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

Trong luận văn này sẽ ngiên cứu về bệnh động kinh và tín hiệu điện não đồ EEG , các đặc trưng của tín hiệu điện não đồ được sử dụng trong phát hiện chứng động kinh.. Từ đó đưa ra hướng

L ỜI NÓI ĐẦU

Động kinh (Epilepsy) là bệnh rối loạn thần kinh trầm trọng thường gặp ở trẻ

em Theo Tổ chức Y tế Thế giới, số lượng người mắc chứng động kinh chiếm từ 0,5-1% dân số và trong đó ước tính khoảng 15 triệu trẻ em dưới 15 tuổi mắc bệnh

Một trong những trở ngại chính gặp phải hiện nay chính là vấn đề chẩn đoán động kinh Phân loại và chẩn đoán động kinh có thể dựa trên 3 yếu tố: (1) biểu hiện lâm sàng, (2) biểu hiện của điện não đồ (electroencephalogram-EEG) trong cơn, và (3)

biểu hiện của EEG ngoài cơn Tuy không giúp xác định được bệnh lý động kinh và

hội chứng động kinh cụ thể, nhưng dựa trên bệnh sử đáng tin cậy và EEG, các thầy thuốc thường có thể phân loại được cơn động kinh và lên kế hoạch điều trị thích

hợp EEG có nhiều ưu điểm hơn so với các tín hiệu y tế khác liên quan đến hoạt

động của não người như từ não đồ (magnetoencephalogram-MEG) hoặc ảnh cộng hưởng từ chức năng (functional magnetic resonance imaging-fMRI) do MEG đòi

hỏi một số lượng lớn cảm biến từ (dẫn đến các hoạt động của não được ghi nhận không tập trung cũng như chi phí cao), còn chuỗi ảnh fMRI lại có độ phân giải thời gian thấp và nhiều hoạt động của não không được ghi nhận Trong khi với ưu điểm

là chi phí thấp và độ phân giải thời gian cao thì EEG được xem là một công cụ hiệu

quả trong chẩn đoán các bệnh động kinh

Một vấn đề quan trọng nữa trong xử lý EEG, là tìm ra được các thông tin cần thiết ở trong tín hiệu giúp phát hiện động kinh Đây là quá trình trích chọn đặc trưng tín hiệu Các đặc trưng này phụ thuộc vào phương pháp được sử dụng, thường là các phép biến đổi (biến đổi wavelet, hệ mũ Lyaponov, phân bố tần số-thời gian …)

nhằm khai thác các thông tin “ẩn” chứa trong tín hiệu Các đặc trưng này có thể được trích chọn theo từng kênh tín hiệu (đơn biến) hoặc giữa các kênh tín hiệu với nhau (đa biến) Tiếp theo, ta sẽ sử dụng các đặc trưng này và các tổ hợp của nó để

chẩn đoán, phát hiện bênh động kinh dựa trên các thuật toán liên quan tới mạng ron, mô hình phi tuyến, ICA, phương pháp Bayesian, SVM Lưu ý đối với trẻ nhỏ, tín hiệu EEG thường có nhiều biến thể hơn người lớn và thay đổi nhiều theo lứa

nơ-tuổi do đó chúng ta phải xây dựng được các thuật toán thích hợp

Nhận thấy được tầm quan trọng của công việc này trong việc giúp đỡ các bệnh nhân bị bệnh động kinh em đã quyết định nghiên cứu, thực hiện luận văn để tìm ra các phương pháp phát hiện và chuẩn đoán sớm nhất, chính xác nhất các triệu chứng

của bệnh

Trong quá trình thực hiện luận văn em xin chân thành cảm ơn thầy TS.Vương Hoàng Nam, người trực tiếp hướng dẫn em hoàn thành luận văn này

TÓM T ẮT LUẬN VĂN

đồ EEG là một hướng nghiên cứu khoa học đang rất phát triển trên thế giới trong khoảng 20 năm trở lại đây và đạt được nhiều kết quả triển vọng dùng cho việc hỗ

trợ chẩn đoán chứng động kinh Trong luận văn này sẽ ngiên cứu về bệnh động kinh

và tín hiệu điện não đồ ( EEG ), các đặc trưng của tín hiệu điện não đồ được sử

dụng trong phát hiện chứng động kinh Các khái niệm và kiến thức về mạng nơ-ron nhân tạo và máy véc-tơ hỗ trợ SVM sẽ được trình bày Từ đó đưa ra hướng nghiên

cứu, phương pháp xử lý tín hiệu điện não đồ phát hiện chứng động kinh sử dụng phương pháp tiếp cận là phân loại bằng SVM nhằm xây dựng các thuật toán dùng phát hiện sớm cơn động kinh (co giật) và xây dựng một hệ thống phân tích tín hiệu EEG tối ưu nhằm cảnh báo sớm về cơn động kinh dựa vào các kết quả nghiên cứu Sau quá trình nghiên cứu và mô phỏng cho kết quả khả quan Từ đó rút ra khả năng nghiên cứu để phát triển và ứng dụng trong thực tế của luận văn là rất lớn nhưng đòi

hỏi cần phải nghiên cứu và thực nghiệm nhiều hơn nữavì thực tế hiện tại trên thế

giới hiện nay vẫn chưa chế tạo được các thiết bị cầm tay đủ tin cậy để dự đoán và

cảnh báo sớm về cơn động kinh

M ỤC LỤC

LỜI NÓI ĐẦU 1

TÓM TẮT LUẬN VĂN 3

MỤC LỤC 4

DANH SÁCH CÁC HÌNH V Ẽ 7

DANH SÁCH CÁC BẢNG 9

CÁC TỪ VIẾT TẮT 10

PHẦN MỞ ĐẦU 11

I Tầm quan trọng của luận văn 11

II Mục đích nghiên cứu 11

III Phương pháp nghiên cứu 11

V Kết luận 11

CHƯƠNG 1 - 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 của 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 Nhi ễu trong EEG 19

1.4.1 Nhiễu do thiết bị và mang tính hệ thống 19

1.4.2 Nhiễu mắt (Electrooculogram – EOG) 19

1.4.3 Nhiễu cơ (Electromyogram – EMG) 20

1.5 Động kinh trong tín hiệu EEG 20

1.6 Cơ sở dữ liệu bệnh động kinh: CSDL Đại học Freiburg 24

1.7 Kết luận 25

CHƯƠNG 2 - 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) của 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 và 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 của các loại tín hiệu y sinh khác dùng trong chẩn đoán động kinh 36

2.3.1 Tín hiệu điện tâm đồ ECG 36

2.3.2 Tín hiệu cộng hưởng từ chức năng 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 4 -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 dữ liệu 49

4.1.2 Tiền xử lý tín hiệu 50

4.1.3 Trích chọn các đặc trưng 50

4.1.4 Phân loai và hậu xử lý 51

4.2 Phương pháp tiếp cận: Phân loại bằng máy vec-tơ hỗ trợ SVM 52

4.3 Kết luận 55

CHƯƠNG 5 - MỘT SỐ ĐÁNH GIÁ KẾT QUẢ THU ĐƯỢC 56

5.1 Các thông số mô phỏng 56

5.1.1 Chọn kênh tín hiệu EEG 56

5.1.2 Chọn các đặc trưng 58

5.1.3 Mạng SVM đa lớp 60

5.1.4 Đưa ra cảnh báo 61

5.2 Tiến hành mô phỏng 63

5.3 Một số kết quả mô phỏng và đánh giá 66

5.3.1 Bộ dữ liệu học và kiểm tra 66

5.3.2 Một số kết quả mô phỏng và thảo luận 67

5.4 Kết luận 70

KẾT LUẬN 71

TÀI LIỆU THAM KHẢO 72

DANH SÁCH CÁC HÌNH V Ẽ

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 ở trẻ em 16

Hình 1.3.1: Minh họa các sóng      , , ,  trong tín hiệu EEG 18

Hình 1.4.1: Minh họa nhiễu mắt EoG và nhiễu cơ EMG trong quá trình đo điện não 20 Hình 1.5.1: Minh họa tín hiệu động kinh 21

Hình 1.5.2: Mô hình dự đoán đưa ra cảnh báo trước cơn động kinh 22

Hình 1.5.3: Minh họa về cảnh báo Đúng và cảnh báo Sai về cơn động kinh 22

Hình 1.5.4: Một thiết bị phát hiện sớm động kinh đang được thử nghiệm 23

Hình 1.5.5: Minh họa thiết bị phát hiện sớm động kinh sử dụng tín hiệu điện não 23

Hình 1.6.1: Mô tả đinh dạng file “.head” 24

Hình 1.6.2: Mô tả đinh dạng file “.data” 24

Hình 1.6.3: Minh họa một bản ghi EEG đã được đánh dấu trong 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 và 95% SEF dựa trên phân bố năng lượng 32

Hình 2.1.3: Minh họa thực hiện biến đổi DWT để thu được tín hiệu các băng cơ bản 33 Hình 2.2.1: Minh họa về biến thiên của đặc trưng đa biến MPC trước cơn động kinh 35 Hình 3.1.1: Mô hình nơ-ron sinh học 39

Hình 3.1.2: Nơ-ron nhân tạo và mạng nơ-ron 41

Hình 3.1.3: Quá trình học của mạng nơron 42

Hình 3.2.1: Các siêu phẳng phân loại dữ liệu 44

Hình 3.2.2: Siêu mặt phẳng có biên lớn nhất của SVM 45

Hình 3.2.3: Minh họa phân lớp mềm bằng SVM 46

Hình 3.2.4: Ánh xạ từ miền Rn sang miền Rd 48

Hình 4.1.1: Mô hình chẩn đoán bệnh động kinh 49

Hình 4.1.2: Phương pháp cửa sổ trượt để trích chọn các đặc trưng 51

Hình 4.1.3: Minh họa bài toán phân loại 52

Hình 4.2.1: Mô hình phân loại sử dụng SVM 53

Hình 4.2.2: Đầu ra phân loại của SVM 54

Hình 5.1.1: Một bản ghi dữ liệu đầy đủ với 27 kênh tín hiệu EEG và 2 kênh tín hiệu ECG (trong đó các vị trí EEG_ON và EEG-OFF đánh dấu vị trí bắt đầu và kết thúc một cơn động kinh) 58

Hình 5.1.2: 22 đặc trưng đơn biến của kênh tín hiệu F7 59

Hình 5.1.3: Minh họa kết quả bỏ phiếu trong SVM đa lớp 61

Hình 5.1.4: Minh họa quá trình hậu xử lý 62

Hình 5.2.1: Giao diện mở đầu 64

Hình 5.2.2: Giao diện nhập/ đọc dữ liệu EEG từ bộ 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: Mô tả một file đặc trưng tín hiệu 66

Hình 5.3.1: Tỷ lệ phát hiện cơn động kinh trên bộ CSDL Freiburg 67

Hình 5.3.2: Vị trí các ổ bệnh 69

Hình 5.3.3: Các kết quả đánh giá dựa theo vị trí ổ bệnh của Teixeira et al., 2014 69

DANH SÁCH CÁC B ẢNG

Bảng 2.1: Một số đặc trưng đơn biến của tín hiệu EEG 26

Bảng 2.2: Các thông số Hjorth 28 Bảng 5.1: Cơ sở dữ liệu ĐH Freiburg 57

CÁC T Ừ VIẾT TẮT

fMRI functional Magnetic Resonance

Imaging

Ảnh cộng hưởng từ chức

năng

FPR/h False Prediction Rate per hour Tỷ lệ dự đoán sai/ giờ

Cross-Correlation

Tương quan chéo (tuyến tính)

cực đại

SOP Seizure Occurrence Period Khoảng xuất hiện động kinh

PH ẦN MỞ ĐẦU

hiện nay, đối tượng hướng đến là những bệnh nhân bị bệnh động kinh Ngày nay động kinh là một vấn đề quan trọng của ngành y tế và là bệnh lý mà xã hội và ngành

y tế cần đặc biệt quan tâm vì những di chứng nặng nề của nó ảnh hưởng đến chất lượng cuộc sống, khả năng học tậ

ập cộng đồng và xã hội, đặc biệt

là đối với trẻ em Vấn đề đặt ra ở đây là cần phát hiện và dự đoán sớm cơn động

kinh với mục tiêu tạo ra các thiết bị gắn kèm với người bệnh có khả năng phát hiện

cơn co giật động kinh trước khi cơn xảy ra Đây cũng chính là vấn đề mà luận văn

nghiên cứu

II Mục đích nghiên cứu

Luận văn được thực hiên với mục tiêu:

- Xây dựng các thuật toán dùng phát hiện sớm cơn động kinh (co giật)

- Xây dựng một hệ thống phân tích tín hiệu EEG tối ưu nhằm cảnh báo sớm về

cơn động kinh dựa vào các kết quả nghiên cứu

III Phương pháp nghiên cứu

- Phương pháp mô hình hóa và tính toán được áp dụng để phân tích và giải

quyết bài toán

- Phương pháp mô phỏng cũng được sử dụng để tìm ra các quy luật và giá trị tối

ưu nhằm nâng cao, cải thiện chất lượng của các thuật toán đề xuất

IV Kết luận

Chương 1: Trình bày tổng quan cơ sở lý thuyết của bệnh động kinh và tín hiệu điện

não đồ EEG

Chương 2: Chương này trình bày về phương pháp tạo các đặc trưng của tín hiệu

EEG được sử dụng trong phát hiện động kinh

Chương 3: Chương này nghiên cứu về các hệ thống dùng nhận dạng các trạng thái

của tín hiệu động kinh bao gồm mạng trí tuệ nhân tạo và máy véc-tơ hỗ trợ SVM

Chương 4: Trình bày về các thuật toán dùng phát hiện và cảnh báo động kinh, bằng

phương pháp sử dụng SVM

Chương 5: Một số kết quả mô phỏng - Kết luận

Chương 1 - GIỚI THIỆU CHUNG VỀ BỆNH ĐỘNG KINH VÀ

TÍN HIỆU ĐIỆN NÃO ĐỒ

Trong chương này, những kiến thức cơ bản về bệnh động kinh và tín hiệu điện não đồ (electroencephalogram-EEG) sẽ được trình bày

ra do một nguyên nhân cụ thể không được coi là hiệu chứng của bệnh động kinh Tỉ

lệ bệnh này chiếm khoảng 0,5 - 0,7% dân số thế giới

Động kinh cũng là bệnh rối loạn thần kinh trầm trọng thường gặp ở trẻ em

Hiện nay trên thế giới ước tính khoảng 10,5 triệu trẻ em dưới 15 tuổi mắc động kinh chiếm 25% dân số động kinh toàn cầ

ứ mỗi 1.000 người thì có một người bị bệnh động

Động kinh cục bộ: Khi cơn động kinh xuất hiện từ hoạt động bất thường chỉ là một

phần của bộ não, chúng được gọi là cơn co giật cục bộ Những cơn co giật rơi vào hai loại: Cơn động kinh cục bộ đơn giản và cơn động kinh cục bộ phức tạp Theo các tác giả ở Mỹ:

- Xấp xỉ 50% bệnh nhân động kinh là động kinh cục bộ trong đó 1/4 là động kinh

cục bộ đơn giản và 3/4 là động kinh cục bộ phức tạp

- 60% động kinh cục bộ có nguồn gốc từ thùy thái dương và 40% từ thùy trán

Động kinh toàn thể: Động kinh có vẻ như liên quan đến tất cả bộ não được gọi là

động kinh toàn thể

1.2 Tín hiệu điện não đồ

Điện não đồ (EEG – Electroencephalogram) đo và biểu diễn sự thay đổi điện

thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não EEG được phát hiện bởi Berger năm 1924 bằng 1

dụng cụ đo dòng điện với 1 điện cực bề mặt trên đầu con trai ông và ghi lại được 1

mẫu nhịp nhàng những dao động điện Tín hiệu này là phản hồi điện sinh học ngay

tức khắc của tế bào não Mỗi kênh EEG là một tín hiệu điện đo được từ một điện cực cố định ngoài da (surface/scalp-EEG, sEEG) hoặc trong não (intracranial-EEG, iEEG)

Thông qua các đặc trưng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG cho ta các thông tin về các hoạt động của não Dựa trên các đặc trưng đó, các chuyên gia có thể đánh giá, phân tích các biểu hiện bất thường

của bộ não để phát hiện bệnh động kinh dựa trên sự xuất hiện các gai động kinh trong EEG

Chúng ta có thể dùng các điện cực kim loại để đo và lấy tín hiệu Các điện cực dùng trong điện não đồ thường là những đĩa kim loại, da đầu chỗ đặt điện cực được bôi kem dẫn điện, trước đó người ta hay tẩy sạch da đầu bằng chất bột tẩy da Người ta cũng hay dùng loại mũ cao su có gắn sẵn điện cực, và đặt trùm lên đầu người bệnh

Hình 1.2.1: H ệ thống đặt điện cực ghi 10-20 quốc tế

(international 10-20 system)

Hệ thống đặt điện cực 10-20 quốc tế, được đề nghị vào năm 1958, hiện được dùng rộng rãi, và được coi là phương pháp chuẩn (standard method) để ghi điện não trên da đầu (scalp EEG) Thông thường chúng ta sẽ dùng một bộ 21 điện cực gắn trên da đầu theo hệ thống đặt điện cực 10-20 của quốc tế (the 10-20 International System) Ta lấy các điểm mốc sau đây:

- Điểm gốc mũi (nasion), nằm giữa 2 chân lông mày (glabella)

- Điểm chẩm (inion)

- Ống tai ngoài 2 bên

Với các ký hiệu sau đây:

Đánh số lẻ nếu là bên trái, và số chẵn nếu là bên phải

Tại một số phòng ghi điện não trên thế giới, người ta còn chia tách ra tỷ mỷ hơn

để đặt được nhiều điện cực ghi EEG hơn, có thể có số vị trí đặt điện cực ghi trên da đầu là 32, 64, thậm chí 256

Hình 1.2.2: Tiến hành đo điện não ở trẻ em

Điện não đồ (EEG – Electroencephalogram ) đo và biểu diễn sự thay đổi điện

thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não trên đồ thị máy tính Biên độ của điện não đồ vào khoảng 100 μV khi đo trên da và khoảng 1-2 V khi đo trên bề mặt của não bộ Các băng thông của tín hiệu này từ dưới 1 Hz đến khoảng 70 Hz Thông qua các đặc trưng biên độ, tần số, phân bố không gian, hình thái, sự phân cực của điện thế, EEG cho ta các thông tin về các hoạt động của não

EEG có vai trò quan trọng trong việc kiểm tra và phát hiện bệnh động kinh ở người, giúp phát hiện và điều trị sớm, có ý nghĩa to lớn trong y học

1.3 Đặc điểm của tín hiệu điện não đồ

Các đặc trưng (cơ bản) của tín hiệu EEG gồm có: tần số cơ bản (fundamental frequency), biên độ (amplitude), hình dạng (morphology), vị trí (localization)

Việc đọc một bản ghi điện não đồ (EEG - electroencephalography) bao gồm

việc diễn giải được các kiểu sóng, quan trọng nhất là diễn giải các sóng dựa trên tần

số của sóng, hoặc dựa vào hình dạng của 1 sóng hoặc phức bộ của vài sóng Khó khăn trong đọc điện não đồ là ở chỗ phân biệt cho được các nhiễu (artifact), cũng như phải có khả năng nhận biết được những biến thể bình thường, không nhầm với các bất thường bệnh lý

Tín hiệu EEG bình thường được xem là những hoạt động xuất hiện trong hầu

hết các tín hiệu EEG của các đối tượng không bị ảnh hưởng (mang) bất kỳ bệnh lý

gì EEG bất thường là những hoạt động thường xuất hiện trong một nhóm người

gặp vấn đề về bệnh thần kinh hoặc các bệnh khác mà không xuất hiện trong từng cá

thể bình thường

Phần dưới đây sẽ mô tả những hoạt động của tín hiệu EEG bình thường ở người

tuổi, khi ấy sóng này chiếm ưu thế trên đường ghi EEG lúc nghỉ ngơi

Sóng Beta

Beta là những sóng “nhanh” Tần số của nó là từ 13 đến 30 Hz trở lên Sóng beta thường thấy ở cả 2 bán cầu, phân bố đối xứng hai bên, và rõ nhất là ở vùng trán Sóng có thể mất hoặc suy giảm ở vùng có tổn thương vỏ não Nhịp beta thường được coi là nhịp bình thường Nó là nhịp chiếm ưu thế ở những bệnh nhân đang thức tỉnh cảnh giác hoặc lo sợ, hoặc khi mở mắt

Sóng Theta

Theta là những sóng có tần số từ 3,5 tời 7,5 Hz, và được xếp vào loại sóng

“chậm” Nó được coi là bất thường nếu thấy ở người lớn đang tỉnh táo, nhưng lại coi là hoàn toàn bình thường ở trẻ dưới 13 tuổi và đang ngủ

Sóng Delta

Delta là những sóng có nhịp từ 3 Hz trở xuống Nó có xu hướng là những sóng

có biên độ cao nhất và là những sóng chậm nhất Nó hoàn toàn được coi là bình thường và là sóng ưu thế ở trẻ sơ sinh dưới 1 tuổi và ở giai đoạn 3 hoặc 4 (stages 3 and 4) của giấc ngủ

Ngoài ra còn có sóng Gamma là các sóng có tần số trên 30 Hz Tuy nhiên trong tín hiệu EEG loại sóng này chỉ chiếm một năng lượng nhỏ

Hình 1.3.1: Minh h ọa các sóng      , , ,  trong tín hi ệu EEG

1.3 2 Xác định sóng dựa vào hình dạng

Có một số sóng có hình dạng đặc trưng, bất kể là tần số của chúng là như thế nào, và do vậy có thể nhận biết được nhờ vào hình dạng của chúng Ngoài ra, có thể

có 1 cặp hoặc 1 nhóm các sóng có hình dạng đặc trưng Một ví dụ về những sóng có hình dạng đặc trưng là các gai (spikes) và các sóng nhọn (sharp waves) – các sóng này có đường dốc lên gấp tới đỉnh rồi dốc xuống tương đối đột ngột, như vậy nền (cạnh đáy) của sóng tương đối nhỏ so với biên độ (chiều cao) của sóng Có một số sóng có thể nhận biết được nhờ vào hình dạng, bao gồm 2 loại chính: Những sóng

có hình dạng đặc biệt và những phức bộ sóng có hình dạng đặc biệt

Các bi ến thể bình thường

Có một số sóng hoặc hình dạng sóng ít khi thấy xuất hiện, nhưng chúng không

có

ý Nhưng chúng có thể làm cho ta diễn giải nhầm

lẫn về bản ghi điện não đồ Trong các biến thể bình thường này, thường gặp nhất là

nhịp mu (mu rhythm), biến thể tâm thần vận động (psychomotor variant), các sóng

lambda, POSTS, các thoi (spindles), sóng c

(K Complexes)

1.4 Nhiễu trong EEG

Trong các tín hiệu điện não đồ đo được thường xuyên xuất hiện các loại tín

hiệu lạ không phải là tín hiệu điện não xuất phát từ da đầu (scalp), được gọi là nhiễu (artifact) Các nhiễu này được chia thành hai nhóm chính Nhóm thứ nhất là nhiễu

do thiết bị và mang tính hệ thống (do tiếp xúc điện cực và sai số thiết bị đo), loại nhiễu này thường khá dễ dàng nhận biết và loại bỏ vì nó có tính tương quan cao Nhóm thứ hai là các nhiễu có nguồn gốc từ sinh lý của con người như nhiễu cho chuyển động của mắt, do nháy mắt, do hoạt động của các cơ bắp, hoạt động của cơ tim Dưới đây chúng ta sẽ khảo sát một số loại tín hiệu nhiễu

1.4.1 Nhi ễu do thiết bị và mang tính hệ thống

Nhiễu do điện tâm đồ và do mạch (EKG and pulse artifacts): Cả 2 loại nhiễu này đều có thể nhận biết được nhờ vào tính chất có chu kỳ của chúng Nhiễu điện

tâm đồ cho thấy rõ phức bộ QRS theo chu kỳ, vì điện tâm đồ thì có tín hiệu điện lớn hơn nhiều so với điện não đồ Nhiễu do mạch là do mạch đập ở phía dưới của điện

cực làm cho nó chuyển động theo chu kỳ Cả 2 loại nhiễu này đều dễ nhận diện, nhưng cũng có thể gây khó khăn cho đọc điện não

Nhiễu do chuyển động của điện cực và các chuyển động khác: nhiễu do chuyển động của bệnh nhân thì có đường biểu thị đột ngột, và trong hầu hết trường hợp nó

dốc ngược đột ngột So với các sóng EEG chuẩn thì các nhiễu đó có biên độ cao và kéo dài về thời gian

Nhiễu do dụng cụ truyền tĩnh mạch và nhiễu 50 (hoặc 60) Hz: Những nhiễu này thường được thấy trong khi ghi điện não ở trong phòng săn sóc đặc biệt và cả 2 đều

là những giao thoa về điện Nhiễu 50 (hoặc 60) Hz thấy có ở những nơi điện cực

tiếp xúc kém, nối đất không tốt, và có một thiết bị điện chuyên dùng đặt ở gần đó

Nó gây nên những gai (spikes) có tần số 50(hoặc 60) chu kỳ giây – tạo thành vết

mực in trên giấy chạy với tốc độ thông thường

1.4.2 Nhi ễu mắt (Electrooculogram – EOG)

Tín hiệu EOG là sự chênh lệch điện áp giữa giác mạc và võng mạc của mắt Chênh lệch điện áp này thay đổi trong suốt quá trình chuyển động của mắt, và điện

áp đo được gần như tỉ lệ với góc nhìn Ở đây ta có thể ghi nhận chênh lệch điện áp này tương ứng với mức độ chuyển động và hướng chuyển động của mắt để làm kênh tham chiếu Khi giác mạc hay võng mạc của mắt chuyển động sẽ không những làm thay đổi độ chênh lệch điện thế tạo ra tín hiệu EOG mà còn ảnh hưởng làm thay đổi điện thế ở các vị trí khác trên da đầu và do đó làm thay đổi tín hiệu EEG

Hình 1.4.1: Minh h ọa nhiễu mắt EoG và nhiễu cơ EMG trong quá trình đo điện não

Tín hiệu EOG có nhiều tính chất đặc trưng riêng, khác biệt với các tín hiệu điện não đồ thông thường Việc nghiên cứu và phân tích các tính chất của các tín hiệu EOG là nền tảng quan trọng để áp dụng và kiểm tra các thuật toán loại bỏ nhiễu mắt EOG khỏi tín hiệu điện não

1.4.3 Nhi ễu cơ (Electromyogram – EMG)

Tín hiệu EMG là tín hiệu tạo ra bởi điều khiển hoạt động của cơ bắp và chứa thông tin về cấu trúc cơ của từng bộ phận cơ thể khác nhau Khi ta đo điện não,

bệnh nhân thường không tránh khỏi một số hoạt động bình thường như co ngón tay,

co tay, nói chuyện, cử động chân, quay đầu, quay người, … tất cả các hoạt động đó điều tạo ra nhiễu cơ lên tín hiệu điện não

1.5 Động kinh trong tín hiệu EEG

Bệnh động kinh là một rối loạn từ các tín hiệu điện trong não, đặc trưng là sự

lặp đi lặp lại của các cơn do sự phóng điện quá mức, đồng thời của các tế bào thần kinh não bộ Trên thực tế cuộc sống người bệnh động kinh sẽ chịu ảnh hưởng nặng

nề bởi các cơn động kinh xuất hiện bất chợt, không dự đoán được Các nghiên cứu

gần đây trên thế giới tập trung theo hướng dự đoán và phát hiện sớm cơn động kinh (dựa trên tín hiệu EEG) với mục tiêu tạo ra các thiết bị gắn kèm với người bệnh có

khả năng phát hiện cơn co giật trước khi cơn xảy ra Điều đó sẽ giúp người bệnh (đặc biệt trẻ em) rất nhiều trong việc chủ động đối phó với bệnh động kinh

Hình 1.5.1: Minh họa tín hiệu EEG (đa kênh) xảy ra động kinh Trong đó tín hiệu

EEG được chia thành các phần dữ liệu sau:

động này có độ dài thay đổi nhưng thường kéo dài gần khoảng ba phút

kinh (seizure onset) Không có một định nghĩa y học cụ thể nào về giai đoạn này

nhưng Mormann et al 2007 cho rằng đó là những sự thay đổi điện sinh lý học kéo

dài nhiều phút đến hàng giờ trước cơn động kinh

của não ngay sau kết thúc cơn (seizure offset) cho đến khi trở lại trạng thái bình thường

trước trạng thái pre-ictal và nằm sau trạng thái post-ictal

Đây cũng là các đối tượng nghiên cứu nhằm đưa ra dự đoán sớm về các cơn động kinh sắp xuất hiện

động kinh

Trước cơn (pre-ictal)

Sau cơn (post-ictal)

Cơn động kinh (ictal)

Hình 1.5.1: Minh h ọa tín hiệu động kinh

Giữa cơn

(inter-ictal)

Hình 1.5.2: Mô hình d ự đoán đưa ra cảnh báo trước cơn động kinh

Trong các đối tượng trên, điều chúng ta quan tâm nhất là trạng thái tiền động kinh

pre-ictal, đó là cơ sở tiền đề để chúng ta phát hiện sớm cơn co giật trước khi nó xảy

ra Hình 1.5.2 là mô hình dự đoán để đưa ra cảnh báo trước khi cơn động kinh xảy ra

Hình 1.5.3: Minh h ọa về cảnh báo Đúng và cảnh báo Sai về cơn động kinh

Trong trường hợp này, cảnh báo đưa ra có thể là Đúng (True alarm) hoặc Sai (False arlam) Thuật toán dự đoán đưa ra một cảnh báo có thể Đúng hoặc Sai phụ thuộc vào sự xuất hiện cơn động kinh trong khoảng thời gian cảnh báo cụ thể Cảnh báo là Sai nếu được đưa ra quá sớm trước cơn co giật (hoặc không xuất hiện cơn sau cảnh báo) và là Đúng nếu nằm trong khoảng thời gian phù hợp (do thuật toán

quyết định) trước cơn co giật (thường cảnh báo đưa nằm trong giai đoạn trạng thái

pre-ictal) (Hình 1.5.3)

Hình 1.5.4 là một hệ thống sử dụng điện thoại thông minh (smart-phone) dự đoán sớm cơn động kinh (ít nhất là 30 giây) đang được thử nghiệm và giới thiệu vào tháng 2/2015 Hệ thống này được nghiên cứu bởi trường Kumamoto University và Tokyo Medical and Dental University, được dự kiến đưa ra ứng dụng vào năm 2020

(http://asia.nikkei.com/Tech-Science/Tech/Smartphone-alert-helps-patients-prepare-for-seizures) Hệ thống này tập trung phát hiện các cơn co giật cục bộ

(focal seizures) vốn chỉ ảnh hưởng đến một phần của bộ não nhưng lại ảnh hưởng rất nhiều đến hoạt động nhịp tim (trước cơn co giật, các thay đổi trong hoạt động thần kinh sẽ làm ảnh hưởng đến hoạt động của tim) Hình (a) là mô hình hệ thống

và hình (b) là các cảm biến để đo tín hiệu tim

(a) (b) Hình 1.5.4: M ột thiết bị phát hiện sớm động kinh đang được thử nghiệm

Hình 1.5.5 minh họa một thiết bị phát hiện sớm động kinh sử dụng tín hiệu EEG trong sọ (intracranial) Hình (a)- các điện cực được cấy vào sọ, hình (b)-mô hình thiết bị

(a) (b) Hình 1.5.5: Minh h ọa thiết bị phát hiện sớm động kinh sử dụng tín hiệu điện não

1.6 Cơ sở dữ liệu bệnh động kinh: CSDL Đại học Freiburg

Bộ dữ liệu động kinh của Trung tâm Động kinh, Bệnh viện ĐH Freiburg, Đức Mỗi bản ghi gồm 2 file: file mô tả các thông “.head” và file dữ liệu “.data”(Hình 1.61 và 1.6.2) Các tín hiệu được lấy mẫu ở tần số 400 (hoặc 256)Hz và số hóa 16 bit

Các bản ghi trong CSDL đều được đánh dấu theo các trạng thái (inter-ictal, ictal, ictal, post-ictal) bởi các chuyên gia về điện não đồ (minh họa Hình 1.6.3)

pre-Hình 1.6.1: Mô t ả đinh dạng file “.head”

Hình 1.6.2: Mô t ả đinh dạng file “.data”

Bộ dữ liệu này gồm 18 bệnh nhân (được chọn lọc với lứa tuổi đa phần 10-16

tuổi) với tổng cộng 450 giờ ghi với 79 cơn động kinh

(http://epilepsy.uni-freiburg.de/freiburg-seizure-prediction-project/eeg-database )

Hình 1.6.3: Minh h ọa một bản ghi EEG đã được đánh dấu trong CSDL ĐH Freiburg

1.7 Kết luận

Chương 1 đã giới thiệu chung về bệnh động kinh và tín hiệu điện não đồ (EEG).Trong đó, động kinh (ĐK) là một bệnh mãn tính, do nhiều nguyên nhân khác nhau gây ra, đặc trưng là sự lặp đi lặp lại của các cơn do sự phóng điện quá mức, đồng thời của các tế bào thần kinh não bộ, dù cho triệu chứng lâm sàng và cận lên sàng có thể khác nhau; tín hiệu điện não đồ (EEG – Electroencephalogram ) đo và

biểu diễn sự thay đổi điện thế theo thời gian của các điện cực được đặt ở các vị trí khác nhau trên da đầu tương ứng với các vùng của vỏ não

Các đặc trưng (cơ bản) của tín hiệu điện não đồ (EEG) gồm có: tần số cơ bản (fundamental frequency), biên độ (amplitude), hình dạng (morphology), vị trí (localization)

Các loại nhiễu thương gặp trong nghiên cứu tín hiệu điện não đồ gồm có: Nhiễu

do thiết bị, mang tính hệ thống; nhiễu mắt (Electrooculogram – EOG); nhiễu cơ (Electromyogram – EMG)

Nghiên cứu chứng bệnh động kinh sử dụng tín hiệu điện não đồ: Các nghiên

cứu gần đây trên thế giới tập trung theo hướng dự đoán và phát hiện sớm cơn động kinh (dựa trên tín hiệu EEG) với mục tiêu tạo ra các thiết bị gắn kèm với người

bệnh có khả năng phát hiện cơn co giật trước khi cơn xảy ra

Phần cuối chương là cơ sở dữ liệu bệnh động kinh được dựa trên nghiên cứu,

thống kê của trườngĐại học Freiburg

Ch ương 2 - CÁC ĐẶC TRƯNG CỦA TÍN HIỆU EEG ĐƯỢC

SỬ DỤNG TRONG PHÁT HIỆN BỆNH ĐỘNG KINH

Chương này nhằm mục đích đưa ra các phương pháp trích chọn các đặc trưng (thông tin liên quan) của một bệnh nhân có triệu chứng động kinh và cơn động kinh

từ bản ghi tín hiệu EEG của người bệnh này

Các đặc trưng này được chia làm hai loại: đặc trưng đơn biến (univariate) được

lấy từ một kênh dữ liệu EEG và đặc trưng lưỡng biến (bivariate) được tính toán dựa trên một cặp (hoặc nhiều hơn) kênh tín hiệu EEG

2.1 Các đặc trưng đơn biến

Bảng 2.1 liệt kê 22 đặc trưng đơn biến thường được sử dụng trong phát hiện

động kinh, (Dreito B et al., 2011) Dữ liệu EEG trước tiên được phân đoạn theo

từng cửa sổ, sau đó được xử lý bởi bộ lọc notch tần số 50 hoặc 60 Hz nhằm loại bỏ ảnh hưởng nhiễu 50/60 Hz gây bởi nguồn cung cấp xoay chiều Các đặc trưng đơn biến lấy từ tín hiệu EEG sẽ thể hiện được các thông tin về cả biên độ lẫn pha/tần số của từng kênh tín hiệu EEG

Bảng 2.1: Một số đặc trưng đơn biến của tín hiệu EEG

Đặc trưng tín hiệu EEG

Miền thời gian

Trị trung bình (thống kê bậc 1) Phương sai (thống kê bậc 2) Skewness (thống kê bậc 3) Kurtosis (thống kê bậc 4) Năng lượng trong thời gian dài (long-term energy) Hjorth mobility (thông số Hjorth)

Hjorth complexity (thông số Hjorth) Decorrelation time

Sai số bình phương cực tiểu của mô hình tự hồi quy AR

Miền tần số

Công suất tương đối băng delta (0.1-4 Hz) Công suất tương đối băng theta (4-8 Hz) Công suất tương đối băng alpha (8-15 Hz) Công suất tương đối băng beta (15-30 Hz) Công suất tương đối băng gamma (>30 Hz) Tần số biên phổ (Spectral edge frequency) Công suất biên phổ (Spectral edge power)

Miền thời gian – tần

số Năng lượng các 6 band wavelet (sử dụng hàm wavelet daubechies bậc 4)

2.1.1 Đặc trưng thống kê (miền thời gian) của tín hiệu

Ta có thể định nghĩa mô-men bậc thứ k k ( ≥ 2 ) của tín hiệu y t ( )như sau:

n =

= ∑ − (2.1)

trong đó n là số mẫu và y là giá trị trung bình của tín hiệu

Trị trung bình (mean): Thống kê bậc một của tín hiệu, liên quan đến sự dịch chuyển

của đường base-line của bản ghi EEG

kurtosis ở giai đoạn trước cơn co giật pre-ictal, thể hiện qua sự suy giảm giá trị

phương sai và tăng giá trị kurtosis (đồng nghĩa với hàm phân bố biên độ nhọn hơn)

ở giai đoạn pre-ictal so với gia đoạn bình thường inter-ictal trước đó (Aarabi A et al., 2009)

Năng lượng trong thời gian dài: Năng lượng của tín hiệu đơn giản là giá trị trung

bình của năng lượng tín hiệu trong khoảng thời gian (cửa sổ) cho trước:

( )

w

2 1

1Ew

được sử dụng trong dự đoán cơn động kinh (Brian Litt et al., 2001) AE được định

nghĩa là trung bình năng lượng trong một khoảng thời gian dài dựa trên các giá trị năng lượng của q cửa sổ liên tiếp nhau Ở đây, ta có thể chọn q=10, và năng lượng tích lũy được tính như sau:

1

110

Thông số Hjorth, (Hjorth B., 1970) là một trong những phương pháp thể hiện

thuộc tính thống kê của một tín hiệu EEG trong miền thời gian được đưa ra bởi Bo

Hjorth, 1970, gồm một tập ba loại thông số Hjorth: Activity, Mobility và Complexity:

( )

( ' )

mobility y t mobility y t

Thông số Activity là phương sai của hàm thời gian, thể hiển phổ công suất trong

miền thời gian Giá trị của Activity là lớn/nhỏ khi các thành phần tần số cao trong tín hiệu tồn tại nhiều/ít

Thông số Mobility được xác định bởi hàm căn bậc hai của tỷ số giữa phương

sai đạo hàm bậc một của tín hiệu và phương sai của tín hiệu Thông số này thể hiện

tỷ lệ độ lệch chuẩn của phổ công suất

Thông số Complexity thể hiện sự giống nhau về hình dạng của tín hiệu với một sóng hình sin Giá trị Complexity hội tụ tới 1 khi hình dạng tín hiệu tương tự với

sóng hình sin

Mormann F et al., 2005 đã chỉ ra sự suy giảm công suất của các tần số thấp hơn tại thời điểm lân cận khởi phát cơn co giật sẽ dẫn tới sự tăng giá trị của Hjorth mobility và complexity

2.1.3 Th ời điểm bất tương quan

Hàm tự tương quan (autocorelation) của tín hiệu y t ( ) được định nghĩa là sự tương quan của y t ( ) và bản bị dịch (trễ) bởi thời gian τ của chính nó Hàm tự tương quan sẽ đánh giá độ giống nhau (tương quan) giữa hai tín hiệu này Hàm tự tương quan được sử dụng để phát hiện tính tĩnh (ít biến động) theo thời gian của tín hiệu Decorrelation time (thời điểm bất tương quan) là thời điểm (độ trễ tính theo số mẫu của tín hiệu) của điểm cắt-không (zero-crossing) đầu tiên của hàm tự tương quan Thông thường, với loại tín hiệu ít biến thiên thì giá trị này sẽ lớn và ngược lại

Hình 2.1.1: Minh h ọa khái niệm thời điểm bất tương quan (Decorrelation-time)

Hình 2.1.1 minh họa thời điểm bất tương quan (decorrelation-time) của tín hiệu (điểm cắt-không đâu tiên của hàm tự tương quan), đó là thời điểm các mẫu tín hiệu ( )

y t và bản bị dịch (trễ) bởi thời gian τ (τ bằng giá trị decorrelation-time) của chính nó ít tương quan nhất Mormann et al., 2005 đã sử dụng decorrelation-time để nhận biết phân biệt trạng thái trước cơn động kinh pre-ictal từ trạng thái bình thường inter-ictal do tại thời điểm trước cơn, giá trị decorrelation-time sẽ suy giảm

2.1.4 Mô hình t ự hồi quy AR

Một phương pháp nữa thường được sử dụng trong phân tích tín hiệu EEG là mô hình tự hồi quy AR (auto-regressive) Trong phương pháp này, giá trị mẫu tín hiệu

hiện tại được xác định (dự đoán) dựa trên tổng tổ hợp tuyến tính các mẫu giá trị trước đó V

trong đó P là tổng công suất tín hiệu

Phổ công suất của từng băng con được tính dựa trên biến đổi FFT (Fast Fourier Transform) của đoạn tín hiệu sau đó tính tổng các hệ số Fourier nằm trong từng băng cụ thể Các thực nghiệm trước đây cho thấy khi hoạt động não tăng ở một số băng tần số trong các tình huống cụ thể thì đồng thời sẽ giảm ở các băng tần số

khác Mormann et al.,2005, đã nhấn mạnh chỉ ra sự suy giảm năng lượng ở băng

delta trong quá trình quá độ từ trạng thái bình thường (inter-ictal) đến khởi phát

cơn, đồng thời đi kèm sự suy giảm năng lượng ở băng khác

2.1.6 T ần số biên phổ và công suất biên phổ

Trong một tín hiệu EEG, thường thì phần lớn năng lượng tín hiệu nằm trong một băng tần số từ 0 cho đến 40 Hz (trong một số công trình nghiên cứu chọn tần số lên tới 30Hz): P40(30)Hz ≈ P Ở đây chúng ta sử dụng một thông số đặc trưng cho phân bố công suất gọi là tần số biên phổ (Spectral edge frequency -SEF), được định

nghĩa như là tần số cực tiểu mà chứa x% (x từ 0 đên 100) công suất phổ P40(30)Hz

Hiển nhiên, tương ứng với SEF, ta có công suất biên phổ (Spectral edge power –

SEP) chứa x% năng lượng trong khoảng tần số (0-40Hz) Thông thường, đối với đặc trưng tín hiệu EEG thì x thường chọn là 50% (50% SEF hoặc median frequency) :

Hình 2.1.2: Minh h ọa khái niệm 50% SEF và 95% SEF dựa trên phân bố năng lượng

2.1.7 Bi ến đổi wavelet

Sự phân tách wavelet đa mức một tín hiệu EEG sẽ trích chọn các tín hiệu băng con bao gồm các thành phần đóng góp vào hình dạng sóng tín hiệu theo các tỷ lệ (thời gian) nhất định Trên thực tế biến đổi wavelet sẽ thích hợp hơn với loại tín hiệu tính chất không-dừng (non-stationary) như EEG hơn biến đổi Fourier vốn được

sử dụng cho giả thiết tín hiệu dừng (stationary)

Trong luận văn, chúng ta sẽ sử dụng phân tích wavelet rời rạc DWT (Discrete Wavelet Transform) để phân tách tín hiệu thành các băng tần số khác nhau Việc lựa chọn hàm wavelet thích hợp cũng như số mức phân tách là rất quan trong trong DWT Ở đây, chúng ta sẽ chọn biến đổi Daubechies bậc 4 (db4) để phát hiện các sự thay đổi trong tín hiệu EEG Hình 2.1.3 minh họa sử dụng DWT để phân tách tín hiệu EEG thành các tín hiệu băng con (từ tần số lấy mẫu 256Hz) Tín hiệu qua các

bộ lọc (thông cao HP, thông thấp LP) thu được tín hiệu EEG băng (0-64Hz) và tín hiệu băng cao gọi là phần dư (64-256 Hz) Từ tín hiệu EEG chúng ta sử dụng các hàm wavelet để tách ra tín hiệu      , , , , 

Hình 2.1.3: Minh h ọa thực hiện biến đổi DWT để thu được tín hiệu các băng cơ bản

Như vậy đầu ra quá trình này gồm tín hiệu 6 băng (băng 1- băng 6): phần dư (tần số cao) và( γ β α θ δ , , , , ) Trong đó băng 1 tương ứng với phần tần số cao nhất

và băng 6 tương ứng với phần tần số thấp nhất trong tín hiệu Ta tính năng lượng của 6 băng này theo (2.5) và sử dụng năng lưọng 6 băng này như 6 đặc trưng đơn

biến của EEG (Dreito B et al., 2008)

Các đặc trưng đa biến dùng phản ánh sự tương tác hoặc tương quan giữa hai hay nhiều kênh tín hiệu EEG, chẳng hạn các hàm đo về sự đồng bộ (synchronization), tương quan chéo (cross-correlation) hoặc thông tin hỗ tương (mutual information) Mặc dù các đặc trưng đa biến dường như nắm bắt được những sự thay đổi (tín hiệu) đặc biệt ở khởi đầu cơn động kinh (seizure onset),

nhưng chúng vẫn ít khi được ứng dụng cho việc phát hiện động kinh (Morman et al, 2007) hoặc để phân tích sự thay đổi ngoài khởi đầu (Schiff et al, 2005)

Các thông số đồng bộ pha

Đồng bộ tín hiệu về thần kinh thể hiện sự đồng bộ giữa hai tín hiệu xuất phát từ hai khu vực não Trong quá trình phát triển cơn động kinh, các nơ-ron bắt đầu bùng

phát đồng thời Do đó việc định lượng và phát hiện sự đồng bộ pha sẽ cung cấp một

cơ chế phát hiện động kinh

Đồng bộ pha trong các hệ thống có nhiễu hoặc hỗn loạn (chaotic) được Huygens giới thiệu từ thế kỷ 17 Trong trường hợp cổ điển, đồng bộ pha được định nghĩa như sự khóa pha của các tín hiệu:

(m n, ) m x( )t n y( )t const

φ = φ − φ = (2.11)

trong đó là φx( ) ( )t ,φy t các biến pha của hai tín hiệu x t y t     , , φ ( m n , )là mối quan hệ giữa pha hai tín hiệu

Để nghiên cứu về sự đồng bộ trong các hệ thống hỗn loạn, Rosenblum et al.,

1996 thay điều kiện khóa pha bằng một điều kiện ràng buộc yếu hơn:

(inter-đầu vào trạng thái trước cơn (pre-ictal) các kênh tín hiệu bắt (inter-đầu biến thiên mạnh

(không còn ổn định) Điều đó dẫn đến sự suy giảm về đồng bộ pha giữa các kênh dẫn đến giá trị MPC giảm

Hình 2.2.1: Minh h ọa về biến thiên của đặc trưng đa biến MPC trước cơn động kinh

Sự thay đổi (suy giảm) của MPC trước cơn được nghiên cứu sau đây Trên đây minh họa đặc trưng MPC (được tính toán theo phương pháp cửa sổ trượt) sử dụng

hai tín hiệu ở hai điện cực trong 3 giờ cho một khoảng giữa cơn (inter-ictal) (hình

2.2.1.a) Trong phần lớn thời gian, đặc trưng dao động trong khoảng biên độ từ 0,6 đến 0,8 và giảm đột ngột tại các thời điểm xấp xỉ các phút 50, 80, 120 và 160 Hình 2.2.1.b đến 2.2.1.d minh họa đặc trưng MPC của ba khoảng thời gian 50 phút trước

cơn (pre-ictal) Điểm khởi phát cơn được đánh dấu bằng đường thẳng dọc tại điểm

thời gian không Trong khoảng thời gian trước cơn, sự suy giảm biên độ MPC sẽ được xem xét nghiên cứu

Thí dụ minh họa chỉ ra rằng trong quá trình trước cơn pre-ictal, những sự thay đổi của MPC đã được so sánh với các quá trình giữa cơn xảy inter-ictal ra ở rất xa

cơn động kinh Liệu các sự thay đổi này có là hữu ích cho phép dự đoán cơn động kinh với độ tin cậy cao? Trong phần tiếp theo bàn về phương pháp dự đoán cơn bằng ngưỡng(mục 3.2.1), chúng ta sẽ trở lại vấn đề này

Tương quan chéo tuyến tính cực đại

Đây là một thông số đa biến tiêu biểu khác thường được sử dụng trong chẩn

đoán về động kinh (Yadollahahpour A and Jalilifar M., 2014) Tương quan chéo

cực đại (maximum linear cross-correlation, MCC) là đại lượng dùng đánh giá sự tương đồng (similarity) giữa hai tín hiệu x i { } và y i { } :

trong đó ( )( )

( )( )1

1

0,

− +

ngược lại khi giá trị càng dần gần 0

đoán động kinh

2.3.1 Tín hiệu điện tâm đồ ECG

Một số thuộc tính của tín hiệu ECG có mối liên hệ với việc dự báo trước cơn

động kinh (Novak et al., 1999) Các thuộc tính này bao gồm thống kê liên quan

khoảng cách các đỉnh R-R (trung bình, phương sai, khoảng cách cực đại, cực tiểu), entropy xấp xỉ, các đặc trưng miền tần số và thống kê số nhịp mỗi phút BPM (beats per minute) bao gồm trung bình, phương sai, giá trị cực đại, cực tiểu

2.3.2 Tín hi ệu cộng hưởng từ chức năng FMRI

Kết nối chức năng (functional connectivity) là sự kết nối giữa các khu vực não

có cùng những thuộc tính chức năng (hoặc có cùng liên quan đến một chức năng cụ thể) Cụ thể hơn, khái niệm này có thể được định nghĩa như là một sự tương quan

về thời gian giữa các sự kiện thần kinh xảy ra trong không gian não, thông qua độ sai khác tính độc lập thống kê giữa các sự kiện này trong các khu vực hoặc các nhóm thần kinh có phân bố cụ thể, xác định

Việc đánh giá chức năng liên kết giữa các khu vực trong não thường thông qua ảnh cộng hưởng từ fMRI Tuy nhiên thường gặp khó khăn do trên thực tế fMRI chỉ

đo được hoạt động của não cách đoạn (vài giây) nên khó có thể đánh giá được mức

độ liên kết thần kinh của não Sự hoạt động của các nơ-ron xảy ra trong khoảng thời gian được tính theo phần nghìn của giây trong khi phần lớn các phương pháp hình ảnh chức năng dựa vào sự thay đổi tưới máu não hoặc thể tích máu mà điều này

thay đổi đặc thù tính theo giây Tín hiệu điện não đồ EEG với độ phân giải thời gian lớn (ms) thường sẽ là sự bổ xung cần thiết của fMRI trong việc phân tích chức năng não Số liệu điện sinh lý của EEG có thể kết hợp với các số liệu chức năng của fMRI và có thể tạo được một bản đồ kết não hợp có độ phân giải thời gian và không gian cao

Trong nghiên cứu về bệnh động kinh, sự kết hợp này cho phép khảo sát sự thay đổi (dao động) của các hoạt động thần kinh ở vỏ não (tín hiệu EEG) với lệ thuộc mức ôxy máu BOLD trong não (tín hiệu fMRI) Mối liên hệ của tín hiệu BOLD đối

với cơn động kinh đã được Hauf et al., 2012 và Thorton et al., 2010 chỉ ra

2.4 Kết luận

Chương này đã trình bày về các đặc trưng của tín hiệu EEG dùng trong phát

hiện và chuẩn đoán bệnh động kinh gồm có đặc trưng đơn biến và đặc trưng đa

Ngoài ra còn một số đặc trưng của các loại tín hiệu y sinh khác dùng trong chẩn đoán động kinh như: tín hiệu điện tâm đồ EEG, tín hiệu cộng hưởng từ chức năng FMRI

Trong thực tế

ệu điện não

đồ có sự biến thiên rất nhiều (ngay cả đối với tín hiệu bình thường) về các đặc trưng

kỳ một đặc trưng nào có mối quan hệ định lượng chính xác với các trạng thái tín

hiệu EEG hoặc cơn động kinh.Điều này dẫn đến trong dự đoán về động kinh chúng

ta phải sử dụng nhiều đặc trưng tín hiệu