trúc của mạng ANN đƣợc sử dụng để phân loại tín hiệu EMG. .........98 Hình 4.6. Cấu trúc mạng ANNBP của bộ phân loại tín hiệu có 14 đầu vào.............100 Hình 4.7. Ma trận phân loại của bộ phân loại ANNBP 14 đầu vào..........................102 Hình 4.8. Đồ thị ROC của bộ phân loại ANNBP 14 đầu vào...................................103 Hình 4.9. Mối liên hệ giữa logit(p) và p.....................................................................105 Hình 4.10. Đƣờng cong ROC phân loại tín hiệu theo hai nhóm ALS và khác ..........110 Hình 4.11. Đƣờng cong ROC phân loại tín hiệu theo hai nhóm MYO và khác ........111 Hình 4.12. Đồ thị phân bố giá trị xác suất PALS và PMYO của các nhóm tín hiệu.........112 Hình 4.13. Mô hình ANNBP phân loại tín hiệu iEMG có 5 đầu vào .......................113 Hình 4.14. Ma trận phân loại và đồ thị ROC của bộ phân loại ANNBP 5 đầu vào..114 Hình 5.1. Hình ảnh mạch đo tín hiệu EMG chế thử (kích thƣớc 7x10cm2)...............127 Hình 5.2. Giao diện và một số chức năng của công cụ QEMG_BK..........................1281 MỞ ĐẦU Mục đích của nghiên cứu. Các bệnh cơ có thể gây ra những khuyết tật thể chất nghiêm trọng, có thể dẫn tới mất khả năng vận động thậm chí có thể tử vong. Ví dụ nhƣ, bệnh nhân mắc hội chứng teo cơ xơ cột bên (Amyotrophic Lateral Sclerosis ALS) ban đầu cơ thể dần mất khả năng vận động và khi bệnh nặng bệnh nhân mất khả năng ăn, tiêu hóa và thở dẫn tới tử vong. Bệnh cơ có thể xảy ra ở mọi lứa tuổi, nhƣng hậu quả sẽ rất nghiêm trọng khi nó xảy ở những ngƣời trẻ tuổi. Theo công bố của NIH (National Institute of Neurological Disorders and Stroke – Viện nghiên cứu quốc gia về rối loạn bệnh lý thần kinh và đột quỵ) ở Mỹ hàng năm có tỷ lệ 1 trên 3500 đến 6000 bé trai mới sinh bị mắc bệnh loạn dƣỡng cơ Duchenne 67. Nhu cầu về khám và điều trị của các bệnh nhân mắc bệnh cơ là rất đa dạng, nhƣng hiện nay, sự đáp ứng cho nhu cầu này còn nhiều hạn chế. Trong số các bệnh nhân bệnh cơ, có nhiều bệnh nhân đã đƣợc chữa khỏi, hoặc giảm mức độ bệnh tật nhờ đƣợc phát hiện và điều trị kịp thời. Do đó, mặc dù bệnh về cơ không phổ biến nhƣ các bệnh khác nhƣ bệnh tim, bệnh ung thƣ, bệnh tiểu đƣờng, bệnh mất trí nhớ,... nhƣng chúng vẫn cần đƣợc quan tâm đầy đủ 1, 2, 86. Tín hiệu điện cơ là tín hiệu điện sinh học đƣợc sinh ra khi các cơ hoạt động. Tín hiệu điện cơ đồ (Electromyography – EMG) là một thuật ngữ do Weddell và cộng sự đƣa ra năm 1943, để mô tả các ứng dụng lâm sàng sử dụng việc xét nghiệm đối với hệ thống cơ xƣơng (cơ vân). Trong xét nghiệm điện cơ đồ thƣờng quy, điện cực kim đồng tâm thƣờng đƣợc sử dụng để thu tín hiệu EMG, tín hiệu này đƣợc là tín hiệu điện cơ kim (intramuscular EMG iEMG). Xét nghiệm iEMG thƣờng đƣợc thực hiện khi ngƣời bệnh bị yếu cơ mà không giải thích đƣợc, sau khi khảo sát dẫn truyền thần kinh và thƣờng đƣợc tiến hành trên nhóm cơ chi (chi trên hoặc dƣới) 3, 47, 78. Sau đây, tín hiệu iEMG thu đƣợc tại chi đƣợc gọi ngắn là tín hiệu iEMG chi. Thông tin thu đƣợc từ tín hiệu iEMG chi có thể giúp các bác sỹ phân biệt giữa bệnh cơ mà trong đó nguyên nhân gây bệnh xuất phát từ cơ và yếu cơ do rối loạn thần kinh cơ. Tuy nhiên, các bác sỹ gặp nhiều khó khăn khi thu thông tin trực tiếp từ tín hiệu iEMG chi do: (1) là tín hiệu nhỏ, (2) bị can nhiễu từ nhiều nguồn, (3) tín hiệu thu đƣợc là tín hiệu xếp chồng của nhiều nguồn, (4) độ ổn định của nguồn tín hiệu thấp và (6) sự khác biệt giữa các loại tín hiệu iEMG ở các bệnh lý khó quan sát,… Các bác sỹ hay các chuyên gia điện cơ đồ cần phải đƣợc đào tạo lâu dài và có nhiều năm làm việc2 liên tục với một thiết bị cố định mới có thể đƣa ra các chẩn đoán có độ chính xác cao 2, 46. Nhằm mục đích hỗ trợ cho các bác sỹ trong quá trình chẩn đoán điện cơ đồ, các kỹ thuật phân tích tín hiệu iEMG đã sớm đƣợc giới thiệu và phát triển, từ cuối những năm 40 của thế kỷ trƣớc. Năm 1957, phƣơng pháp phân tích định lƣợng một số tham số của các điện thế hoạt động đơn vị vận động (Motor Unit Action Potential MUAP) trong tín hiệu iEMG đã đƣợc Buchtal và các cộng sự công bố. Theo phƣơng pháp này, các thông số thu đƣợc bởi quá trình phân tích thủ công, quan sát và đo đếm trực tiếp các giá trị nhƣ biên độ, thời khoảng, số pha của MUAP riêng lẻ trên màn hình hiện thị dạng sóng. Nhƣng theo đánh giá của các chuyên gia điện cơ đồ thì đây là phƣơng pháp khá mệt mỏi và tốn thời gian 26, 42. Ngày nay, sự phát triển của công nghệ máy tính 62 và các kỹ thuật xử lý tín hiệu số giúp cho việc nghiên cứu về các phƣơng pháp định lƣợng tín hiệu iEMG trở nên dễ dàng và phổ biến hơn 79. Từ năm 1989, DeLuca, Dorfman và một số nhà nghiên cứu khác đã bắt đầu đề xuất các phƣơng pháp phân tích tín hiệu iEMG khác nhau trong các miền thời gian, miền tần số, miền không gian – tần số, miền phi tuyến, các kỹ thuật phân giải tín hiệu iEMG khác nhau và các thông số định lƣợng tín hiệu khác nhau. Trong số các phƣơng pháp đã đƣợc đề xuất, các phƣơng pháp liên quan đến việc định lƣợng các tham số của các MUAP chứa trong tín hiệu iEMG kim cho kết quả đáng tin cậy nhất 12, 42, 73, 78. Việc sử dụng các kỹ thuật định lượng tín hiệu điện cơ (Quantitative EMG – QEMG) giúp cho việc chẩn đoán hạn chế đƣợc sự đánh giá chủ quan của các chuyên gia điện cơ đồ, độ chính xác của chẩn đoán đƣợc cải thiện, giúp quá trình theo dõi điều trị hiệu quả hơn. Tuy nhiên, kỹ thuật QEMG còn đóng vai trò hạn chế trong quá trình chẩn đoán lâm sàng hiện nay, do một số nguyên nhân nhƣ: (1) Hầu hết các kỹ thuật QEMG đang đƣợc ứng dụng hiện nay tiêu tốn nhiều thời gian khi thực hiện; (2) Một số công đoạn trong quy trình phân tích định lƣợng tín hiệu của các kỹ thuật QEMG hiện nay đòi hỏi các chuyên gia điện cơ đồ phải am hiểu sâu về kỹ thuật và công nghệ: (3) Chƣa kỹ thuật nào cho phép thu nhận hết các tham số hữu dụng trong tín hiệu iEMG; (4) Một số bộ thông số định lƣợng thu bởi một số kỹ thuật QEMG hiện có không dễ sử dụng 3, 9, 26, 78. Lĩnh vực nghiên cứu về các phƣơng pháp và công cụ phân tích định lƣợng tín hiệu iEMG hỗ trợ hiệu quả hơn cho các bác sỹ trong quá trình chẩn đoán điện cơ đồ vẫn là một lĩnh vực thu hút đƣợc nhiều nhà nghiên cứu quan tâm. Các nghiên cứu3 nhằm hạn chế các nhƣợc điểm đƣợc đề cập ở trên, chúng tập trung vào các hƣớng nhƣ: (1) phát triển và tối ƣu hệ thống thu nhận tín hiệu có chất lƣợng cao hơn, (2) phát triển các phƣơng pháp phân giải hiệu quả tín hiệu iEMG thành các thông tin dễ dàng đƣợc sử dụng hơn, (3) phát triển các hệ thống “chuyên gia” tự động phân tích nhanh và chính xác các tín hiệu EMG, đƣa ra các gợi ý hỗ trợ quá trình ra quyết định chẩn đoán của bác sỹ 25, 57, 58, 64, 78. Mục tiêu nghiên cứu của luận án Để giải quyết một số tồn tại của lĩnh vực nghiên cứu này, mục đích nghiên cứu của luận án này là phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG chi thành các thông tin trợ giúp cho các bác sỹ trong quá trình chẩn đoán bệnh lý. Trong đó, phƣơng pháp phân tích định lƣợng tín hiệu iEMG đƣợc phát triển phải có một số ƣu điểm so với một số phƣơng pháp đã có. Nghiên cứu này hƣớng tới các mục tiêu cụ thể nhƣ:  Phát triển đƣợc phƣơng pháp QEMG tín hiệu iEMG chi có hiệu quả tính toán tốt hơn một số phƣơng pháp đã có, nhƣ giảm số phép toán, số bƣớc và số can thiệp vào trong quá trình phân tích định lƣợng tín hiệu.  Đƣa ra bộ thông số định lƣợng có khả năng hỗ trợ phân nhóm tín hiệu theo các bệnh lý và bình thƣờng có độ chính xác cao mà có cách tính đơn giản hơn so với một số phƣơng pháp trƣớc.  Đề xuất cách sử dụng các thông số định lƣợng có đƣợc để phân loại tín hiệu, thông tin phân loại của tín hiệu có đƣợc là hữu dụng cho việc đƣa ra kết luận chẩn đoán. Các vấn đề cần giải quyết của luận án Với mục đích là phát triển phƣơng pháp phân tích định lƣợng tín hiệu iEMG chi hỗ trợ bác sỹ ra quyết định chẩn đoán có ƣu điểm hơn một số phƣơng pháp đã có về hiệu quả tính toán, tính ứng dụng thì nghiên cứu này cần phải thực hiện giải quyết các vấn đề chính nhƣ sau:  Lựa chọn giải pháp tiền xử lý phù hợp với tín hiệu iEMG chi trên  Phát triển phƣơng pháp định lƣợng tín hiệu iEMG chi cho phép tính các thông số định lƣợng đặc trƣng cho tín hiệu iEMG chi.  Xây dựng đề xuất mô hình phân loại tín hiệu iEMG chi có đầu vào là các thông số định lƣợng có đƣợc và đầu ra là thông tin phân loại theo các nhóm bệnh lý và bình thƣờng.4 Để giải quyết đƣợc các vấn đề chính đƣợc nêu ở trên, tác giả thực hiện các nội dung nghiên cứu chính nhƣ:  Nghiên cứu tín hiệu iEMG chi và ứng dụng lâm sàng, gồm: (1) Nghiên cứu về nguồn gốc và đặc trƣng bệnh lý của tín hiệu; (2) Nghiên cứu về phƣơng pháp thu nhận và đặc trƣng của tín hiệu; (3) Thu thập dữ liệu mẫu dùng để thử nghiệm phƣơng pháp đƣợc phát triển trong nghiên cứu.  Nghiên cứu và phát triển kỹ thuật phân tích định lƣợng tín hiệu iEMG, gồm: (1) Nghiên cứu về các kỹ thuật phân tích định lƣợng tín hiệu iEMG hiện có; (2) Phát triển kỹ thuật phân tích định lƣợng tín hiệu iEMG theo các mục tiêu đề ra; (3) Thử nghiệm, đánh giá phƣơng pháp phân tích đƣợc phát triển với dữ liệu mẫu có đƣợc.  Nghiên cứu đề xuất cách sử dụng thông số định lƣợng để phân loại tín hiệu iEMG theo các nhóm bệnh lý và bình thƣờng, gồm: (1) Nghiên cứu về các phƣơng pháp phân loại iEMG; (2) Xây dựng các mô hình giúp phân loại tín hiệu iEMG dựa trên các kỹ thuật đƣợc lựa chọn. Phạm vi nghiên cứu của luận án Nghiên cứu này tập trung vào phát triển phƣơng pháp phân tích tín hiệu iEMG chi thành các thông tin hỗ trợ bác sỹ chẩn đoán bệnh lý. Phƣơng pháp phân tích cho phép phân tích các tín hiệu iEMG chi trên đƣợc thu bởi điện cực đồng tâm khi đối tƣợng đƣợc yêu cầu co cơ vừa phải (co cơ lên tới mức 30% lực co cơ cực đại MVC). Dữ liệu mẫu dùng để thử nghiệm các phƣơng pháp đƣợc phát triển bao gồm hơn 800 tín hiệu iEMG (bình thƣờng và bệnh lý), đƣợc đo theo phƣơng pháp tiêu chuẩn tại các trung tâm y tế hiện đại là: (1) từ Cyprus Institute of Neurology and Genetics, Nicosia và (2) từ bệnh viện ĐH Ioannina, khoa Neurological Clinic, Ioannina, Greece. Chúng đƣợc công bố bởi EMGLab 37. Phƣơng pháp nghiên cứu Phƣơng pháp nghiên cứu trong luận án này là nghiên cứu lý thuyết, khảo sát thực tế, thử nghiệm, thu thập thông tin phân tích thống kê các kết quả từ việc xử lý dữ liệu mẫu để đƣa ra đánh giá so sánh với các số liệu kết quả nghiên cứu đã đƣợc công bố qua đó khẳng định phƣơng pháp định lƣợng tín hiệu đƣợc phát triển trong luận án này là đúng và hiệu quả. Về nghiên cứu lý thuyết và khảo sát thực tế, tác giả đã nghiên cứu các lý thuyết về sinh lý cơ, bệnh lý cơ, tín hiệu EMG, các nghiên cứu về xử lý tín hiệu iEMG đã công bố kết hợp với việc khảo sát thực tế, tại các phòng chẩn đoán điện5 cơ đồ ở Việt Nam, để có sự hiểu biết rõ ràng cơ sở chẩn đoán điện cơ đồ và các yêu cầu khi ứng dụng trong lâm sàng. Tác giả phát triển phƣơng pháp phân tích tín hiệu iEMG chi, thử nghiệm chúng trên một số bộ dữ liệu mẫu và phân tích đánh giá các kết quả thu đƣợc, từ đó tác giả lựa chọn đƣợc một số phƣơng pháp phân tích tín hiệu iEMG mới có đƣợc các ƣu điểm khi ứng dụng thực tế. Cấu trúc luận án Luận án đƣợc chia làm 4 chƣơng có nội dung nhƣ sau: Chương 1: Tóm lƣợc các kiến thức cơ sở về giải sinh lý cơ xƣơng ở các chi, nguồn gốc điện sinh học của tín hiệu điện cơ, các loại tín hiệu điện cơ và dấu hiệu bệnh lý. Tổng quan ứng dụng điện cơ đồ lâm sàng và các nhiệm vụ của nghiên cứu. Chương 2: Trình bày phƣơng pháp thu nhận tín hiệu điện cơ, các yếu tố ảnh hƣởng đến chất lƣợng tín hiệu điện cơ, các giải pháp triệt nhiễu ở bộ thu nhận tín hiệu EMG và phân tích cơ sở lựa chọn bộ lọc số thích hợp để tiền xử lý tín hiệu EMG chi. Chương 3: Trình bày nội dung nghiên cứu phát triển phƣơng pháp định lƣợng tín hiệu iEMG chi, bao gồm: (1) phát triển phƣơng pháp phân tách nhanh các đoạn điện thế hoạt động trong tín hiệu iEMG chi, (2) phát triển phƣơng xác định các điểm uốn trong các đoạn tín hiệu iEMG, (3) đề xuất bộ các thông số định lƣợng của mỗi bản ghi tín hiệu iEMG chi. Phƣơng pháp phát triển đƣợc thử nghiệm trên các cơ sở dữ liệu mẫu và đƣợc so sánh với một số phƣơng pháp khác. Thực hiện phép kiểm định thống kê đối với dữ liệu định lƣợng các tín hiệu trong tập mẫu để đánh giá khả năng phân biệt tín hiệu thuộc các nhóm khác nhau bằng các thông số định lƣợng có đƣợc. Chương 4: Trình bày nội dung nghiên cứu, phát triển các phƣơng pháp phân loại tín hiệu EMG theo các nhóm khác nhau sử dụng các thông số định lƣợng của tín hiệu iEMG chi, theo phƣơng pháp định lƣợng đƣợc đề xuất phát triển. Phƣơng pháp phân loại tín hiệu đề xuất đƣợc xây dựng dựa trên mô hình xử lý thông tin mạng nơron và kỹ thuật phân tích hồi quy Logistic đối với các thông số định lƣợng của tín hiệu. Phƣơng pháp đƣợc thử nghiệm với các bộ dữ liệu đặc trƣng thu đƣợc khi áp dụng phƣơng pháp định lƣợng đƣợc đề xuất với bộ dữ liệu mẫu. Đánh giá so sánh kết quả phân loại của phƣơng pháp này với một số phƣơng pháp phân loại khác. Kết luận và kiến nghị.6 Ý nghĩa khoa học và thực tiễn của luận án Về ý nghĩa khoa học: Kết quả thử nghiệm phƣơng pháp QEMG phát triển đƣợc trên dữ liệu mẫu cho thấy thông số định lƣợng đƣợc tính từ các đoạn điện thế tích cực đƣợc phân tách từ tín hiệu iEMG và thông số tính độ phân tán của các mẫu tín hiệu iEMG liên tiếp cho phép hỗ trợ việc phân loại tín hiệu theo các nhóm với độ chính xác cao tƣơng đƣơng với các thông số định lƣợng tính từ các MUAP mẫu xác định từ tín hiệu iEMG. Nhƣ vậy, phƣơng pháp này có số phép tính, số công đoạn xử lý và mức độ can thiệp vào quá trình xử lý ít hơn so với một số phƣơng pháp QEMG đã đƣợc công bố 58, 64, 73, trong khi giá trị hỗ trợ phân loại của thông số định lƣợng thu đƣợc cao tƣơng đƣơng. Về ý nghĩa thực tiễn: Ứng dụng điện cơ đồ trong lâm sàng ở Việt Nam đƣợc thực hiện từ năm 1992 2, tuy nhiên, chƣa có một nghiên cứu nào ở Việt Nam đƣợc thực hiện nhằm phát triển phƣơng pháp phân tích tín hiệu hỗ trợ quá trình chẩn đoán. Đây là lần đầu tiên, nghiên cứu phát triển phƣơng pháp và công cụ hỗ trợ các chuyên gia điện cơ đồ xác định hiệu quả loại bệnh lý dựa vào tín hiệu iEMG chi đƣợc thực hiện một cách có hệ thống. Điều này đƣợc thể hiện trong các nội dung nghiên cứu của tác giả, đƣợc trình bày trong quyển luận án này, bao gồm: nghiên cứu, tổng hợp tóm lƣợc các lý thuyết liên quan đến cơ sở ứng dụng tín hiệu EMG, nghiên cứu về phƣơng pháp đo và xử lý để thu đƣợc tín hiệu EMG có chất lƣợng cao, phát triển phƣơng pháp định lƣợng tín hiệu EMG, đề xuất phƣơng pháp sử dụng các thông số định lƣợng để phân loại tín hiệu theo các nhóm bệnh lý và bình thƣờng. Phƣơng pháp QEMG phát triển đƣợc và cách thức sử dụng các thông số có đƣợc cho phép phân tích và xử lý tín hiệu iEMG chi hỗ trợ việc phân loại tín hiệu theo các nhóm bệnh lý và bình thƣờng một cách hiệu quả. Ngoài ra, những kiến thức có đƣợc sẽ là cơ sở để tác giả và nhóm nghiên cứu phát triển các thiết bị thu nhận và phân tích tín hiệu EMG hỗ trợ quá trình chẩn đoán và theo dõi mức độ tiến triển bệnh lý trong quá trình điều trị, đặc biệt có ý nghĩa ở Việt Nam. Các đóng góp chính của luận án Nghiên cứu này có hai đóng góp chính là: 1. Phát triển đƣợc phƣơng pháp định lƣợng tín hiệu iEMG chi gồm 3 bƣớc là tiền xử lý, phân tách các thành cần có ý nghĩa trong tín hiệu và tính các thông số định lƣợng dựa trên các thành phần có ý nghĩa có đƣợc. Phƣơng pháp phân tích định lƣợng đƣợc phát triển có ƣu điểm hơn một số phƣơng7 pháp trƣớc đó về hiệu quả tính toán và tính hữu dụng của thông số định lƣợng thu đƣợc. 2. Đƣa ra đƣợc cách thức sử dụng các thông số định lƣợng có đƣợc để phân loại tín hiệu iEMG theo các nhóm bệnh lý và bình thƣờng. Các phƣơng pháp phân loại đƣợc phát triển dựa trên mô hình xử lý thông tin mạng Artifical Neural Network và kỹ thuật phân tích hồi quy Logistic, chúng cho phép phân loại tín hiệu đạt độ chính xác cao, đạt trên 80% khi thử nghiệm với bộ dữ liệu mẫu. Bên cạnh đó, tác giả đã xây dựng đƣợc công cụ QEMG_BK cho phép phân tích định lƣợng các loại tín hiệu iEMG theo phƣơng pháp đƣợc phát triển. Ngoài ra, các nội dung và kết quả đạt đƣợc khi thực hiện nghiên cứu khảo sát đánh giá giải pháp thu nhận tín hiệu điện cơ, đƣợc trình bày trong chƣơng hai của luận án, là hữu dụng cho các nghiên cứu chế tạo thiết bị đo tín hiệu EMG có chất lƣợng cao, nó đặc biệt có ý nghĩa ở Việt Nam.8 CHƢƠNG 1. TÍN HIỆU ĐIỆN CƠ ỨNG DỤNG LÂM SÀNG Chƣơng này trình bày tóm lƣợc các kiến thức cơ sở về giải phẫu sinh lý thần kinh vận động của các chi, nguồn gốc điện sinh học của tín hiệu điện cơ, bệnh yếu cơ và các dấu hiệu rối loạn của các nhóm bệnh lý trong tín hiệu điện cơ và tổng quan các phƣơng pháp phân tích tín hiệu EMG hỗ trợ chẩn đoán rối loạn bệnh lý. Nội dung này là cơ sở để tác giả phân tích và đề xuất một số giải pháp và phƣơng pháp phân tích tín hiệu EMG hỗ trợ chẩn đoán bệnh lý ở các chi của ngƣời. 1.1. Sinh lý đơn vị vận động và nguồn gốc tín hiệu điện cơ Bộ máy vận động gồm hệ cơ, xƣơng, khớp và thần kinh vận động, chúng đảm bảo nhiều chức năng quan trọng của cơ thể. Chúng tạo nên một khung che đỡ các cơ quan nội tạng, thực hiện các hoạt động sinh hoạt, lao động và di chuyển của cơ thể. 1.1.1. Tóm lược giải phẫu hệ thần kinh cơ Trong cơ thể có ba loại cơ khác nhau là cơ trơn, cơ tim và cơ vân, 2 trong đó:  Cơ trơn là cơ cấu thành các cơ quan bên trong nhƣ ruột, bàng quang, mạch máu,… liên quan đến hệ thần kinh thực vật của cơ thể, nên đƣợc gọi là cơ vô thức.  Cơ tim là cơ cấu tạo thành quả tim. Cơ tim có một cấu trúc rất giống với cơ chủ động, nhƣng các sợi thì ngắn và to hơn tạo thành một tấm lƣới dày đặc.  Cơ vân, còn gọi là cơ xƣơng, bởi vì, cách sắp xếp các sợi tạo thành chúng làm cho chúng có vân sọc bên ngoài khi nhìn dƣới kính hiển vi. Cơ xƣơng với các xƣơng và gân, chịu trách nhiệm về mọi hình thái vận động có ý thức. Mỗi cử động của cơ thể, từ chớp mắt cho đến bật nhảy đều có thể thực hiện nhờ các cơ, gân và xƣơng. Chuỗi hoạt động co và duỗi cơ đóng một vai trò rất quan trọng trong việc truyền năng lƣợng từ cơ đến xƣơng liên kết với các cơ đó, nhờ đó tạo nên chuyển động. Để thực thực hiện một động tác nắm tay chủ động, nhiều bộ phận (nhƣ: não, các dây thần kinh, các cơ quan cảm giác và các sợi cơ) trong cơ thể hoạt động phối hợp với nhau 61. Các phần nội dung tiếp theo đây sẽ trình bày tóm lƣợc về giải phẫu của thần kinh vận động và cơ vân. Hình 1.1 minh họa vị trí một số nhóm vân chính phía mặt trƣớc của cơ thể.9 Nhóm cơ chi trên (tay) (20) Cơ vai trƣớc (21) Cơ vai giữa (22) Cơ vai sau (23) Cơ nhị đầu cánh tay (24) Cơ tam đầu cánh tay (25) Cơ cánh tay quay (26) Cơ kép các ngón tay (trừ ngón cái) (27) Cơ duỗi ngón tay Nhóm cơ chi dưới (chân) (28) Cơ mông nhỡ (29) Cơ mông lớn (30) Cơ khép hông (31) Cơ gấp hông (32) Cơ rộng trong (33) Cơ rộng giữa (34) Cơ bốn đầu đùi (35) Cơ khoeo giữa (36) Cơ bụng chân (37) Cơ bụng chân giữa (38) Cơ dép (39) Cơ chày trƣớc Hình 1.1. Một số nhóm cơ chi ở mặt trước cơ thể 61 Nghiên cứu này chỉ nghiên cứu về tín hiệu điện tạo ra bởi các tổ chức cơ xƣơng, do đó, các vấn đề đƣợc đề cập sau đây sẽ chỉ hƣớng tới cơ xƣơng hay còn gọi là cơ vân. 1.1.2. Tóm lược về giải phẫu cơ vân Cơ vân đƣợc phân bố khắp cơ thể, chiếm một tỷ lệ lớn về trọng lƣợng. Nó có thể chiếm đến 25% trọng lƣợng cơ thể của trẻ sơ sinh. Cấu tạo của một cơ vân có thể hình dung nhƣ một chuỗi bó sợi song song đƣợc gộp lại để tạo thành một bắp cơ. Chúng10 khá giống các lò xo đƣợc gắn ở nhiều điểm khác nhau của bộ xƣơng và điều khiển sự chuyển động của các xƣơng khác nhau 3. Đơn vị cơ sở của cơ là các sợi actin và myosin, chúng có kích thƣớc nhỏ cỡ μm, chỉ có thể quan sát thấy với sự trợ giúp của kính hiển vi điện tử. Hình 1.2 dƣới đây mô tả các mức cấu trúc cơ bản của cơ vân. Hình 1.2. Cấu trúc của cơ vân 38 Trong đó:  Bắp cơ: Toàn bộ bắp cơ đƣợc chứa trong một màng mô sợi. Nó có một chỗ phình to ở giữa và hai đầu thon dần, hoặc gân, mỗi đầu của nó đƣợc gắn vào một xƣơng. Một bắp cơ nhỏ có thể chỉ có một ít bó cơ, trong khi đó một bắp cơ lớn nhƣ cơ mông lớn đƣợc tạo nên bởi hàng trăm bó cơ.  Bó cơ: gồm các sợi cơ đƣợc kết hợp với nhau trong một bao mô liên kết.  Sợi cơ: Các sợi nguyên cơ đƣợc kết lại thêm nữa thành bó gọi là sợi cơ. Các sợi này là các tế bào cơ, với các nhân tế bào dọc theo mép bên ngoài của chúng. Mỗi sợi cơ đƣợc nối với một (hoặc hai) nhánh của một sợi trục thần kinh. Về phân bố của sợi cơ trong bắp cơ, ta có thể chia thành hai loại: sợi cơ ngoài thoi và sợi cơ trong thoi, chúng nằm song song với nhau.  Sợi nguyên cơ: Các sợi actin và myosin kết lại thành bó gọi là sợi nguyên cơ. Ở giữa chúng là các chất lắng đọng của nhiên liệu cơ dƣới hình thức glycogen (một carbohydrate thƣờng đƣợc gọi là tinh bột của tế bào), các ty lạp thể, nơi mà oxy và các chất dinh dƣỡng đƣợc chuyển hóa để tạo ra năng lƣợng.  Sợi actin và myosin: Đƣợc tạo nên bằng các protein và đôi khi đƣợc gọi là các protein cơ. Khi các sợi myosin và actin co lại cùng nhau kéo dọc theo chiều dài của chúng, thì cơ sẽ co lại.11 Khi sinh ra, chúng đã có một số lƣợng cố định các sợi cơ. Chúng ta không thể tăng thêm số sợi cơ của cơ thể mà chỉ có thể tập luyện để chúng to hơn và khỏe hơn. Cơ thể chúng ta có đến 650 cơ bắp 51. Một hoạt động của chúng ta có thể liên quan đến nhiều bắp cơ. Chẳng hạn nhƣ, khi bƣớc đi, sẽ có 200 bắp cơ cùng hoạt động hoạt động 9. 1.1.3. Tóm lược về giải phẫu của thần kinh vận động Hệ thần kinh đƣợc cấu thành bởi hàng triệu tế bào thần kinh, chúng còn đƣợc gọi là các nơron. Chức năng của chúng khá giống với các dây dẫn trong thiết bị điện tử, chúng nhận tín hiệu từ một bộ phận của hệ thần kinh và chuyển các tín hiệu đến bộ phận khác. Mỗi nơron có hình dạng và kích thƣớc khác nhau nhƣng tất cả chúng đều có cấu trúc cơ bản giống nhau. Dây thần kinh vận động đƣợc bắt đầu từ các tế bào sừng trƣớc tủy sống nối dài tới các sợi cơ, đƣợc gọi là thần kinh vận động dƣới. Hình 1.3. Giải phẫu thần kinh vận động dưới 85 Các tế bào thần kinh vận động (liên kết với hai loại sợi là sợi ngoài thoi và sợi trong thoi) đƣợc chia ra làm 3 loại: (1) thần kinh vận động α liên kết với các sợi cơ ở ngoài thoi (extrafusal). (2) thần kinh vận động γ liên kết với sợi trong thoi cơ (intrafusal) và (3) thần kinh vận động β thì liên kết với cả các sợi cơ trong thoi và ngoài thoi. Phƣơng pháp điện cơ chỉ khảo sát các sợi cơ ở ngoài thoi, do vậy thông tin ta có đƣợc đối với các xét nghiệm điện cơ đồ liên quan đến thần kinh vận động α 56. Hình 1.4. Hình ảnh minh họa các phần của tế bào thần kinh vận động 43 Mỗi một thần kinh vận động có một sợi trục (axon). Mỗi sợi trục sẽ tách ra nhiều nhánh, mỗi nhánh đi tới một sợi cơ (muscle fiber), phần tiếp giáp với sợi cơ đƣợc gọi là tiếp giáp thần kinh cơ (đầu mút thần kinh hay synap).12 Synap thần kinh chứa nhiều ty lạp thể (là nguồn cung cấp năng lƣợng cho sợi cơ) và các túi nhỏ của synap. Có xấp xỉ 3105 lỗ trống ở đầu mỗi tâm vận động (MEP), mỗi lỗ trống có đƣờng kính khoảng 40nm. Các túi đó có hình cầu và màng bào quanh, bên trong túi chứa chất dẫn truyền thần kinh (Acetylcholine Ach). Vùng của sợi cơ nằm dƣới synap thần kinh đƣợc gọi là tâm tận cùng của vận động. Trong vùng này có nhân của tế bào sợi cơ, các ty lạp thể, các ribosom và các ẩm bào. Giữa synap thần kinh và tâm tận cùng của vận động cách nhau một khoảng và nằm lõm sâu vào trong sợi cơ. Hình 1.5 mô tả giải phẫu của phân tiếp giáp thần kinh cơ (synap thần kinh). Hình 1.5. Giải phẫu của synap thần kinh 51 Mỗi dây thần kinh bao gồm các sợi trục thần kinh và tổ chức liên kết. Nhiều sợi trục tập trung lại thành bó sợi thần kinh và nhiều bó sợi thần kinh tập trung lại thành dây thần kinh. Mỗi dây thần kinh bao gồm những sợi trục myelin hóa và không myelin hóa. Hình 1.6 mô tả cấu trúc giải phẫu của sợi trục thần kinh. Hình 1.6. Giải phẫu của sợi trục thần kinh 21 1.1.4. Đơn vị vận động Đơn vị vận động (Motor Unit MU) là thành phần cơ bản của hệ thống thần kinh vận động phân chia theo chức năng chỉ huy hệ cơ và tạo ra vận động. Một MU bao gồm một tế bào sừng trƣớc tủy sống, sợi thần kinh ngoại vi của nó và tất cả những sợi cơ do chính tế bào dây thần kinh vận động α đó chi phối. Hình 1.7 mô tả giải phẫu sinh lý của hai MU.13 Bắp cơ Sợi trục thần kinh Thân tế bào thần kinh Các bó sợi cơ MU 1 MU 2 Tủy sống Tâm tận cùng Hình 1.7. Giải phẫu các đơn vị vận động của bắp cơ 38 Mỗi bó cơ chứa từ 20 đến 60 sợi cơ và thuộc về từ 2 đến 3 MU. Ngƣợc lại, một MU có thể phân bố cho hơn 100 bó cơ, nhƣng chỉ trong phạm vi của 1 bắp cơ đó. Mỗi nhánh của sợi trục thần kinh sẽ đƣợc nối với một sợi cơ, tạo nên một synap thần kinh – cơ. Mỗi sợi cơ chỉ chịu sự chi phối của một thần kinh α duy nhất, không có sợi cơ nào chịu sự chi phối thần kinh của nhiều tế bào thần kinh vận động α 3, 51. Bảng 1.1. Số lượng đơn vị vận động, sợi cơ và sợi cơ trung bình của mỗi đơn vị vận động của một số nhóm cơ chính ở các chi người 51 Nhóm cơ Số đơn vị vận động Số lượng sợi cơ Số lượng sợi cơ của mỗi MU Cơ hai đầu cánh tay (Biceps brachii) 3552 580000 163 Cơ cánh tay – quay (Brachioradialis) 315 129200 410 Cơ mu bàn tay (Dorsalis interosseus 1) 119 40500 340 Cơ giun (Lumbricalis 1) 93 10038 108 Cơ gập ngón cái (Oppnens pollicis) 6047 79080 13 Cơ khép mông (Gracilis) 275 144933 527 Cơ bụng chân (Gastrocnemius medius) 778 1505538 2.037 Cơ cẵng chân trƣớc (Anterior tibialis) 445 250200 562 Cơ may (Sartorius) 740 222424 300 Cơ thẳng của đùi (Rectus femoris) 609 186292 305 Cơ bán gân (Semitendinosus) 712 508219 71314 1.1.5. Nguồn gốc của tín hiệu điện cơ Theo mô tả tại các tài liệu 2, 9, 51 và 38 thì nguồn gốc của tín hiệu điện cơ dựa trên các phản ứng hóa điện của synap thần kinh cơ dẫn đến sự thay đổi điện thế màng tề bào khi có kích thích. Trong đó: 1.1.5.1. Phản ứng hóa điện của synap thần kinh cơ Khi một xung điện từ thần kinh α đi đến một tâm vận động (MEP), nó kích hoạt quá trình Exocytosis hay làm cạn hoàn toàn khoảng 300 lỗ trống chứa Ach trƣớc Synap. Một lƣợng khoảng từ 107 đến 5x108 phân tử Ach cần để kích hoạt một điện thế hoạt động cơ. Ach khuếch tán qua khe Synap rộng từ 20 đến 30 nm trong khoảng thời gian xấp xỉ 0,5ms. Tại đây một số phân tử Ach kết hợp với các điểm tiếp nhận trên các đơn vị protein hình thành nên các đƣờng tiếp nhận ion dƣới Synap. Cứ 5 đơn vị protein phân tử khối lớn tạo thành một đƣờng Ach gắn vào các đơn vị protein sẽ làm giãn các đƣờng này ra thêm 0,65nm. Các đƣờng dẫn ion mở rộng cho phép ion Na+ chảy vào. Tuy nhiên các ion Cl vẫn bị đẩy ra vì các điện tích âm cố định ở cửa vào của đƣờng. Nhƣ thế, màng dƣới Synap đã đƣợc khử cực, tạo ra một điện thế hoạt động của sợi cơ. Lƣợng Ach ở khe Synap và phần bám vào vùng thu nhận nhanh chóng giảm xuống do thủy phân bởi enzyme Cholinesterase ở khe Synap và các thành phần trong phân tử của chúng sẽ đƣợc tái sử dụng. Một lƣợng nhỏ Ach thoát khỏi khe nhờ quá trình khuếch tán và cũng bị thủy phân. Khi màng sau Synap ở ngay dƣới MEP bị khử cực dƣới dạng đầu ra là một xung EPP có ngƣỡng rất lớn, một điện thế hoạt động cơ sẽ phát ra và truyền đi theo màng ngoài của sợi cơ. Đây chính là điện thế hoạt động tạo ra hiện tƣợng co cơ hoặc tổn hao sinh lực vận động. Các loại điện thế hoạt động cơ thông thƣờng đƣợc đo bên trong tế bào ở MEP và ở điểm cách đầu MEP khoảng 2mm. Để đảm bảo tất cả các bộ phận sâu bên trong sợi cơ đều đƣợc kích thích để co rút cùng lúc và cùng một cƣờng độ, dọc theo sợi cơ sẽ có các sợi ngang dạng ống nhỏ xoáy sâu bên trong sợi cơ gọi là ống T. Các ống T này có đầu mở để nhận dịch từ ngoài tế bào vào và cả hai đầu của ống đều nối với màng của sợi cơ. Chúng dẫn truyền điện thế họat động cơ từ phía ngoài vào khu vực sâu bên trong sợi cơ ở tất cả các vị trí dọc theo sợi cơ. Với một kích thích riêng lẻ đến từ thần kinh vận động α phân bố trên cơ, tạo ra một co giật, tức là, độ căng của cơ giảm xuống một lƣợng nhỏ sau đó tăng nhanh rồi lại giảm xuống dần đến không. Để duy trì lực co cơ, hệ thần kinh vận động phải tạo ra15 và duy trì chuỗi kích thích các sợi cơ, khi chuỗi kích thích này dừng lại cơ sẽ trở về trạng thái nghỉ. 1.1.5.2. Điện thế màng tế bào Nguồn gốc của hầu hết các tín hiệu điện sinh học trong cơ thể con ngƣời là do sự thay đổi của điện thế màng tế bào. Các tín hiệu điện sinh học phát sinh từ các điện thế qua màng tế bào thay đổi theo thời gian có thể thấy ở các tế bào thần kinh hay ở các tế bào cơ gồm cả cơ tim. Theo các tài liệu về nói về cơ sở điện sinh học 51, 61 cơ sở điện hóa của điện thế màng tế bào tồn tại dựa trên 2 hiện tƣợng:  Màng tế bào có tính bán thấm, hay nói cách khác chúng có độ dẫn và độ thấm khác nhau đối với các ion và phân tử khác nhau và  Màng tế bào có các cơ chế bơm ion sử dụng năng lƣợng trao đổi chất (ví dụ ATP adenosine triphosphate một chất rất giàu phosphate năng lƣợng cao). Các cơ chế bơm ion chủ động truyền ion và phân tử qua màng tế bào, chống lại hàng rào năng lƣợng và Gradien nồng độ giữa trong và ngoài m

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM MẠNH HÙNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ Hà Nội - 2016 i BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI PHẠM MẠNH HÙNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ Chuyên ngành: Kỹ thuật điện tử Mã số: 62520203 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS NGUYỄN VĂN KHANG Hà Nội - 2016 ii LỜI CAM ĐOAN Tôi xin cam đoan công trình nghiên cứu riêng Các số liệu luận án trung thực chƣa đƣợc công bố công trình khác Giáo viên hƣớng dẫn Tác giả PGS.TS Nguyễn Văn Khang Phạm Mạnh Hùng Tiếng việt: [1], [2], [3], [4], [5], [6] Tiếng anh: A [7], [8], [9], [10], [11], B [12], [13], [14] C [15], [16], [17], [18], [19], [20], [21], [22], D [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33], E [34], [35], [36], [37], [38], [39], [40], [41], [42], F [43], [44], [45], [46], G [47], [48], [49], [50], H [51], I [52], J [53], [54], [55], [56], K [57], [58], [59], [60], [61], L [62] , M [63], [64], [65], [66], N [67], [68], O [69], P [70], Q , R [71], [72], [73], [74], S [75], [76], [77], [78], [79], T [80], [81], [82], [83], [84], U [85], [86], V [87], Y , W [88] iii LỜI CẢM ƠN Đầu tiên xin bày tỏ lòng biết ơn chân thành sâu sắc tới thầy hƣớng dẫn khoa học PGS.TS Nguyễn Văn Khang Thầy ngƣời định hƣớng cho triển khai ý tƣởng khoa học, tận tình hƣớng dẫn suốt thời gian thực luận án Tôi xin chân thành cảm ơn GS.TS Nguyễn Đức Thuận, Anh, Chị, em bạn đồng nghiệp thuộc Bộ môn Công nghệ Điện tử & Kỹ thuật y sinh, Viện Điện Tử - Viễn Thông trƣờng Đại học Bách Khoa Hà Nội tạo điều kiện, định hƣớng, giúp đỡ động viên để hoàn thành công trình nghiên cứu Đặc biệt xin cảm ơn Bộ môn Công nghệ Điện tử & Kỹ thuật Y sinh, Bộ môn Điện tử & Kỹ thuật máy tính viện Điện Tử - Viễn Thông trƣờng Đại học Bách Khoa Hà Nội Phòng xét nghiệm Điện đồ Bệnh viện Lão Khoa Trung Ƣơng giúp đỡ nhiều sở vật chất, trang thiết bị nghiên cứu góp ý định hƣớng nghiên cứu để hoàn thành tốt công trình nghiên cứu Tôi xin trân trọng cảm ơn tới Ban Giám hiệu, Viện Đào tạo Sau đại học viện Điện Tử - Viễn Thông trƣờng Đại học Bách Khoa Hà Nội tạo điều kiện cho trình học tập nghiên cứu Tôi xin cảm ơn thành viên nhóm nghiên cứu EMGLabvn hỗ trợ tham gia với việc triển khai thí nghiệm đo lƣờng, phân tích tín hiệu sở y tế phòng thí nghiệm Cuối cùng, xin chân thành cảm ơn gia đình, ngƣời thân động viên tinh thần, thời gian vật chất để có động lực công việc nghiên cứu khoa học Hà Nội, ngày tháng Tác giả năm 2016 Phạm Mạnh Hùng iv MỤC LỤC DANH MỤC CÁC KÝ HIỆU VIẾT TẮT ix DANH MỤC BẢNG xi DANH MỤC HÌNH xii MỞ ĐẦU .1 Mục đích nghiên cứu Mục tiêu nghiên cứu luận án Các vấn đề cần giải luận án Phạm vi nghiên cứu luận án Phƣơng pháp nghiên cứu Cấu trúc luận án Ý nghĩa khoa học thực tiễn luận án Các đóng góp luận án CHƢƠNG TÍN HIỆU ĐIỆN CƠ - ỨNG DỤNG LÂM SÀNG .8 1.1 Sinh lý đơn vị vận động nguồn gốc tín hiệu điện 1.1.1 Tóm lược giải phẫu hệ thần kinh - 1.1.2 Tóm lược giải phẫu vân 1.1.3 Tóm lược giải phẫu thần kinh vận động 11 1.1.4 Đơn vị vận động 12 1.1.5 Nguồn gốc tín hiệu điện 14 1.1.5.1 Phản ứng hóa điện synap thần kinh - 14 1.1.5.2 Điện màng tế bào 15 1.2 Ứng dụng điện đồ lâm sàng 16 1.2.1 Bệnh yếu 16 1.2.2 Xét nghiệm điện đồ 17 1.2.3 Các khái niệm tín hiệu iEMG dùng chẩn đoán 19 1.2.3.1 Điện kim đâm 19 v 1.2.3.2 Điện tự phát 20 1.2.3.3 Điện hoạt động đơn vị vận động 21 1.2.3.4 Tín hiệu kết tập điện hoạt động 22 1.2.4 Dấu hiệu bệnh lý tín hiệu iEMG chi 23 1.3 Phƣơng pháp phân tích định lƣợng tín hiệu điện 24 1.3.1 Các kỹ thuật QEMG ứng dụng 24 1.3.2 Nhiệm vụ nghiên cứu 28 1.4 Kết chƣơng 29 CHƢƠNG LỰA CHỌN GIẢI PHÁP PHÙ HỢP ĐỂ TIỀN XỬ LÝ TÍN HIỆU iEMG CHI 30 2.1 Thu nhận thông số tín hiệu điện 30 2.1.1 Phương pháp thu nhận tín hiệu EMG 30 2.1.1.1 Thu nhận tín hiệu sEMG 31 2.1.1.2 Thu nhận tín hiệu iEMG 32 2.1.2 Đặc tính tín hiệu EMG 32 2.2 Các yếu tố gây suy giảm chất lƣợng tín hiệu EMG 34 2.2.1 Nhiễu 34 2.2.2 Suy giảm chất lượng mạch thu nhận 34 2.3 Các giải pháp tăng cƣờng tín hiệu EMG phần cứng 35 2.4 Khảo sát khả triệt nhiễu mạch đo 36 2.4.1 Mô tả thiết kế mạch đo khảo sát tín hiệu EMG 37 2.4.1.1 Khối khuếch đại triệt nhiễu đồng pha 38 2.4.1.2 Khối lọc tƣơng tự 39 2.4.1.3 Khối chuyển đổi tƣơng tự - số tín hiệu 41 2.4.1.4 Khối cách ly nguồn với đối tƣợng đo 41 2.4.2 Khảo sát ảnh hưởng nhiễu lên tín hiệu đo 42 2.5 Giải pháp tiền xử lý tín hiệu iEMG số 44 2.5.1 Phân tích lựa chọn loại lọc số 44 2.5.2 So sánh giải pháp lựa chọn với giải pháp thường dùng 47 vi 2.6 Kết chƣơng 49 CHƢƠNG PHÁT TRIỂN PHƢƠNG PHÁP PHÂN TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI 51 3.1 Đặt vấn đề 51 3.2 Phát triển phƣơng pháp tự động xác định thành phần có ý nghĩa tín hiệu iEMG chi 55 3.2.1 Một số giải pháp phân tách APS giới thiệu 56 3.2.2.1 Phƣơng pháp 1: Phân tách APS sử dụng cửa sổ cố định 56 3.2.2.2 Phƣơng pháp 2: Phân tách APS sử dụng tín hiệu Trigơ 57 3.2.2.3 Phƣơng pháp 3: Phân tách APS sử dụng biến đổi Wavelet 58 3.2.2.4 Phƣơng pháp 4: Phân tách APS sử dụng tín hiệu biến động 59 3.2.2.5 Đánh giá phƣơng pháp phân tách đƣợc giới thiệu 60 3.2.2 Phương pháp tự động xác định thành phần có ý nghĩa chẩn đoán phát triển 61 3.2.2.1 Tự động xác định APS 62 3.2.2.2 Tự động xác định điểm uốn sóng tín hiệu iEMG 65 3.2.2.3 Tự động lấy APS có ý nghĩa chẩn đoán 68 3.3 Đề xuất thông số định lƣợng tín hiệu iEMG chi 70 3.3.1 Các thông số định lượng tính từ tham số APS 71 3.3.2 Thông số định lượng tín hiệu iEMG đồ thị Poincaré 73 3.3.3 So sánh với số phương pháp QEMG có 74 3.4 Đánh giá giá trị thông số định lƣợng đƣợc đề xuất 76 3.4.1 Tập liệu mẫu 77 3.4.2 Mô tả tập liệu thông số định lượng iEMG thu 78 3.4.3 Kiểm định khác biệt thống kê thông số 82 3.4.3.1 Kiểm định U-test 82 3.4.3.2 Kết kiểm định U-test tập liệu mẫu 84 3.4.4 Kiểm định tương quan thông số 85 3.4.4.1 Kiểm định Spearman 86 3.4.4.2 Kết kiểm định tƣơng quan thông số 87 vii 3.5 Kết chƣơng 89 CHƢƠNG ĐỀ XUẤT PHƢƠNG PHÁP SỬ DỤNG CÁC THÔNG SỐ ĐỊNH LƢỢNG TÍN HIỆU CÓ ĐƢỢC ĐỂ PHÂN LOẠI TÍN HIỆU iEMG CHI THEO CÁC NHÓM BỆNH LÝ 92 4.1 Đặt vấn đề 92 4.2 Phƣơng pháp phân loại dựa kỹ thuật học máy 95 4.2.1 Mạng Artifical Neural Network (ANN) 96 4.2.2 Phân loại tín hiệu theo bệnh lý sử dụng mạng ANN 97 4.2.2.1 Tập liệu dùng để huấn luyện mạng ANN 97 4.2.2.2 Thiết lập mạng ANN cho toán phân loại tín hiệu 100 4.2.2.3 Kết thực nghiệm 102 4.3 Phƣơng pháp phân loại dựa kỹ thuật phân tích thống kê 103 4.3.1 Phân tích hồi quy Logistic 104 4.3.2 Lựa chọn thông số sử dụng cho biểu thức 106 4.3.3 Phân loại tín hiệu theo giá trị xác suất bệnh lý 108 4.3.3.1 Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm ALS 108 4.3.3.2 Xây dựng biểu thức tính xác suất tín hiệu thuộc nhóm MYO 110 4.3.3.3 Bộ phân loại tín hiệu theo nhóm bệnh lý 112 4.4 Kết chƣơng 114 KẾT LUẬN VÀ KIẾN NGHỊ 116 CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 118 TÀI LIỆU THAM KHẢO 119 PHỤ LỤC 126 Chế tạo mạch đo khảo sát tín hiệu EMG 126 Xây dựng công cụ phân tích định lƣợng tín hiệu iEMG 128 viii DANH MỤC CÁC KÝ HIỆU VIẾT TẮT Ach Acetylcholine Chất dẫn truyền thần kinh Ach ALS Amyotrophic Lateral Sclerosis Hội chứng teo xơ cột bên ANN Artifical Neural Network Mạng nơron nhân tạo ANN-BP ANN- Back Propagation Mạng ANN lan truyền ngƣợc APS Active Potential Segment Đoạn điện tích cực AR AutoRegressive Tự hồi quy AUC Area Under the Curve Diện tích dƣới đƣờng cong ROC CAD Computer Aided Diagnosis Hệ thống hỗ trợ chẩn đoán CMAP Compound muscle action potential Điện co toàn phần bắp CMRR Common-mode rejection ratio Tỷ số nén nhiễu đồng pha DWT Discrete Wavelet Transform Biến đổi wavelet rời rạc ECG Electrocardiography Tín hiệu điện tim EEG Electroencephalography Tín hiệu điện não EMD Empirical Mode Decomposition Phân giải mô hình thực nghiệm EMG Electromyography Tín hiệu điện FIR Finite impulse response Đáp ứng xung hữu hạn HPF High Pass Filter Bộ lọc thông cao IEEE Institute of Electrical and Electronics Engineers Viện kỹ thuật điện điện tử quốc tế iEMG intramuscular Electromyography Tín hiệu điện kim IIR Infinite impulse response Đáp ứng xung không giới hạn LPF Low Pass Filter Bộ lọc thông thấp MEP Miniature Endplate Potential Điện thu nhỏ tâm tận MU Motor Unit Đơn vị vận động MUAP Motor Unit Action Potential Điện hoạt động đơn vị vận động MUP Motor Unit Potential Điện đơn vị vận động MVC Maximum Voluntary Contraction Co chủ động cực đại ix MYO Myopathy Bệnh lý NCS Nerve Conduction Study Xét nghiệm dẫn truyền thần kinh NOR Normal Bình thƣờng QEMG Quantitative Electromyography Định lƣợng tín hiệu điện RMS Root Mean Square Giá trị hiệu dụng ROC Receiver Operating Characteristic Đặc trƣng hoạt động thu RQA Recurrence Quantification Analysis Phân tích định lƣợng truy hồi sEMG surface Electromyography Tín hiệu điện bề mặt SFAP Single Fibre Action Potential Điện vận động sợi đơn SMU Single Motor Unit Đơn vị vận động đơn SNR Signal-to-Noise Ratio Tỷ số tín hiệu nhiễu SVD Singular Value Decomposition Phân giải giá trị suy biến SVM Support Vector Machine Máy vectơ hỗ trợ WHO World Health Organization Tổ chức chăm sóc sức khỏe giới x Các lớp đầu Hình 4.14 minh họa kết huấn luyện thử nghiệm tập mẫu phân loại ANN-BP đầu vào ALS NOR MYO Độ xác phân loại ALS NOR MYO Tổng Tỷ lệ dƣơng tính thật Lớp đầu vào ALS NOR MYO Tỷ lệ dƣơng tính giả Hình 4.14 Ma trận phân loại đồ thị ROC phân loại ANN-BP đầu vào Kết thu đƣợc cho thấy độ xác phân loại hai phƣơng pháp tƣơng đƣơng (xấp xỉ 80%) Tuy nhiên, phƣơng pháp phân loại dựa biểu thức tính xác suất tín hiệu thuộc hai nhóm bệnh lý ALS MYO (đƣợc xây dựng kỹ thuật phân tích hồi quy Logistic) đơn giản, trực quan, dễ áp dụng thực tế phƣơng pháp sử dụng mạng ANN 4.4 Kết chƣơng Hiện nay, phƣơng pháp phân loại tín hiệu sử dụng máy tính đƣợc phát triển dựa thuật toán học máy hay kỹ thuật phân tích thống kê Để phát triển mô hình phân loại tín hiệu cần có sở liệu mẫu Nó đƣợc dùng để huấn luyện hay ƣớc lƣợng tham số mô hình (có thể phƣơng trình, biểu 114 thức điều kiện, ngƣỡng) phân loại Mỗi mô hình phân loại đƣợc đặc trƣng số lƣợng biến đầu vào, phƣơng pháp đƣợc dùng số lƣợng đầu Trong nghiên cứu này, tác giả phát triển hai phƣơng pháp sử dụng thông số định lƣợng thu đƣợc phƣơng pháp QEMG đƣợc phát triển, đƣợc mô tả chi tiết chƣơng ba Các phƣơng pháp đề xuất cho phép xây dựng mô hình phân loại tín hiệu theo nhóm khác ALS (nhóm bệnh lý rối loạn thần kinh cơ), NOR (bình thƣờng) MYO (nhóm bệnh lý cơ) đạt độ xác 80% Cụ thể là: (1) Phát triển phƣơng pháp sử dụng 14 thông số định lƣợng làm đầu vào cho mạng ANN-BP (có cấu hình 14 đầu vào, lớp ẩn với 10 nơron đầu ra) để phân loại tín hiệu iEMG theo ba nhóm ALS, MYO NOR Phƣơng pháp có ƣu điểm độ xác đạt đƣợc 84% Mạng đƣợc huấn luyện liệu mẫu cài đặt công cụ phân loại, cho phép phân loại tín hiệu đƣợc thu nhận định lƣợng theo cách thức tƣơng tự tín hiệu mẫu (2) Phát triển phƣơng pháp cần sử dụng thông số đƣợc lựa chọn từ 14 thông số định lƣợng có đƣợc Theo phƣơng pháp này, tín hiệu đƣợc phân loại dựa hai số xác suất PMYO PALS Trong đó, biểu thức tính xác suất PMYO PALS, theo hai thông số { , ̅ , ̅ , , } { , ̅ , ̅ , ,và }, đƣợc xây dựng phƣơng pháp phân tích hồi quy Logistic Phƣơng pháp có ƣu điểm sử dụng đơn giản so với phƣơng pháp dùng ANN-BP, độ xác đạt xấp xỉ 80% Các mô hình phân loại đƣợc phát triển sử dụng thông số định lƣợng đƣợc đề xuất cho phép phân loại tín hiệu với độ xác tƣơng đƣơng với phƣơng pháp Constantinos [90], C.Shirota [15], Sivarit Sultornsanee [75], Anjana Goen [48] có độ xác khoảng 80% Kết nghiên cứu gửi đăng tại: [1] Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang; “Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang, (2015) “Phân Loại Tín Hiệu Điện Cơ Đồ Kim Bằng Mạng Nơron Kỹ Thuật Phân Tích Hồi Quy Logistic”, Tạp chí Khoa Học & Công Nghệ trƣờng Đại Học Kỹ Thuật, No.110 [2] Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang; “Phân lớp tín hiệu điện đồ sử dụng kỹ thuật phân tích hồi quy Logistic”, tạp chí KHCN viện Hàn lâm khoa học quốc gia, [nộp 5/2015, chờ kết phản biện] 115 KẾT LUẬN VÀ KIẾN NGHỊ Thông qua nội dung nghiên cứu (1) tín hiệu iEMG ứng dụng, (2) phƣơng pháp tiền xử lý phân tích định lƣợng tín hiệu iEMG chi (3) phƣơng pháp phân loại tín hiệu iEMG chi theo nhóm khác dựa thông số đặc trƣng tín hiệu đƣợc trình bày luận án này, tác giả phát triển đƣợc phƣơng pháp định lƣợng tín hiệu điện chi hỗ trợ chẩn đoán bệnh lý Luận án đạt đƣợc mục tiêu nghiên cứu đề là:  Phát triển phương pháp QEMG tín hiệu iEMG chi có hiệu tính toán tốt số phương pháp có Phƣơng pháp QEMG đƣợc phát triển có số lƣợng phép xử lý hơn, mức độ tự động cao hơn, giúp giảm thời gian xử lý định lƣợng tín hiệu iEMG chi  Đề xuất thông số định lượng đặc trưng cho ghi tín hiệu iEMG cho phép hỗ trợ việc phân loại tín hiệu theo nhóm có độ xác cao Trong đó, thông số định lƣợng đƣợc tính từ tham số APS phân tách từ tín hiệu độ phân tán mẫu tín hiệu liên kỹ thuật Poincaré, khác so với phƣơng pháp có  Giới thiệu cách thức sử dụng thông số định lượng tín hiệu có để phân loại thô phân loại tự động tín hiệu iEMG theo nhóm khác Trong đó, cách thức phân loại thô sử dụng biểu thức tiên đoán bệnh lý đƣợc xây dựng kỹ thuật phân tích hồi quy Logistic cho việc phân loại tín hiệu Phƣơng pháp có ƣu điểm cho thông tin giá trị xác suất thuộc nhóm bệnh lý tín hiệu, bác sỹ dễ dàng dùng thông tin cho việc chẩn đoán Còn mô hình phân loại tự động mô hình phân loại dựa kỹ thuật học máy, thuận tiện việc tích hợp vào chƣơng trình phân tích, phân loại tín hiệu tự động Thử nghiệm cách thức phân loại tính hiệu đƣợc đề xuất liệu mẫu, kết phân loại đạt độ xác 80% Nhƣ vậy, thông tin tín hiệu thuộc nhóm hay giá trị xác suất tín hiệu thuộc nhóm bệnh lý có độ tin cậy cao thu đƣợc từ tín hiệu iEMG thô cách sử dụng kỹ thuật phân tích QEMG đƣợc phát triển luận án Thực tế, tác giả nhóm hỗ trợ xây dựng đƣợc công cụ thực QEMG dựa kỹ thuật phân tích định lƣợng đƣợc đề xuất sử dụng phát triển Công cụ QEMG cho phép phân tích tín hiệu iEMG thành thông tin hữu dụng cho việc chẩn đoán 116 bệnh lý Ngoài ra, tác giả giới thiệu giải pháp kỹ thuật cụ thể để chế tạo mạch đo tín hiệu EMG, đƣợc trình bày chƣơng hai Những nội dung có giá trị ứng dụng cho nghiên cứu chế tạo thiết bị đo tín hiệu EMG Việt Nam Tóm lại, đóng góp luận án là: Phát triển đƣợc phƣơng pháp định lƣợng tín hiệu iEMG chi gồm bƣớc tiền xử lý, phân tách thành phần có ý nghĩa tín hiệu tính thông số định lƣợng dựa thành phần có ý nghĩa có đƣợc Phƣơng pháp có ƣu điểm số phƣơng pháp trƣớc đó, nhƣ: a Cho phép giảm số phép toán, giảm số bƣớc tính toán, giảm can thiệp vào trình phân tích mà thu đƣợc thông số định lƣợng đặc trƣng tốt cho tín hiệu iEMG dùng cho chẩn đoán b Đề xuất đƣợc thông số định lƣợng dùng để phân loại tín hiệu iEMG theo nhóm bệnh lý bình thƣờng Đƣa hai phƣơng pháp sử dụng thông số định lƣợng để phân loại tín hiệu iEMG theo nhóm bệnh lý (ALS MYO) bình thƣờng (NOR) đạt độ xác cao, đó: a Phƣơng pháp phân loại thứ đƣợc xây dựng dựa mô hình mạng ANN-BP Mô hình phân loại dễ dàng tích hợp vào phần mềm tự động phân loại tín hiệu theo nhóm bệnh lý bình thƣờng, cho phép phân loại tín hiệu đạt độ xác cao b Phƣơng pháp phân loại thứ hai đƣợc xây dựng dựa kỹ thuật phân tích hồi quy Logistic Theo phƣơng pháp này, tính đƣợc giá trị xác suất tín hiệu thuộc nhóm ALS MYO Trong ứng dụng lâm sàng, giá trị xác suất sử dụng dễ dàng để phân loại tín hiệu theo nhóm bệnh lý bình thƣờng Các kết nghiên cứu đƣợc công bố 04 báo chuyên ngành Ngoài ra, tác giả tham gia công bố 02 báo liên quan đến nghiên cứu thiết kế hệ thống hỗ trợ phục hồi chức cơ, kỹ thuật xử lý tín hiệu điện sinh học Kiến nghị hướng phát triển Trên sở kết đạt đƣợc, tác giả kiến nghị số hƣớng phát triển là: (1) Phát triển phƣơng pháp xác định MUAP mẫu tín hiệu iEMG, dựa thông tin thu đƣợc từ bƣớc phân tách APS từ tín hiệu iEMG; (2) Phát triển phƣơng pháp phân loại tín hiệu iEMG khác dựa thông số định lƣợng tín hiệu thu đƣợc theo phƣơng pháp QEMG đƣợc phát triển từ nghiên cứu 117 CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN Phạm Mạnh Hùng, Vũ Duy Hải, Hoàng Mạnh Cƣờng, Nguyễn Văn Khang, (2014), “Phát triển số giải pháp thiết kế mạch để nâng cao chất lượng tín hiệu điện đồ”, Hội thảo quốc gia 2014 Điện tử, Truyền thông Công nghệ thông tin (REV-ECIT2014),18-19/9/2014, pp311-316 Phạm Mạnh Hùng, Vũ Mạnh Cƣờng, Vũ Duy Hải, Phạm Phúc Ngọc, Nguyễn Văn Khang, (2014), “Development of Quantitative Electromyography Method for Diagnostic and Research Purposes” Journal of Science and Technology, No.101 – 2014, pp140-144 Phạm Mạnh Hùng, Vũ Mạnh Cƣờng, Vũ Duy Hải, Lê Quang Thắng, Nguyễn Văn Khang, (2015), “Phát triển công cụ dùng việc định lượng tín hiệu điện đồ kim”, Tạp chí Khoa Học & Công Nghệ trƣờng Đại Học Kỹ Thuật, No.103 - 3/2015, pp37-42 Phạm Mạnh Hùng, Vũ Duy Hải, Nguyễn Văn Khang, (2015) “Phân Loại Tín Hiệu Điện Cơ Đồ Kim Bằng Mạng Nơron Kỹ Thuật Phân Tích Hồi Quy Logistic”, Tạp chí Khoa Học & Công Nghệ trƣờng Đại Học Kỹ Thuật, No.110 118 TÀI LIỆU THAM KHẢO Tiếng việt: [1] Bộ Y tế (2000), Bệnh học xương khớp nội khoa (dùng cho bác sĩ học viên sau đại học): NXB Giáo dục Việt Nam [2] Nguyễn Hữu Công (1998), Chẩn Đoán Điện Bệnh Lý Thần Kinh – Cơ.: Nhà Xuất Bản Y Học [3] Nguyễn Hữu Công (2013), Chẩn đoán điện ứng dụng lâm sàng.: Nhà xuất Đại học Quốc gia Thành phố Hồ Chí Minh [4] Nguyễn Văn Tuấn (2014), Phân tích hồi qui Logistic (Logistic regression analysis), Chƣơng trình huấn luyện y khoa - YKHOA.NET Training [5] Nguyễn Văn Tuấn (2014), Phân tích tương quan, Chƣơng trình huấn luyện y khoa - YKHOA.NET Training [6] Phạm Hữu Lê Quốc Phục (2010), "Nghiên cứu ứng dụng mạng Nơron nhân tạo giải lớp toán dự đoán phân loại”, Khoa học máy tính, Đại học Đà Nẵng, Luận văn thạc sỹ Tiếng Anh: [7] Adriano O Andrade, Alcimar B Soares, Slawomir J Nasuto and Peter J Kyberd (2012), "EMG Decomposition and Artefact Removal", in Computational Intelligence in Electromyography Analysis – A Perspective on Current Applications and Future Challenges, Ganesh R Naik, Ed., ch 11, pp 261-286 [8] Akhila Devi B.V., S.Suja Priyadharsini (2013), "Diagnosis of Neuromuscular Disorders Using Softcomputing Techniques", International Journal of Soft Computing and Engineering (IJSCE), vol 3, no 5, pp 105-111 [9] Aminoff J (2012), "Clinical Electromyography", in Aminoff's Electrodiagnosis in Clinical Neurology, 6th Edition.: Elsevier Store, ch 11, pp 233-259 [10] Analog Devices Inc Engineering (2008), Linear Circuit Design Handbook, H Zumbahlen, Ed [11] Arora Anjana Bhardwaj, Manish, A K (2011), "Techniques for Decomposition of EMG Signals”, in Biomedical Engineering and Information Systems: Technologies, Tools and Applications.: IGI Global, ch 10 119 [12] B Bromberg Mark (2012), "Quantitative Electromyography", in Electrodiagnosis in clinical neurology 6th ed., ch 12, pp 261-288 [13] Bruno Mambrito, C.J De Luca (1982), "Acquisition and Decomposition of the EMG Signal", in Prog clin Neurophysiol, J.E Desmedt, Ed., pp 52-72 [14] Buchthal F, Guld C, Rosenfalck P (1954), "Action potential parameters in normal human muscle and their dependence on physical variables", Acta Physiol Scand, vol 32, pp 200-215 [15] C Itiki, C Shirota, M Y Barretto (2005) "Associative Memories and Diagnostic Classification of EMG Signals", in Adaptive and Natural Computing Algorithms, pp 482-485 [16] C.D Katsis, Y Goletsis, A Likas, D.I Fotiadis, I Sarmase (2006), "A novel method for automated EMG decomposition and MUAP classification", Artificial Intelligence in Medicine, pp 55-64 [17] Carlo De Luca (2006), "Electromyography", in Encyclopedia of Medical Devices and Instrumentation, Webster John G., Ed.: John Wiley, 2006, pp 98-109 [18] Charles Zaiontz (2015.) Real Statistics Using Excel [Online] http://www.real-statistics.com/non-parametric-tests/mann-whitney-test/ [19] CI Christodoulou, CS Pattichis (1999), "Unsupervised Pattern Recognition for the Classification of EMG Signals", IEEE Trans Biomed Eng 1999;, vol 46, no 2, pp 169-178 [20] CJ DeLuca, LeFever RS (1982), "A procedure for decomposing the myoelectric signal into its constituent action potentials:part I, execution and test for accuracy Technique, theory and implementation", IEEE Trans Biomed Eng, pp 29:149-57 [21] C.S Pattichis, C.N Schizas, L.T Middleton (1995), "Neural Network Models in EMG Diagnosis”, IEEE Transactions on Biomedical Engineering, vol 42, no 5, pp 486-496 [22] C.S Pattichis, MS Pattichis (1999), "Time-scale analysis of cmotor unit action potentials”, IEEE Transactions on Biomedical Engg, vol 46, no 11, pp 1320-1329, 1999 [23] D Katsis, Themis P Exarchos, Costas Papaloukas, Yorgos Goletsis, Dimitrios I Fotiadis, Ioannis Sarmasg Christos (2007), "A two-stage 120 method for MUAP classification based on EMG decomposition", Computers in Biology and Medicine, vol 37, no 9, pp 1232–1240 [24] D.C Preston, B.E Shapiro (2002) "Needle electromyography Fundamentals, normal and abnormal patterns", in Neurol Clin N Am 20, Bashar Katirj, Ed., pp 361–396 [25] Dan Stashuk (2001), "EMG signal decomposition: how can it be accomplished and used?”, Journal of Electromyography and Kinesiology, pp 151–173 [26] Desmedt (1990), Computer Aided Electromyography and Expert Systems (Clinical Neurophysiology Updates).: Hardcover [27] De Luca, Gianluca (2003), Fundamental Concepts in EMG Signal Acquisition.: DelSys Inc [28] D.W Stashuk H Parsaei (2012), "EMG Signal Decomposition Using Motor Unit Potential Train Validity", Neural Systems and Rehabilita, vol 21, no 2, pp 265-274 [29] David W Hosmer (2013), Applied Logistic regression, 3rd ed New Jersey: John Wiley & Son [30] Demuth Mark Beale, Martin Hagan Howard (2015), Neural Network Toolbox - User Guide.: MATLAB [31] Dr Scott Day (2003), Important Factors in Surface EMG Measurement.: Bortec Biomedical Ltd [32] Dowling., Fitch, Willison (1968), "Clinical and laboratory notes A special purpose digital computer (Biomac 500) used in the analysis of the human electromyogram", Electroenceph clin Neurophysiol, vol 25, pp 570-573 [33] Dutoit Thierry (2009), Applied Signal Processing: A MATLAB-based Proof of Concept [Online] http:/ /users.abo.fi/htoivone/courses/ /aspchapter1.pdf [34] E Barkhaus, MD Paul (14/10/2015), EMG Evaluation of the Motor Unit - Electrophysiologic Biopsy [Online] http://emedicine.medscape.com [35] E-Health Lab (9/2015), Database Needle EMG: MUAP Time Domain Features [Online] http://www.medinfo.cs.ucy.ac.cy [36] Eli Billauer (10/2015), Peakdet: Peak detection using MATLAB [Online] http://billauer.co.il/peakdet.html 121 [37] EMGlab (10/2015), Signals [Online] http://emglab.net/emglab/Signals [38] Elaine N.Marieb, Katja Hoehn (2015), Ch09: Muscles and Muscle tissue [Online] http://www.slideshare.net/TheSlaps/ch09-b-muscles-tissue [39] Emran Mohd Tamil, M H Noor, Z Razak, N M Noor, A M Tamil, (2008), "A Review on Feature Extraction & Classification Techniques for Biosignal Processing (Part III: Electromyogram)", in IFMBE Proceedings Vol 21, Verlag Berlin Heidelberg, pp 117–121 [40] Ercan Gokgoz, Abdulhamit Subasi (2014), "Effect of multiscale PCA denoising on EMG signal classification for diagnosis of neuromuscular disorders”, Med Syst, pp 31-38 [41] Eric Abel, Hongying Meng, Alan Forste, David Holder (2006), "Singularity characteristics of needle EMG IP signals”, Biomedical Engineering, IEEE Transactions on (Volume:53 , Issue: 2), vol 53, no 2, pp 219 – 225 [42] Eric K Richfield, et al (1981), "Review of Quantitative and Automated Needle Electromyographic Analyses", IEEE Transactions on Biomedical Engineering, vol BME-28, no 7, pp 506-514 [43] Farlex (2015) The free Dictionary [Online] http://medicaldictionary.thefreedictionary.com/motor+neuron(e)+(motoneuron(e)) [44] Finsterer Josef (2001), "Review: EMG-interference pattern analysis", Journal of Electromyography and Kinesiology, vol 11, pp 231–246 [45] Fuglsang-Frederiksen, Jorgensen (1981), "Turns-amplitude analysis at different sampling frequencies", Electroencephalography and clinical Neurophysiology, vol 81, pp 1-7 [46] Fuglsang-Frederiksen (2006), "The role of different EMG methods in evaluating myopathy", Clinical Neurophysiology, vol 117, pp 1173– 1189 [47] Gerd Fabian Volk, Rudolf Hagen, Claus (2012), "Laryngeal electromyography: a proposal for guidelines of the European Laryngological Society", European Archives of Oto-Rhino-Laryngology and Head & Neck [48] Goen Anjana, (2014) "Classification of EMG Signals for Assessment of Neuromuscular Disorders", International Journal of Electronics and Electrical Engineering, vol 2, no 3, pp 242-248 122 [49] Golińska Kitlas (2013), "Poincaré Plots in Analysis of Selected Biomedical Signals", Studies in Logic, Grammar and Rhetoric, vol 35, pp 117-127 [50] Gurmanik Kaur, Ajat Shatru Arora, V.K Jain (2009), "Comparison of The Techniques Used for Segmentation of EMG Signals", Mathematical and Computational Methods, pp 124-129 [51] Henning Schmalbruch (1985), Skeletal Muscle.: Springer-Verlag Berlin Heidelberg [52] ISEK (5/2015) International Society of Electromyography and Kinesiology [Online] http://www.isek-online.org/standards.html [53] J Litchy, M.D William (2010), "Quantitative EMG”, Department of Neurology Health Partners Minneapolis [54] John A Cadwell, Richard A Villarreal (2012), "Electrophysiologic Equipment and Electrical Safety”, in Aminoff’s Electrodiagnosis in Clinical Neurology.: Elsevier Inc., ch 2, pp 15-33 [55] John G Webster, John W Clark, Micheal R Neuman (1995), Medical Instrumentation Application and Design, 2nd ed., Jonh G Webster, Ed.: John Wilay & Son [56] Jun Kimura (2001), Electrodiagnosis in Diseases of Nerve and Muscle, 3rd ed.: Oxford University Press, Inc [57] K.C McGill, KL Cummins, LJ Dorfman (1985), "Automatic Decomposition of the Clinical Electromyogram", IEEE Transactions on Biomedical Engineering, vol BME-32, no 7, pp 470-477 [58] K.C McGill, Z C Lateva, and H R Marateb (2005) "EMGLAB: An interactive EMG decomposition program", J Neurosci Methods, vol 149, no 2, pp 121-133 [59] Katirji Bashar (2007), Electromyography in clinical practice: a case study approach, 2nd ed Philadelphia, USA: Elsevier Inc [60] KR Mills (2005), "The basics of electromyography", J Neurol Neurosurg Psychiatry, vol 76, no 2, pp 32-35 [61] Konrad (2005), The ABC of EMG: A Practical Introduction to Kinesiological Electromyography USA: Noraxon Inc [62] Lyons Richard G (2011), Understanding Digital Signal Processing 3rd Ed., Prentice Hall 123 [63] M Nikolic, J.A Sorensen, K Dahl, C Krarup, (1997), "Detailed Analysis of Motor Unit Activity”, in Proceedings - 19th International Conference IEEE/EMBS, Chicago, IL USA, 1997, pp 1257-1260 [64] M Nikolic, C Krarup (2011), "EMGTools, an adaptive and versatile tool for detailed EMG analysis", IEEE Trans Biomed Eng, vol 58, no 10, pp 2707-2718 [65] MathWorks (10/2015) Zero-phase digital filtering http://www.mathworks.com/help/signal/ref/filtfilt.html [Online] [66] Miki Nikolic (2001), Detailed Analysis of Clinical Electromyography Signals, A Ph.D Dissertation Submitted to the University of Copenhagen, the Faculty of Health Science [67] National Institute of Neurological Disorders and Stroke (6/2015) Muscular Dystrophy: Hope Through Research [Online] http://www.ninds.nih.gov/disorders/md/detail_md.htm [68] Nitin Jain, Ashish Parikh Mukesh Patidar (2013), "Classification of Normal and Myopathy EMG Signals using BP Neural Network”, International Journal of Computer Applications, vol 69, no 6, pp 12-16 [69] O Smith, Julius (2015), Introduction to Digital Filtes with Audio Application.: Department of Music, Stanford University, Stanford, California 94305 USA, [Online] http://www.dsprelated.com [70] Physionet (6/2015) Examples of Electromyograms [Online] http://www.physionet.org/physiobank/database/emgdb/ [71] R Beale, T Jackson (1990), Neural Computing: An Introduction Bristol, Philadelphia and New York: Adam Hilger [72] Roberto Merletti, Marco Pozzo, Dario Farina (2004), "Electromyography: Detection, Processing, and Applications", in BIOMEDICAL TECHNOLOGY AND DEVICES HANDBOOK, George Zouridakis James Moore, Ed.: CRC PRESS, ch 4, pp 70-135 [73] Roberto Merletti, Dario Farina (2009), "Analysis of intramuscular electromyogram signals”, Phil Trans R Soc A, pp 367-371 [74] Rosa Thomas, Roland D., Albert J (2001), The Analysis and Design of Linear Circuits USA: John Wiley and Sons Inc 124 [75] Sivarit Sultornsanee, Ibrahim Zeida, Sagar Kamarthia (2011), "Classification of Electromyogram Using Recurrence Quantification Analysis”, Procedia Computer Science 6, pp 375–380 [76] Smith K.C., Sedra A.S (1998), Microelectronics Circuits, 4th ed New York: Oxford University Press [77] Soona Shabani, Hossein Parsaei, Afshin Shaabany (2012), "Classification of EMG Signals using Empirical Mode Decomposition”, International Journal of Computer Applications (0975 – 8887), vol 56, no 18, pp 2328 [78] Sta'lberg Erik (1997), "The role of electromyography in neurology”, Electroencephalography and clinical Neurophysiology 103, pp 579-598 [79] Stalberg E, Chu J, Bril V, Nandedkar S, Stalberg S, Ericsson M (1983) "Automatic Analysis of The EMG Interference Patern”, Electroencephalograph and clinical Neurophysiology, vol 56, pp 672681 [80] Tameem Adel, Dan Stashuk (2013), "Clinical Quantitative Electromyography”, in Electrodiagnosis in New Frontiers of Clinical Research, Hande Turker, Ed., ch 5, pp 89-112 [81] Texas Instruments (2015), ADS1294 Analog Front End datasheet [82] Texas Instruments (2015), INA129 Instrumentation Amplifier datasheet [83] Texas Instruments (2015), ISO7231M Triple Digital Isolators datasheet [84] Texas Instruments (2015), MSP430F5510 Mixed Signal Microcontroller datasheet [85] University of Wisconsin Madison (2015) Neuroscience Resource Page [Online] http://www.neuroanatomy.wisc.edu [86] U.S Department of Health & Human Services (2015) Muscular Dystrophy [Online] http://www.cdc.gov [87] Vijay R Mankar (2011), "EMG Signal Noise Removal Using Neural Netwoks", in Advances in Applied Electromyography, Joseph Mizrahi, Ed., ch [88] Walck Christian (2007), Hand-book on STATISTICAL DISTRIBUTIONS for experimentalists, Particle Physics Group, Ed Stockholm: University of Stockholm 125 PHỤ LỤC Chế tạo mạch đo khảo sát tín hiệu EMG Dựa theo yêu cầu thiết kế cụ thể áp dụng giải pháp đƣợc đề xuất, tác giả sử dụng công cụ nhƣ: phần mềm Filter Pro Texas Instrusments (TI) ORCAD PSPICE để chạy mô mạch xử lý tín hiệu tƣơng tự Ngoài việc hỗ trợ mô phỏng, công cụ hỗ trợ lựa chọn giá trị linh kiện thụ động (RC) phù hợp, theo tiêu chuẩn thƣơng mại có, mắc cách khối mạch xử lý tín hiệu tƣơng tự Các linh kiện đƣợc sử dụng cho khối chức mạch linh kiện hãng TI Trong đó, số linh kiện vi mạch (IC) tƣơng tự số đƣợc hãng phát triển thƣơng mại Cụ thể là:  Mạch khuếch đại đệm khuếch đại vi sai: mạch khuếch đại đệm sử dụng IC TL072 mạch khuếch đại vi sai sử dụng IC INA129 mắc theo khuyến nghị hãng Các IC có trở kháng vào lớn, tiêu thụ dòng nhỏ với độ dịch áp nhỏ, hệ số CMRR lớn [82]  Mạch lọc thông thấp, thông cao Notch: sử dụng IC TL072, mắc theo sơ đồ nguyên lý Giá trị linh kiện đƣợc chọn mô yêu cầu tiêu thiết kế mạch  Mạch chuyển đổi ADC: sử dụng IC ADS1294, linh kiện TI, có số đặc tính bật nhƣ: (1) có khuếch đại nội với hệ số khuếch đại thay đổi phần mềm, (2) có khả chuyển đổi tín hiệu có cực tính (dải chuyển đổi ± 2,5 V), (3) sử dụng phƣơng pháp lấy mẫu kiểu delta-sigma, (4) độ phân giải tín hiệu 24 bít, (5) tần số lấy mẫu lên đến 32 Kbps, (6) liệu đầu theo chuẩn SPI (7) hỗ trợ nhiều kênh đo [81]  Mạch truyền cách ly tín hiệu: sử dụng IC ISO7231M, phần tử cách ly quang tín hiệu số TI hỗ trợ truyền giao thức SPI Phần tử có thông số bật là: (1) tốc độ truyền tối đa 150 Mbps, (2) điện áp cách ly 4kV ESD [83]  MCU: sử dụng IC MSP430F5510, phần tử có hỗ trợ truyền thông SPI, USB, UART MCU đƣợc lập trình để nhận tín hiệu EMG số từ ADC (theo chuẩn SPI qua mạch cách ly quang) để truyền lên máy tính (theo chuẩn USB, UART) [84] 126  Nguồn cách ly: sử dụng môđun A0512D, loại nguồn DC-DC cách ly KVDC, đầu vào 5V (có thể lấy từ máy tính qua cổng USB), đầu ±12V, công suất 1W, hiệu suất chuyển đổi 80% Nguồn cung cấp cho phần xử lý tƣơng tự chuyển đổi ADC Điện áp tham chiếu (± 2,5V) đƣợc tạo từ mức điện áp ±12V, cách sử dụng IC TPS7A4901 TPS7A3001, IC tạo nguồn tham chiếu chuyên dụng chất lƣợng cao TI Hình 5.1 Hình ảnh mạch đo tín hiệu EMG chế thử (kích thước 7x10cm2) Mạch đƣợc chế tạo theo hai bƣớc, là: (1) chế tạo khối mạch chức riêng rẽ, (2) chế tạo tích hợp khối mạch bo mạch Ở bƣớc, mạch đƣợc đo hiệu chỉnh thông số hoạt động theo tiêu thiết kế mong muốn Thiết bị sử dụng để đo kiểm gồm có thiết bị NI-ELVIS II National Instrumment, ôxilô DSO-X 2002A Agilent Technologie thiết bị TeraOhm 5KV Insulation Tester Duncan Instruments Trong đó, thiết bị NI-ELVIS II đƣợc sử dụng để:  Tổng hợp loại tín hiệu dùng cho kiểm thử, tín hiệu có thành phần tần số độ lớn tùy chọn khác theo mục đích thử Tín hiệu đƣợc đƣa vào đầu vào khối mạch xử lý tƣơng tự  Thu lại tín hiệu đáp ứng mạch xử lý tƣơng tự, phân tích phổ tín hiệu thu đƣợc vẽ đặc tuyến vào mạch Các phép đo đƣợc thực phòng thí nghiệm điều kiện thƣờng, với mức độ chống nhiễu trung bình, theo quy trình đo thông số đƣợc chuẩn hóa 127 Xây dựng công cụ phân tích định lƣợng tín hiệu iEMG Công cụ QEMG_BK có chức nhƣ: (1) Xử lý đƣợc nhiều loại tệp liệu iEMG từ nhiều nguồn khác nhau; (2) Quá trình tiền xử lý tín hiệu iEMG đƣợc tùy chỉnh; (3) Quá trình phân tách MUAP, xác định tham số MUAP, phân nhóm MUAP theo đặc điểm bệnh lý tính thông số iEMG đƣợc thực tự động/bán tự động dựa thông số đƣợc thiết lập mặc định tùy chỉnh; (4) Kết định lƣợng tạo đƣợc thể nhiều dạng khác nhƣ: dạng đồ thị, dạng số, dạng ký tự, dạng âm tệp tin số liệu Nó có giao diện ngƣời dùng không khó để học cách sử dụng QEMG_BK.exe đƣợc tạo nghiên cứu cài đặt chạy PC có cấu hình phổ biến (nhƣ: Duo CPU @ 2,93GHz, RAM 2GB, hệ điều hành Windows XP cao hơn), có cài/không cài đặt Matlab Công cụ QEMG_BK có nhiều ƣu điểm sử dụng để định lƣợng loại liệu tín hiệu iEMG Hình 5.2 Giao diện số chức công cụ QEMG_BK 128