PHÁT TRIỂN PHưƠNG PHÁP PHÂN TÍCH ĐỊNH LưỢNG TÍN HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ

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 19 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 47 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 87 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 128

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 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 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 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 .4 Phƣơng pháp nghiên cứu Cấu trúc luận án Ý nghĩa khoa học thực tiễn luận án .6 Các đóng góp luận án .6 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 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 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 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 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 MYO Maximum Voluntary Contraction Myopathy Co chủ động cực đại 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 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] 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 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 161 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 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] An alo g De vic es Inc En gin eer ing (20 08) , Li ne ar Ci rc uit De sig n Ha nd bo ok, H Zu mb ahl en, 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 [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 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 Jersey: John Wiley & Son New [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 [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 [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 Kinesiology [Online] http://www.isek-online.org/standards.html and [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 [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 Muscular Dystrophy: Hope Through Research http://www.ninds.nih.gov/disorders/md/detail_md.htm (6/2015) [Online] [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 http://www.physionet.org/physiobank/database/emgdb/ [Online] [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 [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) Dystrophy [Online] http://www.cdc.gov Muscular [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 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]  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 7x10cm ) 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 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