Nghiên cứu tổng hợp xúc tác ni than sinh học đã sunfo hóa đi từ nguồn vi tảo và ứng dụng cho quá trình HDO dầu sinh học

LỜI NÓI ĐẦU Động kinh (Epilepsy) bệnh rối loạn thần kinh trầm trọng thường gặp trẻ em Theo Tổ chức Y tế Thế giới, số lượng người mắc chứng động kinh chiếm từ 0,5-1% dân số ước tính khoảng 15 triệu trẻ em 15 tuổi mắc bệnh Một trở ngại gặp phải vấn đề chẩn đốn động kinh Phân loại chẩn đốn động kinh dựa yếu tố: (1) biểu lâm sàng, (2) biểu điện não đồ (electroencephalogram-EEG) cơn, (3) biểu EEG ngồi Tuy khơng giúp xác định bệnh lý động kinh hội chứng động kinh cụ thể, dựa bệnh sử đáng tin cậy EEG, thầy thuốc thường phân loại động kinh lên kế hoạch điều trị thích hợp EEG có nhiều ưu điểm so với tín hiệu y tế khác liên quan đến hoạt động não người từ não đồ (magnetoencephalogram-MEG) ảnh cộng hưởng từ chức (functional magnetic resonance imaging-fMRI) MEG đòi hỏi số lượng lớn cảm biến từ (dẫn đến hoạt động não ghi nhận không tập trung chi phí cao), cịn chuỗi ảnh fMRI lại có độ phân giải thời gian thấp nhiều hoạt động não không ghi nhận Trong với ưu điểm chi phí thấp độ phân giải thời gian cao EEG xem cơng cụ hiệu chẩn đoán bệnh động kinh Một vấn đề quan trọng xử lý EEG, tìm thơng tin cần thiết tín hiệu giúp phát động kinh Đây q trình trích chọn đặc trưng tín hiệu Các đặc trưng phụ thuộc vào phương pháp sử dụng, thường phép biến đổi (biến đổi wavelet, hệ mũ Lyaponov, phân bố tần số-thời gian …) nhằm khai thác thông tin “ẩn” chứa tín hiệu Các đặc trưng trích chọn theo kênh tín hiệu (đơn biến) kênh tín hiệu với (đa biến) Tiếp theo, ta sử dụng đặc trưng tổ hợp để chẩn đoán, phát bênh động kinh dựa thuật tốn liên quan tới mạng nơron, mơ hình phi tuyến, ICA, phương pháp Bayesian, SVM Lưu ý trẻ nhỏ, tín hiệu EEG thường có nhiều biến thể người lớn thay đổi nhiều theo lứa tuổi phải xây dựng thuật tốn thích hợp Nhận thấy tầm quan trọng công việc việc giúp đỡ bệnh nhân bị bệnh động kinh em định nghiên cứu, thực luận văn để tìm phương pháp phát chuẩn đốn sớm nhất, xác triệu chứng bệnh Trong trình thực luận văn em xin chân thành cảm ơn thầy TS.Vương Hoàng Nam, người trực tiếp hướng dẫn em hoàn thành luận văn TÓM TẮT LUẬN VĂN Nghiên cứu phương pháp xử lý tín hiệu để dùng phân tích tín hiệu điện não đồ EEG hướng nghiên cứu khoa học phát triển giới khoảng 20 năm trở lại đạt nhiều kết triển vọng dùng cho việc hỗ trợ chẩn đoán chứng động kinh Trong luận văn ngiên cứu bệnh động kinh tín hiệu điện não đồ ( EEG ), đặc trưng tín hiệu điện não đồ sử dụng phát chứng động kinh Các khái niệm kiến thức mạng nơ-ron nhân tạo máy véc-tơ hỗ trợ SVM trình bày Từ đưa hướng nghiên cứu, phương pháp xử lý tín hiệu điện não đồ phát chứng động kinh sử dụng phương pháp tiếp cận phân loại SVM nhằm xây dựng thuật toán dùng phát sớm động kinh (co giật) xây dựng hệ thống phân tích tín hiệu EEG tối ưu nhằm cảnh báo sớm động kinh dựa vào kết nghiên cứu Sau q trình nghiên cứu mơ cho kết khả quan Từ rút khả nghiên cứu để phát triển ứng dụng thực tế luận văn lớn đòi hỏi cần phải nghiên cứu thực nghiệm nhiều thực tế giới chưa chế tạo thiết bị cầm tay đủ tin cậy để dự đoán cảnh báo sớm động kinh MỤC LỤC LỜI NÓI ĐẦU TÓM TẮT LUẬN VĂN MỤC LỤC DANH SÁCH CÁC HÌNH VẼ DANH SÁCH CÁC BẢNG CÁC TỪ VIẾT TẮT 10 PHẦN MỞ ĐẦU 11 I Tầm quan trọng luận văn 11 II Mục đích nghiên cứu 11 III Phương pháp nghiên cứu 11 V Kết luận 11 CHƯƠNG - GIỚI THIỆU CHUNG VỀ BỆNH ĐỘNG KINH VÀ TÍN HIỆU ĐIỆN NÃO ĐỒ 13 1.1 Bệnh động kinh 13 1.2 Tín hiệu điện não đồ 14 1.3 Đặc điểm tín hiệu điện não đồ 16 1.3.1 Xác định sóng dựa vào tần số 17 1.3.2 Xác định sóng dựa vào hình dạng 18 1.4 Nhiễu EEG 19 1.4.1 Nhiễu thiết bị mang tính hệ thống 19 1.4.2 Nhiễu mắt (Electrooculogram – EOG) 19 1.4.3 Nhiễu (Electromyogram – EMG) 20 1.5 Động kinh tín hiệu EEG 20 1.6 Cơ sở liệu bệnh động kinh: CSDL Đại học Freiburg 24 1.7 Kết luận 25 CHƯƠNG - CÁC ĐẶC TRƯNG CỦA TÍN HIỆU EEG ĐƯỢC SỬ DỤNG TRONG PHÁT HIỆN BỆNH ĐỘNG KINH 26 2.1 Các đặc trưng đơn biến 26 2.1.1 Đặc trưng thống kê (miền thời gian) tín hiệu 27 2.1.2 Thông số Hjorth 28 2.1.3 Thời điểm bất tương quan 29 2.1.4 Mô hình tự hồi quy AR 30 2.1.5 Năng lượng phổ tín hiệu 30 2.1.6 Tần số biên phổ công suất biên phổ 31 2.1.7 Biến đổi wavelet 32 2.2 Các đặc trưng đa biến 33 2.3 Một số đặc trưng loại tín hiệu y sinh khác dùng chẩn đoán động kinh 36 2.3.1 Tín hiệu điện tâm đồ ECG 36 2.3.2 Tín hiệu cộng hưởng từ chức FMRI 36 2.4 Kết luận 37 CHƯƠNG 3- MẠNG TRÍ TUỆ NHÂN TẠO 38 3.1 Mạng nơron nhân tạo 38 3.1.1 Nơron sinh học 38 3.1.2 Nơron nhân tạo 40 3.1.3 Ứng dụng mạng nơron nhân tạo 41 3.2 Máy véc-tơ hỗ trợ SVM 43 3.2.1 Giới thiệu SVM 43 3.2.2 Siêu phẳng tối ưu 44 3.2.3 Phân lớp mềm 46 3.2.4 SVM phi tuyến 47 3.3 Kết luận 48 CHƯƠNG -PHƯƠNG PHÁP TIÊN TIẾN XỬ LÝ TÍN HIỆU ĐIỆN NÃO ĐỒ NHẰM PHÁT HIỆN BỆNH ĐỘNG KINH 49 4.1 Mô hình tổng quan 49 4.1.1 Thu thập liệu 49 4.1.2 Tiền xử lý tín hiệu 50 4.1.3 Trích chọn đặc trưng 50 4.1.4 Phân loai hậu xử lý 51 4.2 Phương pháp tiếp cận: Phân loại máy vec-tơ hỗ trợ SVM 52 4.3 Kết luận 55 CHƯƠNG - MỘT SỐ ĐÁNH GIÁ KẾT QUẢ THU ĐƯỢC 56 5.1 Các thông số mô 56 5.1.1 Chọn kênh tín hiệu EEG 56 5.1.2 Chọn đặc trưng 58 5.1.3 Mạng SVM đa lớp 60 5.1.4 Đưa cảnh báo 61 5.2 Tiến hành mô 63 5.3 Một số kết mô đánh giá 66 5.3.1 Bộ liệu học kiểm tra 66 5.3.2 Một số kết mô thảo luận 67 5.4 Kết luận 70 KẾT LUẬN 71 TÀI LIỆU THAM KHẢO 72 DANH SÁCH CÁC HÌNH VẼ Hình 1.2.1: Hệ thống đặt điện cực ghi 10-20 quốc tế (international 10-20 system) 15 Hình 1.2.2: Tiến hành đo điện não trẻ em 16 Hình 1.3.1: Minh họa sóng  ,  , ,   tín hiệu EEG 18 Hình 1.4.1: Minh họa nhiễu mắt EoG nhiễu EMG trình đo điện não 20 Hình 1.5.1: Minh họa tín hiệu động kinh 21 Hình 1.5.2: Mơ hình dự đốn đưa cảnh báo trước động kinh 22 Hình 1.5.3: Minh họa cảnh báo Đúng cảnh báo Sai động kinh 22 Hình 1.5.4: Một thiết bị phát sớm động kinh thử nghiệm 23 Hình 1.5.5: Minh họa thiết bị phát sớm động kinh sử dụng tín hiệu điện não 23 Hình 1.6.1: Mơ tả đinh dạng file “.head” 24 Hình 1.6.2: Mơ tả đinh dạng file “.data” 24 Hình 1.6.3: Minh họa ghi EEG đánh dấu CSDL ĐH Freiburg 25 Hình 2.1.1: Minh họa khái niệm thời điểm bất tương quan (Decorrelation-time) 29 Hình 2.1.2: Minh họa khái niệm 50% SEF 95% SEF dựa phân bố lượng 32 Hình 2.1.3: Minh họa thực biến đổi DWT để thu tín hiệu băng 33 Hình 2.2.1: Minh họa biến thiên đặc trưng đa biến MPC trước động kinh 35 Hình 3.1.1: Mơ hình nơ-ron sinh học 39 Hình 3.1.2: Nơ-ron nhân tạo mạng nơ-ron 41 Hình 3.1.3: Quá trình học mạng nơron 42 Hình 3.2.1: Các siêu phẳng phân loại liệu 44 Hình 3.2.2: Siêu mặt phẳng có biên lớn SVM 45 Hình 3.2.3: Minh họa phân lớp mềm SVM 46 Hình 3.2.4: Ánh xạ từ miền Rn sang miền Rd 48 Hình 4.1.1: Mơ hình chẩn đoán bệnh động kinh 49 Hình 4.1.2: Phương pháp cửa sổ trượt để trích chọn đặc trưng 51 Hình 4.1.3: Minh họa tốn phân loại 52 Hình 4.2.1: Mơ hình phân loại sử dụng SVM 53 Hình 4.2.2: Đầu phân loại SVM 54 Hình 5.1.1: Một ghi liệu đầy đủ với 27 kênh tín hiệu EEG kênh tín hiệu ECG (trong vị trí EEG_ON EEG-OFF đánh dấu vị trí bắt đầu kết thúc động kinh) 58 Hình 5.1.2: 22 đặc trưng đơn biến kênh tín hiệu F7 59 Hình 5.1.3: Minh họa kết bỏ phiếu SVM đa lớp 61 Hình 5.1.4: Minh họa trình hậu xử lý 62 Hình 5.2.1: Giao diện mở đầu 64 Hình 5.2.2: Giao diện nhập/ đọc liệu EEG từ CSDL 64 Hình 5.2.3: Giao diện tạo đặc trưng tín hiệu: (a)- Chọn kênh (b)-Chọn đặc trưng 65 Hình 5.2.4: Giao diện phân loại sử dụng SVM 65 Hình 5.2.5: Mơ tả file đặc trưng tín hiệu 66 Hình 5.3.1: Tỷ lệ phát động kinh CSDL Freiburg 67 Hình 5.3.2: Vị trí ổ bệnh 69 Hình 5.3.3: Các kết đánh giá dựa theo vị trí ổ bệnh Teixeira et al., 2014 69 DANH SÁCH CÁC BẢNG Bảng 2.1: Một số đặc trưng đơn biến tín hiệu EEG 26 Bảng 2.2: Các thông số Hjorth 28 Bảng 5.1: Cơ sở liệu ĐH Freiburg 57 CÁC TỪ VIẾT TẮT Ký tự viết tắt Tiếng Anh Tiếng Việt ANN Artificial Neuron Network Mạng nơ-ron nhân tạo AR Auto-Regressive Mơ hình tự hồi quy BOLD Blood Oxygen Level Dependent Lệ thuộc mức ôxy máu CC Cross-Corelation Tương quan chéo ECG Electrocardiagram Tín hiệu điện tâm đồ EEG Electroencephalography Tín hiệu điện não đồ FFT Fast Fourier Transform Biến đổi nhanh Fourier fMRI functional Magnetic Resonance Ảnh cộng hưởng từ chức Imaging FN False Negative Dự đốn âm tính giả FP False Positive Dự đốn dương tính giả FPR False Prediction Rate Tỷ lệ dự đoán sai FPR/h False Prediction Rate per hour Tỷ lệ dự đoán sai/ MCC Maximum linear Cross- Tương quan chéo (tuyến tính) Correlation cực đại MPC Mean Phase Coherent Liên kết pha bình quân MRI Magnetic Resonance Imaging Ảnh cộng hưởng từ PDF Probability Density Function Hàm mật độ xác suất SOP Seizure Occurrence Period Khoảng xuất động kinh SPH Seizure Prediction Horizon Khoảng dự đoán động kinh SP Specility Độ đặc hiệu (của kết quả) SS Sensivity Độ nhạy (của kết quả) SVM Support Vector Machine Máy véc-tơ hỗ trợ TP True Positive Dự đoán dương tính thật TN True Negative Dự đốn âm tính thật 10 thực xử lý gần tức thời (on-line) tín hiệu EEG độ trễ xử lý lớn Trên thực tế để đưa cảnh báo động kinh, sử dụng thêm trình hậu xử lý (mục 5.1.4) Quá trình đưa định cuối mà không cần độ xác gần tuyệt đối q trình phân loại trạng thái tín hiệu (mục 1.5.3) 5.1.3 Mạng SVM đa lớp Để xây dựng hệ thống tự động phân biệt trạng thái tín hiệu điện não đồ, sử dụng máy vector hỗ trợ SVM (trình bày chương 3) Bản chất SVM phân loại nhị phân gồm lớp (nhãn) đầu SVM gốc thiết kế cho toán phân lớp nhị phân, nhiên nhiều ứng dụng thực tế buộc phải giải tốn phân loại nhiều lớp Vì mơ hình SVM đa lớp nghiên cứu phát triển để đáp ứng với dạng toán phân loại nhiều lớp Để phân loại lớp đối tượng (trường hợp này) cần tổ hợp SVM (SVM đa lớp) Một số chiến lược thường dùng cho toán SVM đa lớp: Một đối một, đối phần lại chiến lược phân cấp Trong trường hợp này, kỹ thuật đối (one-against-one) sử dụng (Hsu and Lin 2002) Kỹ thuật mô tả sau: Với cặp lớp, xây dựng máy phân lớp nhị phân, máy phân lớp huấn luyện tập tập huấn luyện mà tập chứa mẫu huấn luyện lớp Như vậy, phải xây dựng tất k(k-1)/2 máy phân lớp nhị phân (với k số lớp), máy kết nối lại với thông qua phương pháp bỏ phiếu để đánh giá kết phân lớp cuối cùng, lớp có số phiếu cao chọn làm kết dự đoán (max-win) Chiến lược sử dụng hầu hết phần mềm mã nguồn mở SVMlight, LIBSVM, SVMTorch HeroSvm Trong đánh giá, đầu mạng SVM nhãn (giá trị số) gán liên quan đến vector đầu vào: inter-ictal, cho pre-ictal, cho ictal cho postictal Tuy nhiên điều quan tâm dự đoán động kinh trạng thái tiền động kinh pre-ictal, nhãn trở thành nhãn quan trọng 60 4.3 = máy phân lớp SVM Ký hiệu SVM12 , SVM13 , SVM14 , SVM 23 , SVM 24 , SVM 34 Giả thiết q trình học Trường hợp mạng cần xác thông số mạng (6 SVM) xác lập Giả sử trình test thực cho mẫu inter-ictal (nhãn 1), mẫu đánh giá SVM: SVM12 : định mẫu thuộc nhãn hay ? SVM13 : định mẫu thuộc nhãn hay ? … SVM 34 : định mẫu thuộc nhãn hay ? Ở đây, phương pháp bỏ phiếu sử dụng, chẳng hạn winner cộng điểm (phiếu) loser cộng điểm Tất nhiên trường hợp ta sử dụng SVM 34 phân loại cho mẫu nhãn (đương nhiên phân loại sai) mẫu thuộc nhãn thuộc nhãn Hình 5.1.3 minh họa kết bỏ phiếu Trong minh họa, ta thấy thơng số mạng xác định xác kết đầu nhãn ln có số điểm cao nhãn cịn lại có số điểm từ đến Kết cuối test mẫu có nhãn cho kết đầu nhãn (do đạt số phiếu cao nhất) Nhãn 1 - 1(0) 1(0) - 0(1) 1(0) 0(1) 0(1) SVM 12 13 14 23 24 34 Hình 5.1.3: Minh họa kết bỏ phiếu SVM đa lớp 5.1.4 Đưa cảnh báo Quá trình tạo cảnh báo thực sau phân loại Các phân loại “huấn luyện” dựa mẫu xem độc lập Một cách lý tưởng, phân loại (đã huấn luyện tốt) phân loại xác tất mẫu liệu test tạo đầu xác Tuy nhiên, thực tế, hệ thống phân loại phân loại xác tuyết đối tất mẫu Do đầu sử dụng trực tiếp để dự đoán động kinh 61 dẫn đến vời mẫu bị phân loại nhầm thành pre-ictal tạo cảnh báo sai động kinh Để nâng cao chất lượng dự đoán, Teixeira et al (2012) đưa thủ tục tạo cảnh báo Do sai số phân loại, nên việc xuất chuỗi toàn nhãn (pre-ictal) điều xảy ra, nhiên chuỗi nhãn chuỗi có tần suất nhãn nhiều xem dấu hiệu trạng thái tiền động kinh Q trình tạo cảnh báo mơ tả Hình 5.1.4 Hình A kết đầu phân loại gồm trạng thái (nhãn): inter-ictal, pre-ictal, ictal post-ictal Kết ánh xạ vào phân loại nhị phân (hình B) gồm hai trạng thái (nhãn): pre-ictal non-preictal (gồm trạng thái cịn lại) Sau cửa sổ trượt (có kích thước liên quan đến khoảng thời gian pre-ictal) sử dụng Trong cửa số này, đại lượng đo dùng để xác định tỷ lệ (phần trăm) số mẫu pre-ictal cửa sổ Đại lượng gọi firing power (Teixeira et al 2012) định nghĩa sau: Hình 5.1.4: Minh họa trình hậu xử lý 62 n fp [ n ] = ∑ o[k ] n −τ (5.1) τ fp [ n ] giá trị firing power thời điểm (rời rạc) n, τ số lượng mẫu cửa sổ (liên quan khoảng thời gian pre-ictal chọn) o [ k ] đầu phân loại lớp (chẳng hạn cho pre-ictal cho non-preictal) Trong trường hợp này, chẳng hạn cửa sổ đặc trưng chọn 5s, khoảng thời gian tiền động kinh quan tâm 30 phút (là khoảng thời gian trước động 30 × 60s = kinh khởi phát) giá trị τ = 360 Điều có nghĩa giá trị firing power 5s thời điểm tức thời n tính dựa 360 đầu phân loại trước Do o [ k ] đầu phân loại nhận giá trị cho pre-ictal cho non-preictal nên fp [ n ] hàm chuẩn hóa nhận giá trị khoảng [0,1] Hình C minh họa giá trị ngưỡng 0,5 Điều có nghĩa khoảng thời gian tiền động kinh chọn (30 phút), số lượng mẫu phân loại pre-ictal vượt 50% cảnh báo đưa Hình D minh họa mức cảnh báo đưa giá trị firing power vượt qua ngưỡng 5.2 Tiến hành mơ Q trình mơ thực phần mềm MATLAB 7.0, dựa mã mở số công cụ mô sau: - EEGLAB toolkit (http://sccn.ucsd.edu/eeglab/) Epilab toolkit (http://www.epilepsiae.eu/project_outputs/epilab_software) MATS (Measures of Analysis of Time Series) open source matlab toolkit (http://eeganalysis.web.auth.gr) EEGGIFT toolkit (http://mialab.mrn.org/software/eegift/index.html) Q trình mơ gồm bước chính: tạo đặc trưng (22 đặc trưng) ghi tín hiệu EEG, thiết kế thơng số hệ thống phân loại (SVM đa lớp), hậu xử lý thống kê 63 Hình 5.2.1: Giao diện mở đầu Hình 5.2.2: Giao diện nhập/ đọc liệu EEG từ CSDL (a) 64 (b) Hình 5.2.3: Giao diện tạo đặc trưng tín hiệu: (a)- Chọn kênh (b)- Chọn đặc trưng Hình 5.2.4: Giao diện phân loại sử dụng SVM Các thơng số (libsvm) tích hợp gồm có: -s svm_type : set type of SVM (default 0) C-SVC nu-SVC one-class SVM epsilon-SVR nu-SVR -t kernel_type : set type of kernel function (default 2) linear: u'*v polynomial: (gamma*u'*v + coef0)^degree radial basis function: exp(-gamma*|u-v|^2) 65 sigmoid: tanh(gamma*u'*v + coef0) -d degree : set degree in kernel function (default 3) -g gamma : set gamma in kernel function (default 1/num_features) -r coef0 : set coef0 in kernel function (default 0) -c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1) -n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5) -p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1) -m cachesize : set cache memory size in MB (default 100) -e epsilon : set tolerance of termination criterion (default 0.001) -h shrinking: whether to use the shrinking heuristics, or (default 1) -b probability_estimates: whether to train a SVC or SVR model for probability estimates, or (default 0) -wi weight: set the parameter C of class i to weight*C, for C-SVC (default 1) Các đặc trưng liệu lưu định dạng file *.mat để tiến hành học kiểm tra mạng SVM Hình 5.2.5 mơ tả file đặc trưng tín hiệu Hình 5.2.5: Mơ tả file đặc trưng tín hiệu 5.3 Một số kết mô đánh giá 5.3.1 Bộ liệu học kiểm tra Bộ CSDL EEG chia làm hai phần: liệu học, gọi huấn luyện (learning, training) kiểm tra (testing) Bộ liệu học gồm khoảng 250 ghi 48 động kinh sử dụng để tối ưu thông số hệ thống phân loại (SVM đa lớp) liệu kiểm tra (gồm khoảng 200 ghi 31 cịn lại, 66 khơng dùng trình học) sử dụng để kiểm tra tính hiệu phân loại thiết kế từ trình học 5.3.2 Một số kết mô thảo luận Để đánh giá kết khái niệm độ nhạy (SS-Sensitivity) tỷ lệ đoán sai (FPR/h- False Prediction per hour) sử dụng để đánh giá kết SS định nghĩa tỷ lệ số dự đoán được/tổng số động kinh Trong FPR/h định nghĩa: FPRh −1 = False Alarm Hours of Testing − ( ≠ seizures × preictal time ) tỷ lệ số dự đoán sai/ lượng thời gian hữu dụng Để xác định lượng thời gian lấy tổng số thời gian tín hiệu EEG liên quan đến cảnh báo sai ghi trừ tổng số thời gian sử dụng để tạo cảnh báo (bằng số động kinh nhân với khoảng thời gian pre-ictal chọn ) Về mặt lý thuyết kết thu tối ưu (tuyệt đối) đạt giá trị SS=100% FPR/h=0 thực tế mong muốn kết thu với giá trị SS cao FPR/h thấp Ở tiến hành đánh giá dựa liệu đặc trưng sáu kênh tín hiệu (F7, FZ, F8, T5, PZ T6) vời khoảng thời gian pre-ictal chọn 30 phút trước động kinh, post-ictal chọn 10 phút sau động kinh Hình 5.3.1: Tỷ lệ phát động kinh CSDL Freiburg Kết (tốt nhất) liệu học thu tỷ lệ phát động kinh 39/48 cơn, đạt tỷ lệ 81,25 % Dựa thông số học, tiến hành thử nghiệm liệu test Kết thu tỷ lệ phát 21/31 cơn, đạt tỷ lệ 67,74 % Hình 5.3.1 thể tỷ lệ phát CSDL ĐH Freiburg với tỷ lệ trung bình 75,9% Trong trường hợp này, tỷ lệ FPR/h đạt 0,26 khơng có cảnh báo sai dương tính giả FP (có cảnh báo 67 khơng xuất co giật) Việc khơng có cảnh báo sai dương tính giả kết hạn chế luận văn số lượng loại (vị trí ổ bệnh) động kinh đánh giá chưa nhiều Mặc dù khơng có tỷ lệ cụ thể chung giá trị SS tối thiểu hay FPR cực đại dùng để đánh giá thuật toán , Teixeira et al 2014 đưa tỷ lệ dự đoán chấp nhận (để ứng dụng y tế) phải dự đốn (đúng) 50% số động kinh (SS>50%) tỷ lệ cảnh báo sai không lần khoảng thời gian (FPR/h50% FPR/h 50% FPR/h< 0,15) phải đạt phần lớn bệnh nhân đánh giá ứng dụng thực tiễn sống Điều có nghĩa cần có thêm cơng trình nghiên cứu lĩnh vực thực tế giới 69 chưa chế tạo thiết bị cầm tay đủ tin cậy để dự đoán cảnh báo sớm động kinh Câu hỏi cuối đưa liệu đặc trưng (đơn biến) chọn luận văn tối ưu tốt nhất? Trong thực tế, nhóm nghiên cứu chọn lựa đặc trưng tín hiệu EEG thường sử dụng nhận diện/ phát động kinh Trong phạm vi nghiên cứu luận văn chưa nắm bắt (đánh giá) hết kiến thức y học liên quan đến bệnh động kinh Do nghiên cứu lĩnh vực tiếp tục triển khai thời gian tới 5.4 Kết luận Chương trình bày thơng số, cách thức bước tiến hành việc mô phần mềm Matlap 7.0 Các thông số đưa vào mơ gồm: kênh tín hiệu EEG( gồm kênh tín hiệu chọn), đặc trưng tín hiệu (22 đặc trưng), mạng phân loại SVM đa lớp(dùng phân loại lớp đối tượng ứng với trạng thái inter-ictal, pre-ictal, ictal post-ictal) Tín hiêu sau phân loại đưa vào xử lý cho cảnh báo động kinh Cuối đánh giá kết sau q trình mơ đưa thảo luận kết luận văn so với nghiên cứu trước Kết (tốt nhất) liệu học thu tỷ lệ phát động kinh 39/48 cơn, đạt tỷ lệ 81,25 % Dựa thông số học, tiến hành thử nghiệm liệu test Kết thu tỷ lệ phát 21/31 cơn, đạt tỷ lệ 67,74 % Trong trường hợp này, tỷ lệ FPR/h (tỷ lệ số dự đoán sai/ lượng thời gian hữu dụng ) đạt 0,26 khơng có cảnh báo sai dương tính giả FP (có cảnh báo khơng xuất co giật) Từ rút khả nghiên cứu để phát triển ứng dụng thực tế luận văn khả quan đòi hỏi cần phải nghiên cứu thực nghiệm nhiều thực tế giới chưa chế tạo thiết bị cầm tay đủ tin cậy để dự đoán cảnh báo sớm động kinh 70 KẾT LUẬN Động kinh bệnh rối loạn thần kinh trầm trọng thường gặp trẻ em 71 Comput Neurosci 2011;5(0) epilepsy: a data-driven approach for multichannel EEG recordings, “ Front Elger CE, Schelter B, Lehnertz K.(2011) “Identification of preseizure states in [11] Feldwisch-Drentrup H, Staniek M, Schulze-Bonhage A, Timmer J, Dickten H, methods Epilepsia 2010;51(8):1598–606 Bonhage A Joining the benefits: combining epileptic seizure prediction [10] Feldwisch-Drentrup H, Schelter B, Jachan M, Nawrath J, Timmer J, SchulzeProceedings Volumes (IFAC-PapersOnline) 18, PART 1: 6206 - 62 dimensional EEG features spaces for epileptic seizure prediction", IFAC Bonhage, A.; Sales, F.; Dourado, A (2011) "Feature selection in high [9] Direito, B.; Duarte, J.; Teixeira, C A; Schelter, B.; Le Van Q M; SchulzeEngineering and Informatics, 2008, pp 380-385 Computational System,” in International Conference on BioMedical and Wavelet Transform for Epileptic Seizure Prediction in an Advanced [8] Direito B., Dourado A., Vieira M., and Sales F., (2008) “Combining Energy International Conference, 2001 epileptic seizure prediction,” in Proceedings of the 23rd Annual EMBS Litt B., (2001) “A genetic approach to selecting the optimal feature for [7] D’Alessandro M., Vachtsevanos G., Hinson A., Esteller R., Echauz J., and Learning, vol 20, no 3, pp 273-297, 1995 [6] Cortes C and Vapnik V., (1995) “Support-vector networks,” Machine pp 5489-5492, 2007 Conference of IEEE Engineering in Medicine and Biology Society, vol 2007, normal and pre-seizure States.,” Conference Proceedings of the International learning applied on EEG signal of the epileptic patients for detection of [5] Ataee P., Yazdani A., Setarehdan S., and Noubari H.A, (2007) “Manifold no 8, pp 5661-5665, Aug 2010 the linear prediction error energy,” Expert Systems with Applications, vol 37, [4] Altunay S., Telatar Z., and Erogul O., (2010)“Epileptic EEG detection using 2009, pp 1864-7, Jan 2009 Society IEEE Engineering in Medicine and Biology Society Conference, vol International Conference of the IEEE Engineering in Medicine and Biology prediction: Measures and challenges.,” Conference proceedings: Annual [3] Aarabi A., Fazel-Rezai R., and Aghakhani Y., (2009) “EEG seizure TÀI LIỆU THAM KHẢO [1] Bài giảng tâm thần học, chủ biên: BS CKII Bùi Đức Trình, Trường ĐH Y Khoa, ĐH Thái Nguyên, 2008 [2] 72 [12] Hauf M., Scheidegger O., Rummei C., Rahman A., Wiest R., (2012) “Recent Developments of Simultaneous EEG/fMRI in Epilepsy- towards Clinical Application,” Epileptologie 2012; 29: 90-98 [13] Hjorth B., (1970) “EEG analysis based on time domain properties” Electroencephalography and Clinical Neurophysiology (2.2): 306-310, 1970 [14] Hsu, C.W., and C.-J Lin, (2002) “A Comparison of Methods for Multi-Class Support Vector Machines” IEEE Trans Neural Netw., 13, 415 – 425, 2002 [15] Lehnertz K and Litt B., (2005) “The First International Collaborative Workshop on Seizure Prediction: summary and data description.,” Clinical neurophysiology  : official Neurophysiology, vol 116, no 3, pp 493-505, Mar 2005 [16] Litt.B et al., (2001) “Epileptic seizures may begin hours in advance of clinical onset: a report of five patients,” Neuron, vol 30, no 1, pp 51-64, Apr 2001 [17] Maiwald T., Winterhalder M., Aschenbrenner-Scheibe R., Voss H.U, SchulzeBonhage A., and Timmer J., (2004) “Comparison of three nonlinear seizure prediction methods by means of the seizure prediction characteristic,” Physica D: Nonlinear Phenomena, vol 194, no 3-4, pp 357-368, Jul 2004 [18] Mormann F., Andrzejak R.G., Elger C.E., and Lehnertz K., (2007) “Seizure prediction: the long and winding road.,” Brain: a journal of neurology, vol 130, no 2, pp 314-33, Feb 2007 [19] Mormann F et al., (2005) “On the predictability of epileptic seizures.,” Clinical neurophysiology: official journal of the International Federation of Clinical Neurophysiology, vol 116, no 3, pp 569-87, Mar 2005 [20] Novak V., Reeves A L., Novak P., Low P A., Sharbrough F W (1999)“Timefrequency mapping of R-R interval during complex partial seizures of temporal lobe origin ,”J Auton Nerv Syst 1999 Sep 24;77(2-3):195-202 [21] Rosenblum MG, Pikovsky AS, Kurths J (1996) “Phase synchronization of chaotic oscillators,” Phys Rev Lett 1996 Mar 11;76(11):1804-1807 [22] Salant Y., Gath I., Henriksen O “Prediction of epileptic seizures from twochannel EEG,” Med Biol Eng Comput., 1998; 36:549-56 [23] Schelter B et al.,(2006 a.) “Testing statistical significance of multivariate time series analysis techniques for epileptic seizure prediction.,” Chaos (Woodbury, N.Y.), vol 16, no 1, p 013108, Mar 2006 [24] Schelter B, Winterhalder M, Maiwald T, Brandt A, Schad A, Timmer J, SchulzeBonhage A (2006 b) “Do false predictions of seizures depend on the state of vigilance? A report from two seizure-prediction methods and proposed remedies,” Epilepsia 2006; 47(12):2058–70 [25] Schiff Steven J., Jerger K.K, Weinstein S L., Sauer T., (2005) “Multivariate Linear Discrimination of Seizures,” Clinical Neurophysiology, 116, pp 545– 551 73 [26] Shoeb A., Pang T., Guttag J.V., and Schachter S.C., (2011) “Vagus Nerve Stimulation Triggered by Machine Learning Based Seizure Detection: Initial Implementation and Evaluation,” in Epilepsy: The Intersection of Neurosciences, Biology, Mathematics, Physics, and Engineering, I Osorio, H P Zaveri, M G Frei, and S Arthurs, Eds CRC Press, 2011, pp 385-396 [27] Teixeira C.A et al., (2011) “EPILAB: A software package for studies on the prediction of epileptic seizures,” Journal of Neuroscience Methods, vol 200, no 2, pp 257-271, Jul 2011 [28] Teixeira C., Direito B., Bandarabadi M., Dourado A (2012) “Output regularization of SVM seizure predictors: Kalman Filter versus the "Firing Power" method,”Conf Proc IEEE Eng Med Biol Soc 2012;2012:6530-3 [29] Teixeira C., Direito B., Quyen L V Micheal, Dourado A (2014), “Epileptic seizure predictor based on computational intelligence techniques: A comparative study with 278 patients” Computer methods and programs in biomedicine, May 2014 [30] Thornton RC et al., (2010) “Imaging haemodynamic changes related to seizure: comparision of EEG-based general linear model, independent component analysis of fMRI and intracranial EEG,” Neuroimage, 2010, 53: 196-205 [31] Yadollahahpour A and Jalilifar M (2014) “Seizure Prediction Methods: A review of the Curent Predicting Techniques,” Biomedical & Pharmacology, vol.7(1), 153-162, 2014 74 ... báo sớm động kinh dựa vào kết nghiên cứu Sau trình nghiên cứu mô cho kết khả quan Từ rút khả nghiên cứu để phát triển ứng dụng thực tế luận văn lớn đòi hỏi cần phải nghiên cứu thực nghiệm nhiều... sử dụng thơng dụng Dữ liệu học Bộ liệu test Đi? ??u chỉnh thông Thông số số mạng nơron mạng cần (quá trình học) thiết kế Đánh giá kết Mạng nơron với thông số thiết kế trình học Hình 3.1.3: Quá trình. .. tham gia vào q trình nhận dạng chia làm hai nhóm: để dùng cho trình học (learning) để dùng cho q trình test Trong liệu học bao gồm cặp liệu (X,d) gồm vectơ đầu vào X vectơ đích d đặc trưng cho mã