Xây dựng chương trình xử lý và phân tích tín hiệu điện não hỗ trợ chẩn đoán các bệnh lý thần kinh báo cáo tổng kết đề tài khcn cấp cơ sở msđt t khud 2012 20

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA FG BÁO CÁO TỔNG KẾT ĐỀ TÀI KHCN CẤP CƠ SỞ XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO HỖ TRỢ CHẨN ĐOÁN CÁC BỆNH LÝ THẦN KINH Chủ nhiệm đề tài: ThS NGUYỄN THỊ MINH HƯƠNG TS HUỲNH QUANG LINH Mã đề tài: T-KHUD-2012-20 Thời gian thực hiện: 02/2012 – 02/2013 Thành phố Hồ Chí Minh – Tháng 08/2013 Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN TÍCH TÍN HIỆU ĐIỆN NÃO HỖ TRỢ CHẨN ĐOÁN CÁC BỆNH LÝ THẦN KINH Nguyễn Thị Minh Hương, Huỳnh Quang Linh Bộ môn Vật lý kỹ thuật Y sinh, Khoa Khoa học Ứng dụng Trường Đại học Bách khoa – ĐHQG TP.HCM TĨM TẮT Với hỗ trợ cơng nghệ tính tốn, nhiều phương pháp xử lý nhận dạng tín hiệu EEG phát triển đưa nhiều kết khả quan chẩn đoán động kinh, ngưng thở giấc ngủ, rối loạn giác quan, khảo sát phản xạ thính giác, tâm thần phân liệt, Parkinson, Azheimer vv… Việc áp dụng phương pháp để xây dựng phần mềm có tính thân thiện với người dùng nhằm giúp bác sĩ thần kinh chẩn đoán, nghiên cứu bệnh lý mà khơng địi hỏi kiến thức tin học chuyên sâu việc làm có ý nghĩa thiết thực đáng kể Trên sở chương trình mã nguồn mở EEGLAB, nhóm tác giả xây dựng chương trình xử lý hỗ trợ chẩn đốn bệnh lý thần kinh tích hợp nhiều tiện ích xử lý phức hợp dựa vào kết nghiên cứu đặc tính vật lý phi tuyến cơng bố gần xác định hệ số Lyapunov, fractal phân tích spectrogram, nhằm cung cấp nhiều lựa chọn cho bác sĩ thần kinh, học viên ngành y sinh nghiên cứu học tập xử lý chẩn đốn tín hiệu điện não hoạt động thần kinh, triệu chứng bệnh lý đặc thù Chương trình cịn có khả mở rộng khả sử dụng khảo sát dạng tín hiệu phi tuyến khác tín hiệu điện tim, điện mắt, điện vv tính chất phi tuyến lĩnh vực chuyên sâu phục vụ nhu cầu nghiên cứu đào tạo chuyên ngành 2    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 BUILDING PROGRAM FOR ELECTROENCEPHALOGRAM SIGNAL PROCESSING AND ANALYSIS SUPPORTING NEUROPATHY DIAGNOSIS Nguyen Thi Minh Huong, Huynh Quang Linh Department of Biomedical Engineering Faculty of Applied Science, HCMUT-VNU HCM ABSTRACT With supporting of computational technology, many methods for EEG signal processing and analysis have been developed and provide remarkable positive results in diagnosis of epilepsy, sleep apnea, sensory disorders, auditory reflection survey, schizophrenia, Parkinson, Alzheimer etc Building a software with user-friendly features based of mentioned methods should have considerably practical significance to help doctors and researchers with minimal programming skills in research on neuropathy diagnosis diseases Based on the open source program EEGLAB, the authors have developed a program for EEG processing and analysis supporting neuropathy diagnosis with the implementation of many integrated utilities extracting recently published nonlinear physical properties of EEG such as Lyapunov coefficient, fractal and spectrogram analysis Program provides neurologists, biomedical researchers with advanced options of EEG processing and analysis diagnosis in neurology research The program can be used for studies of nonlinear characteristics of other biosignals such as ECG, EOG, EMG etc in biomedical research and education 3    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 I TỔNG QUAN Từ nửa kỉ nay, nghĩa từ sau phát Hans Berger năm 1929, điện não đồ sử dụng thăm khám cận lâm sàng để chẩn đoán hoạt động não chức não việc xác định tượng sinh lý bình thường bất thường động kinh, tâm thần phân liệt, rối loạn giấc ngủ, mệt mỏi tinh thần hôn mê Điện não (EEG) công cụ chủ đạo thường sử dụng để nghiên cứu bệnh trí nhớ Trong nhiều trường hợp, ví dụ Alzheimer’s bệnh rối loạn tâm thần trầm cảm, EEG sử dụng để chẩn đốn bất thường Thơng thường, EEG sử dụng để chẩn đốn đánh giá trí nhớ vỏ não vỏ não Thường giúp phân biệt tổn thương thối hóa AD (Alzheimer’s diseases) bệnh giả trí nhớ rối loạn tâm thần [1] EEG trình trình chủ yếu trình khơng chủ yếu (ví dụ sóng delta theta liên quan đến bệnh) EEG có khả tiên đốn sớm hoạt động bất bình thường liên quan đến CJD (Creutzfeldt-Jakob diseases- bệnh Creutzfedt) Động kinh vấn đề quan trọng ngành y tế bệnh lý cần quan tâm đặc biệt di chứng ảnh hưởng đến chất lượng sống, khả học tập cơng tác, hịa nhập cộng đồng xã hội Động kinh kịch phát phóng điện đồng thời mức tự trì quần thể Neuron chất xám vỏ não Cơn động kinh tự bộc phát, bệnh nhân khó kiểm sốt hay biết trước Trên giới có khoảng 50 triệu người bị bệnh động kinh có khoảng 35 triệu người điều trị cách Trong năm gần đây, nhiều nghiên cứu ý đến đến xử lý tín hiệu EEG ứng dụng Nghiên cứu cho thấy EEG chứa nhiều thơng tin bất thường phản ứng với số kích thích não người Tuy nhiên, nhiễu tín hiệu giả (khơng phải tín hiệu xuất phát từ não) kẻ thù tín hiệu EEG chất lượng cao Do diện chúng ảnh hưởng đến việc đánh giá xác tín hiệu EEG Nhiễu thường rơi vào hai loại là: nhiễu kỹ thuật nhiễu sinh lý Nhiễu kỹ thuật nhiễu tác động môi trường lên EEG điều kiện đo đạc, phòng ốc không đảm bảo ảnh hưởng điện lưới Vì vậy, nhiễu hồn tồn giảm thiểu cải thiện điều kiện đo đạc Trong đó, nhiễu sinh lý sinh hoạt động sinh lý người tác động lên vùng đo loại nhiễu từ trước đến xem thuộc tính cố hữu EEG Hiện nay, lọc thông trang bị thiết bị đo điện não chủ yếu để loại bỏ nhiễu 4    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 kỹ thuật có tần số nằm dãy tần số điện não Tuy nhiên,cho đến việc loại nhiễu kỹ thuật có tần số nằm dãy tần số điện não cịn vấn đề nan giải với lọc tuyến tính Cịn việc loại bỏ nhiễu sinh lý điện cơ, điện tim, điện mắt tín hiệu điện não cịn cịn đề mới, hồn tồn khơng thấy phần mềm chuyên dụng sử dụng bệnh viện TPHCM Vì nhu cần nghiên cứu, phát triển thuật toán để cải thiện việc lọc nhiễu, đặc biệt nhiễu sinh lý cấp thiết Do đó, để phân tích xử lý tín hiệu EEG xác, nhiều thuật tốn nghiên cứu để loại bỏ nhiễu tín hiệu giả Các tín hiệu EEG chứa thơng tin có tần số 100 Hz (trong nhiều ứng dụng thông tin nằm 30 Hz) Bất thành phần tần số cao đơn giản gỡ bỏ cách sử dụng lọc thông thấp Trong trường hợp liệu EEG bị nhiễu nguồn 50/60Hz phương pháp phổ biến để loại trừ can thiệp khơng mong muốn dịng điện phịng thí nghiệm nơi nhạy cảm với tín hiệu điện tử sử dụng lọc Notch Tuy nhiên lọc tần số cố định Notch loại bỏ tất nhiễu đặc tính nhiễu tín hiệu y sinh (tần số pha) thay đổi liên tục trình ghi nhận EEG Một cách để khắc phục hạn chế lọc Notch tần số cố định lọc nhiễu đáp ứng thích nghi (Adaptive noise cancellation) Tiền đề mơ hình tốn thuật tốn xử lý thích nghi bắt đầu đề cập vào năm 50 60 kỷ 20 thông qua tác giả như: H W Bode C E Shannon “Đạo hàm đơn giản hóa cho lý thuyết dự đốn làm mịn bình phương cực tiểu tuyến tính” [2]; R E Kalman “Lý thuyết chung điều khiển” [3]; R E Kalman R S Bucy “Những kết lọc tuyến tính lý thuyết dự đoán” [4]; J S Koford G F Groner “Việc sử dụng phần tử ngưỡng thích nghi để thiết kế phân loại mơ hình tuyến tính tối ưu” [5] Nhưng phải đợi đến năm thập kỷ 70, xử lý thích nghi thức đề xuất Bernard Widrow-Trường Đại học Stanford Samuel D Stearns-Phịng thí nghiệm quốc gia Sandia (Hoa Kỳ) Ban đầu tác giả tập trung vào xây dựng sở toán học cho bốn mơ hình chính, Tiên đốn, Nhận dạng, Sửa sóng, Lọc nhiễu Đồng thời ứng dụng mơ hình lọc nhiễu B Widrow gợi ý sớm “Adaptive Noise Canceling Principles and Applications” [6] Một ứng dụng quan trọng viết lọc nhiễu 50Hz – 60Hz cho tín hiệu điện tâm đồ Người ta ghi nhận đưa vào lọc thích nghi kênh tham 5    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 chiếu (là tín hiệu nhiễu cần loại bỏ) với tín hiệu vào Các hệ số lọc thích nghi điều chỉnh theo kênh tham chiếu để bù cho thay đổi tín hiệu vào, tín hiệu thơng số hệ thống Thuật tóan sử dụng nhiều để tối ưu hóa là thuật tốn trung bình bình phương cực tiểu (Least Mean Square, LMS) Song phát triển cao y học năm gần làm nẩy sinh yêu cầu mới, khắc khe cho thuật tốn lọc nhiễu Đó độ xác cao hơn, tốc độ hội tụ nhanh hơn, độ ổn định cao Từ đó, thuật tốn ứng dụng ngày phát triển Trong việc lọai bỏ nhiễu tín hiệu EEG, có nhiều tác giả nghiên cứu ứng dụng lọc hồi tiếp thích nghi để lọc nhiễu nguồn, nhiễu mắt, như: A Garcés Correa “Loại bỏ nhiễu tín hiệu giả từ EEG cách sử dụng lọc thích nghi dạng ghép tầng” [7]; Kyle D Wesson “Phương pháp thích nghi loại bỏ nhiễu 60 Hz với chi phí thấp, độ trung thực cao” [8]; P He, G Wilson C Russell “Loại bỏ tín hiệu EOG tín hiệu EEG lọc thích nghi” [9] Trong xử lý nhiễu điện (Electromyogram, EMG), tính chất phổ EMG gây khó khăn nhiều so với nhiễu liên quan đến chuyển động mắt, hoạt động tim phổ EMG trùng lắp với dạng sóng beta hoạt động khoảng 15-30 Hz Bất lợi trở nên nghiêm trọng thực tế khơng thể thu tín hiệu tham chiếu chứa EMG để dùng cho lọc đáp ứng thích nghi Do người ta nghĩ đến phương pháp khác khơng cần dùng đến tín hiệu tham khảo Đó phương pháp phân tách nguồn mù (Blind Source Separation, BSS) BSS cách tiếp cận để đánh giá khơi phục tín hiệu nguồn độc lập sử dụng thông tin pha trộn tín hiệu độc lập Vì đa dạng ứng dụng Y học, BSS thu hút nhiều ý Đến nay, có nhiều nghiên cứu báo ứng dụng hiệu phương pháp phân tách nguồn mù xử lý tín hiệu EEG tác giả như: J Cardoso “Phân tách nguồn mù dùng moment bậc cao” [10]; A.Belouchrani “Phân tách nguồn mù dùng thống kê bậc hai” [11]; T Jung “Loại bỏ nhiễu EEG phương pháp phân tách nguồn mù” [12]; Tichavský Gómez-Herrero “Phân tách nguồn mù kết hợp thuật tóan ICA: HOS-based EFICA time structure-based WASOBI [13]; Gómez-Herrero “Tự động lọai bỏ nhiễu mắt EEG không cần kênh EOG“ [14] 6    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 Tín hiệu EEG sau lọc nhiễu đem lại nhiều thuận lợi, thứ giúp bác sỹ đọc tín hiệu điện não xác, khơng nhầm lẫn tín hiệu điện não mang thơng tin nhiễu, thứ hai tín hiệu sau lọc nhiễu đem phân tích theo lý thuyết động học phi tuyến chaos (hỗn loạn) fractal (phân mảnh), phương pháp miền thời gian-tần số, wavelet, … để định lượng tín hiệu EEG Những năm cuối thập kỉ 1990s thời gian hình thành lý thuyết động học phi tuyến để chẩn đốn động kinh Iasemidis [15] nhóm áp dụng lý thuyết động học phi tuyến bệnh động kinh Nhóm cho động kinh cho chuyển dịch từ hỗn loạn (chaos) trật tự tính chất động học “khơng gian- thời gian” động kinh khác với tình trạng bình thường Những nghiên cứu xa nhóm dựa việc tích hợp short-term largest Lyapunov LLE theo thời gian bệnh nhân động kinh cục bộ, cho hoạt động sóng điện não hỗn loạn động kinh xảy [16] Bởi vậy, quan niệm cho động kinh dịch chuyển đột ngột từ trạng thái bình thường sang trạng thái bị bệnh thay quan niệm não có dịch chuyển động học tới trạng thái động kinh Từ nghiên cứu ông, phương pháp phi tuyến hệ thống động học xem hướng quan trọng để định tính thay đổi động học não cung cấp tham số quan trọng để chẩn đoán động kinh Năm 1994, Lehnertz Elger [17] nghiên cứu giảm hỗn loạn mạng neuron để chẩn đoán động kinh Họ sử dụng thông tin cung cấp độ giảm phức tạp biểu đồ correlation dimension Đồng thời Elger Lehnertz đưa tham số correlation dimension tham số khơng tuyến tính quan trọng để chẩn đốn động kinh Từ đây, nhóm tham số lấy từ trình giảm hỗn loạn neuron giúp chẩn đốn động kinh [18], sử dụng để phân biệt động kinh khơng động kinh [19], sử dụng để chẩn đoán động kinh nhiều bệnh nhân [20,21] Bên cạnh đó, nhóm phát triển kỹ thuật chứng minh não xảy tượng đồng pha hàng trước động kinh xảy ra, chứng minh hữu dụng để xác định vị trí xảy động kinh Geva cộng năm 1997 áp dụng hệ thống thông minh, sử dụng fuzzy clustering chẩn đoán động kinh để phân tích tín hiệu ghi nhận từ não 25 chuột bị kích thích co giật Trong nghiên cứu này, wavelet sử dụng để tính tốn lượng tín hiệu EEG Geva cộng chứng minh lượng tăng trung bình phút trước động kinh 7    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 xảy kênh ghi 25 chuột [ 22] Năm 1998, nhóm Baulac Varela [23] đưa chứng để tiên đoán động kinh sử dụng thơng số correlation density Nhóm mở rộng phương pháp phạm vi kiểm tra liệu sử dụng phương pháp dynamical similarity [24,25,26] Lerner [27] quan sát thay đổi correlation integral để đánh dấu xác vị trí xảy động kinh bệnh nhân động kinh cục Tuy nhiên, Osorio et al [28] chứng minh thay đổi correlation integral giải thích hợp lý thay đổi độ lớn tần số tín hiệu EEG Van Quyen et al [29] tìm việc giảm tính đồng dạng động (dynamical similarity) thời gian trước xảy động kinh cho việc tìm tham số quan trọng chẩn đoán động kinh Moser et al [30] sử dụng bốn hệ số phi tuyến khác lý thuyết Lyapunov tìm thấy thay đổi đáng kể tiền động kinh Litt et al [31] chứng minh lượng tín hiệu EEG tăng động kinh xảy Trong nghiên cứu sau này, nhóm đưa chứng khả tiên đoán động kinh dựa đặc trưng tuyến tính phi tuyến EEG [32] Iasemidis [33,34] đánh giá thay đổi hệ số Lyapunov theo không gian thời gian phát động kinh trước vài phút trước động kinh xảy Iasemidis gọi phương pháp dynamical entrainment giả thuyết vài vị trí gây động kinh bị khóa thời gian để động kinh xảy Dựa giả thuyết này, nhóm nghiên cứu Iasemidis giới thiệu thuật tốn tiên đốn động kinh thích nghi để phân tích tín hiệu EEG động kinh cục bệnh nhân bị động kinh lần thứ [35] Vào thời điểm này, tác giả thực đặt điện cực thu nhận tín hiệu EEG vỏ não Đây phương pháp ghi tín hiệu xâm lấn, khơng an tồn cho bệnh nhân Để cải thiện nhược điểm này, ngày nhà khoa học bác sỹ sử dụng phương pháp ghi nhận tín hiệu khơng xâm lấn, an tồn cho người bệnh, scalp EEG với điện cực ghi nhận tín hiệu đặt da đầu Phương pháp thân thiện với bệnh nhân việc xử lý tín hiệu gặp phải khó khăn: 1) tín hiệu scalp EEG bị ảnh hưởng nhiễu môi trường ảnh giả nhiều so với tín hiệu ghi nhận não 2) tín hiệu trung bình bị suy giảm qua xương mơ Cho nên việc áp dụng phương pháp truyền thống nhà nghiên cứu nêu bị khó khăn nhược điểm này, không phân biệt vùng động kinh khác sử dụng scalp EEG [36] Để giải khó khăn trên, Hively Protopopescu [37] sử dụng phương pháp đo khác khơng gian phase tín hiệu EEG để chẩn đoán động kinh 8    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 Số chiều fractal (Fractal dimension) tham số đánh giá mức độ phức tạp cấu trúc hình học phân mảnh (fractal geometry) xuất phát tượng tự nhiên N.Pradhan D.Narayana Dutt nghiên cứu thay đổi phân mảnh tính hiệu điện não dọc theo chiều dài thời gian đo [38] Năm 2001 Javier Echauz et al [39] so sánh kết thuật toán Higuchi [40], Katz [41] Petrosian [42] tín hiệu I-EEG bệnh nhân động kinh Kết cho thấy thuật toán Katz phù hợp nhất, thuật toán Higuchi cho kết xác nhạy với nhiễu cịn thuật tốn Petrosian kết phụ thuộc vào dạng chuỗi nhị phân Tương tự, Kanathal N et al [43] sử dụng thuật toán Katz Higuchi để tính thứ ngun phân mảnh trung bình cho nhóm người bình thường bệnh nhân động kinh, kết hệ số thứ nguyên phân mảnh bệnh nhân động kinh thấp người bình thường thuật toán Trong vấn đề phân đoạn chẩn đốn trước động kinh Esteller [44] thấy động kinh xảy ra, thứ nguyên phân mảnh tính theo thuật tốn Katz tăng lên sau giảm xuống cực tiểu phân tích kết I-EEG bệnh nhân động kinh Ngoài năm 2003, nhóm tác giả sử dụng thơng số bao gồm Curve length, Energy, nonlinear energy, spectral entropy, sixth power, Energy of wavelets packets để xây tiêu chuẩn đánh giá động kinh [45] Những nghiên cứu bệnh lý khác Sabeti M et al trình bày nghiên cứu so sánh hiệu suất bốn phương pháp khai thác đặc trưng bật tín hiệu EEG hệ số mơ hình hồi tiếp tự động, phồ tần số, kích thước phân mảnh lượng wavelet tín hiệu điện não đồ 20 bệnh nhân tâm thần phân liệt 20 người bình thường độ tuổi tham gia kiểm sốt với mục tiêu xác định kênh thơng tin cuối phân biệt hai nhóm [46] Trong nghiên cứu T Sugi [47], phương pháp đề xuất dựa việc lựa chọn ngưỡng đầy đủ theo tồn kiện bệnh lý liên quan đến chứng ngưng thở tắc nghẽn để phát tự động EEG bệnh nhân bị hội chứng ngưng thở ngủ (SAS), loại rối loạn giấc ngủ nghiêm trọng Để đặc trưng cho phức tạp bất thường liệu EEG thuộc trạng thái mệt mỏi tinh thần khác nhau, hai tham số phức tạp điện não đồ, entropy (ApEn) hệ số độ phức tạp tín hiệu Kolmogorov (KC) sử dụng có hiệu cách sử dụng phương pháp phân tích thành phần Kernel phương pháp mơ hình Markov ẩn [48] Ngoài ra, F La Foresta cộng sử dụng phương pháp phân tích thành phần (Principal Component Analysis, PCA), phân tích thành phần độc lập (Independent Component Analysis, ICA) thống kê bậc cao để tính entropy phát phân 9    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 đoạn tự động quan trọng điện não đồ liên tục bệnh nhân hôn mê [49] Trong nghiên cứu gần Chua K C [50], biện pháp dựa phân tích phổ bậc cao để phân biệt EEG động kinh EEG bình thường Wu J Gotman trình bày phương pháp bắt nguồn từ chuỗi kết hợp thủ tục để so sánh tự động động kinh EEG, cho phép nhóm động kinh có mẫu tương tự tổng thể [51] Đối với phát động kinh tín hiệu EEG Trong báo gần Hamid R Mohseni [52], phương pháp truyền thống dựa phương sai so sánh với phương pháp khác dựa phân tích chuỗi thời gian phi tuyến, entropies, hồi quy, biến đổi wavelet rời rạc phân bố tần số thời gian Donchin Kim [53] sử dụng mạng neurons nhân tạo (Artificial neural networks, ANNs) để phát bệnh động kinh Phương pháp miền thời gian- tần số (time-frequency: TF) sử dụng có hiệu việc phát bệnh động kinh theo Molina, G A., Ebrahimi [54] Phương pháp đặc biệt có hiệu tín hiệu EEG không tĩnh (nonstationary) Phương pháp chuyển đổi wavelets rời rạc (DWT: discrete Wavelets transform) Middendorf [55] có hiệu tốt chẩn đoán động kinh Một nghiên cứu khác Guitierez [56] dùng wavelets để phân loại động kinh Với kết nghiên cứu thuật tốn xử lý số tín hiệu EEG trên, nhiều nhóm nghiên cứu giới xây dựng nhiều chương trình tích hợp hỗ trợ xử lý tín hiệu y sinh nói chung tín hiệu EEG nói riêng cho nhiều mục đích khác Các chương trình chia làm hai dạng sau: - Dạng thương mại: phần mềm chuyên dụng kèm thiết bị chẩn đoán EEG, ECG, EMG vv… phần mềm chuyên dụng phục vụ số lĩnh vực chẩn đoán đặc thù g.BSanalyze: EEG-toolbox (G-Tec Medical Engineering – Austria), Software for QEEG and ERP analysis (MITSAR), CURRY Scan Neuroimaging Suite (Compumedics Neuroscan), BrainVision Analyzer (Brain Product) vv… - Dạng mã nguồn mở: chương trình tích hợp xử lý tín hiệu y sinh xây dựng theo dạng modul hóa, phần lớn từ sở nghiên cứu hàn lâm nhằm hỗ trợ hướng nghiên cứu liên quan EEG, ECG, EMG vv… Các phần mềm thường tận dụng tảng MATLAB thuận tiện cho việc phát triển hợp tác hàn lâm dự án OpenEEG (http://openeeg.sourceforge.net) nhằm tạo điều kiện hỗ trợ (kể chế tạo phần cứng giá thành thấp !) phát triển nghiên cứu EEG đa dạng Trong số đó, phần mềm mã nguồn mở xử lý tín hiệu điện não Matlab EEGLAB 10    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 Bước 1: Đọc liệu định dạng CNT bệnh viện 115 Bước 2: Vẽ kênh theo cường độ microvolt-thời gian Bước 3: Tiền xử lý Bước 4: Phân tích ICA - Vẽ biểu đồ da đầu Nhận xét chung: • Nhóm thành phần liên quan đến nhiễu nháy mắt: IC8, IC10, IC11 • Nhóm thành phần liên quan đến nhiễu cơ: IC12, IC14, IC15 • Nhóm thành phần liên quan đến vùng phát kích thích bất thường: IC5, IC6, IC7, IC17 • Nhóm thành phần liên quan đến kích thích vùng sóng alpha: IC1, IC3, IC4, IC16, IC21, IC22 • Các thành phần cịn lại chủ yếu tín hiệu kích thích khơng đáng kể + Xác định thuộc tính thành phần • Nhóm thành phần nhiễu nháy mắt 45    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 Hình 3.17: Thành phần nhiễu nháy mắt Thành phần nhiễu nháy mắt có mật độ phổ cao vị trí định, tần số thấp, dựa hình vẽ thấy có nguồn kích thích ảnh hưởng mạnh lên vùng khoảng thời gian dài • Nhóm thành phần bất thường IC5, IC6, IC7, IC17 Hình 3.18: Các thành phần bất thường Ở khơng xác định xác bất thường xảy tần số ta thấy mật độ phổ phân bố khắp vị trí theo mức độ lan tỏa từ xuống thùy thái dương , nguồn gây kích thích thùy trán bán cầu trái • Nhóm thành phần liên quan đến kích thích vùng sóng alpha: IC1, IC3, IC4, IC16, IC21, IC 22 46    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 Hình 3.19: Các thành phần liên quan đến sóng Alpha Bình thường thành phần vị trí thường sóng alpha trội thành phần khơng xác định thành phần sóng alpha, xuất sóng alpha khơng cịn trội vùng chịu ảnh hưởng kích thích bên ngồi, co giật + phân tích thời gian tần số thành phần bất thường IC5, IC6, IC7, IC17 • Phân tích thành phần IC5 Hình: Phân tích thành phần thời gian tần số thời gian phân tích 800-850s + Hình ảnh ERSP cho thấy có kích thích mạnh xảy thời điểm 823s, cường độ phổ tăng đột biến tất tần số thời điểm Thời điểm kích thích xảy mạnh từ giây thứ 823 đến giây thứ 827, tương ứng với kịch phát động kinh Ở thời điểm xảy kịch phát cường độ phổ tăng lên hầu hết tần số thời điểm + Hình ảnh ITC cho biết giá trị điện áp trung bình ERP bắt đầu tăng lên từ giây thứ 818s 47    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” • - MSĐT: T-KHUD-2011-22 Phân tích thành phần IC6 Hình: Phân tích thời gian tần số thành phần IC6 + Hình ảnh ERSP thành phần IC6 cho biết gia tăng cường độ phổ hầu hết tần số giây thứ 837 đến giây thứ 846, rõ ràng thời gian xảy kích thích trễ IC5 + Hình ảnh ITC cho thấy giá trị điện áp trung bình tăng mạnh khoảng thời gian ngắn từ giây thứ 841 đến giây thứ 843 + Ở thành phần trung gian nơi lan truyền kịch phát từ IC5 đến • Phân tích thành phần IC7 Hình: Phân tích thời gian tần số thành phần IC7 + Hình ảnh ERSP thành phần IC7 cho thấy thời điểm mà cường độ phổ tăng lên tất tần số từ giây thứ 843 đến giây thứ 848, kích thích xảy trễ so với thành phần IC6, nhiên thời gian xảy lâu 48    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 + Hình ảnh ITC cho thấy giá trị điện trung bình ERP tăng mạnh thời điểm từ giây thứ 822 đến giây thứ 827 thời điểm từ giây thứ 839 đến giây thứ 850 + Ở thành phần thành phần gốc gây kích thích, thành phần trung gian động kinh từ thành phần IC5 lan truyền đến gây kích thích Hình 2.d biểu đồ phân tích miền thời gian-tần số Ta dễ dàng nhận thấy động kinh xảy vào giây 800-871 Như qua bước tiền xử lý, bác sỹ chẩn đốn bệnh bệnh nhân cách quan sát mắt thường Theo tính chất tín hiệu có tính chu lỳ bệnh nhân bị bệnh động kinh nói trên, chúng tơi tiếp tục phân tích đặc tính vật lý tín hiệu để giúp bác sỹ chẩn đốn xác Cụ thể chúng tơi tiếp tục phân tích chaos fractalcủa tín hiệu Hình 2.e đường biểu diễn hệ số fractal bệnh nhân Theo hình 2.e, có số điểm đáng lưu ý đường cong fractal dimension, fractal dimension cao dao động phạm vi nhỏ, trung bình 1.8 Giai đoạn Hình 2.e Đường cong fractal   Hình 2.e Phân tích thời gian tần số thời gian     Hình 2.g Đường cong biểu diễn hệ số Lyapunov cực đại Hình 2.h Đường cong biểu diễn phổ hệ số Lyapunov trải 13 phút hệ số fractal bắt đầu giảm giây 800 kéo dài đến giây 871 Sau hệ số fractal lại tăng lên giá trị ban đầu Như vậy, phát động kinh xảy kịch phát vào giây 800-848 ghi ghi nhận bệnh viện Hình 2.g 2.h đường cong hệ số Lyapunov cực đại phổ hệ số Lyapunov thành phần độc lập Trên hình vẽ, ta quan sát, hệ số Lyapunov giảm cực đại miền thời gian 800-871 giảm cực tiểu giây 848 Ngoài phương pháp phổ hệ số Lyapunov nhạy với nhiễu nên phát động kinh với tín hiệu điện não lấy từ bệnh viện qua lọc thơng thấp mà khơng cần phân tích thành phần độc lập Đây ưu điểm phổ hệ số Lyapunov so với phương pháp phi tuyến Hinh 2.i đường cong phổ hệ số Lyapunov kênh Dễ dàng nhận thấy phát động kinh xảy từ lúc 800-871 nơi tất hệ số Lyapunov phổ giảm Và hình 2.j đường cong hệ số Lyapunov cực đại kênh Hệ số Lyapunov dao động nhiều ảnh 49    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 hưởng nhiễu Đỉnh giảm xảy giây 720, giai đoạn động kinh xảy từ giây 800-871 Điều cho phép ta kết luận , tính hệ số Lyapunov cực đại nhạy với nhiễu, số trường hợp khơng sử dụng để chẩn đốn động kinh Phương pháp phổ hệ số Lyapunov tiện dụng việc xử lý tín hiệu thực tế bệnh viện Chẩn đốn: Vị trí kịch phát thùy trán bán cầu não trái lan tỏa xuống vùng thái dương Cơn động xảy khoảng gần phút, tín hiệu khơng cịn, bệnh nhân bị ý thức co giật Sự lan truyền kích thích nhanh từ vị trí cố định, động kinh cục Nhận xét: Kết nghiên cứu cho thấy bước tiền xử lý xử lý nhiễu, phân tích thành phần độc lập, phân tích miền thời gian tần số giúp ích nhiều cho bác sỹ chẩn đoán bệnh mắt thường tạo tín hiệu để tiến hành bước phân tích định lượng Các phương pháp phi tuyến chaos-fratal có ý nghĩa to lớn việc tạo tín hiệu sạch, đưa tham số giúp bác sỹ phát hiện, chẩn đoán động kinh chẩn đoán bệnh thần kinh xác 50    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 IV CÁC SẢN PHẨM THỰC HIỆN ĐƯỢC A) BÁO CÁO KHOA HỌC ĐÃ CÔNG BỐ [1] Nguyễn Thị Minh Hương, Trương Quang Đăng Khoa, Võ Văn Tới: Detecting Epileptic Seizure from Scalp EEG Using Lyapunov Spectrum, Computational and Mathematical Methods in Medicine, Volume 2012, (2012) [2] Nguyễn Thị Minh Hương, Huỳnh Quang Linh: Phương Pháp Tích Hợp Xử Lý Phân Tích Tín hiệu Điện Não hỗ trợ Chẩn Đoán Bệnh lý Thần Kinh, Kỷ yếu hội nghị Khoa học Khoa học Trẻ ĐHQG TPHCM lần thứ 1, 10/2012, Volume 2013 (2013) [3] Nguyen Thi Minh Huong, Huynh Quang Linh: Analyzing Electroencephalogram By Integrated Methods to Diagnose Neurological Diseases, International Journal of Applied Physics and Mathematics, Vol.3, No.4 (2013) B) LUẬN VĂN TỐT NGHIỆP [1] Đinh Công Nguyên, Lê Duy Tùng: Ứng dụng phân tích thành phần độc lập (ICA) xử lý tín hiệu điện nảo, Luận văn Tốt nghiệp ĐH Vật lý kỹ thuật, ĐH Bách Khoa TpHCM, 2012 [2] Trần Thị Ngọc Oanh: Xây dựng chương trình phân tích xử lý điện não, Luận văn Tốt nghiệp Thạc sỹ ĐH Bách Khoa TpHCM, 2012 51    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 V KẾT LUẬN - PHƯƠNG HƯỚNG PHÁT TRIỂN SẮP TỚI VÀ KIẾN NGHỊ 4.1 Kết đạt Hướng tới mục tiêu xây dựng chương trình xử lý phân tích tín hiệu EEG tích hợp cơng cụ xử lý số dễ sử dụng nhằm hỗ trợ bác sĩ, chuyên gia lĩnh vực nghiên cứu hoạt động chẩn đoán bệnh lý thần kinh, tác giả đạt số kết sau: - Khảo sát tình hình nghiên cứu ngịai nước phân tích xử lý tín hiệu EEG - Khảo sát đặc điểm chung điện não đồ vấn đề nhiễu tín hiệu EEG - Khảo sát tính phi tuyến hổn loạn chaos tín hiệu EEG - Thu thập liệu EEG từ sở bệnh viện Tìm hiểu định dạng file điện não xây dựng module phần mềm đọc định dạng tích hợp vào chương trình Tham khảo ý kiến bác sĩ chẩn đoán đánh giá liệu - Khảo sát đặc điểm chung điện não đồ ứng dụng chẩn đoán bệnh động kinh - Thu thập liệu EEG động kinh từ sở bệnh viện Phân lọai liệu động kinh Thực xử lý liệu, phân tích yếu tố chaos - hệ số Lyapunov xác định dấu hiệu chẩn đoán trước Đối với trường hợp này, nhóm tác giả thiết kế phương pháp kết hợp thuật tốn ICA thuật tốn tính hệ số Lyapunov cực đại nâng cao hiệu xác định dấu hiệu đặc trưng (công bố báo [1]) - Nhằm chẩn đốn động kinh trước cơn, tác giả tìm phương pháp tính hệ số Lyapunov thơng qua phổ hệ số Lyapunov nhạy với nhiễu, phù hợp với ứng dụng khả thi thực tế (công bố báo [3]) - Kết hợp hướng dẫn 01 đề tài luận văn tốt nghiệp ThS 03 đề tài luận văn tốt nghiệp ĐH lĩnh vực chuyên sâu 4.2 Giới hạn đề tài - Chưa xác lập mối hợp tác chặt chẽ liên tục với bác sĩ chuyên ngành bệnh viện nên chưa triển khai việc sử dụng thử nghiệm chương trình khơng có đủ số liệu để thực nghiên cứu bệnh động kinh 52    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 4.3 Hướng phát triển đề tài Hướng phát triển đề tài là: - Tiếp tục tích hợp số cơng cụ mới, nâng cao tính khả dụng chương trình nghiên cứu cho mục tiêu nghiên cứu hoạt động thần kinh bệnh lý khác Dự kiến Việt hóa giao diện chương trình hướng dẫn sử dụng - Trong lĩnh vưc động kinh, tiếp tục có nghiên cứu phổ hệ số Lyapunov xây dựng chương trình vận hành theo thời gian thực để giúp bác sỹ tiên đốn động kinh - Xây dựng chương trình có khả xử lý, phân tích chẩn đốn tín hiệu khác lĩnh vực Y sinh (liên quan đến khả thu nhận phù hợp dạng tín hiệu khác) Ngày 10 tháng 09 năm 2013 Ngày 10 tháng 09 năm 2013 Cơ quan chủ trì Chủ nhiệm đề tài (Ký tên đóng dấu) (Ký ghi rõ họ tên) 53    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 TÀI LIỆU THAM KHẢO [1] S Sanei and J.A Chambers EEG signal Processing, John Wiley & Son, 2007 [2] H W Bode C E Shanon “A simplified derivation of linear least squares smoothing and prediction theory Proc”, IRE, vol 38, pp 417-425, 1950 [3] R E Kalman “On the general theory of control”, Proc First IFAC Congress London: Butter Worth, 1960 [4] R E Kalman and R S Bucy “New results in linear filtering and prediction theory”, Trans ASME, Ser D J Basic Eng., vol 83 pp 95 – 107, 1961 [5] J S Koford and G F Groner “The use of an adaptive threshold element to design a linear optimal pattern classifier”, IEEE Trans Inf theory, vol IT-12, pp 42-50, 1966 [6] Widrow, B., Glover, J R., McCool, J M., Kaunitz, J., Williams, C S “Adaptive noise canceling: Principles and applications”, Proc IEEE, 63, pp 1692-1716, 1975 [7] A Garcés Correa “Artifact removal from EEG signals using adaptive filters in cascade”, J Phys.: Conf Ser 90 012081, 2007 [8] K.D Wesson “Low-cost, high-fidelity, adaptive cancellation of periodic 60 Hz noise, Journal of Neuroscience Methods, Volume 185, Issue 1, 15, pp 50-55, 2009 [9] P He, G Wilson, C Russell “Removal of ocular artifacts from electroence-phalogram by adaptive filtering”, Medical and Biological Engineering and Computing, Volume 42, Number 3, 2004 [10] J Cardoso “Source separation using higher order moments”, Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), Glasgow, Scotland, pp 2109–2112, 1989 [11] A.Belouchrani “A blind source separation technique using second order statistics” , IEEE Trans Signal Process., 45(2), 434–444, 1997 [12] T Jung “Removing electroencephalographic artifacts by blind source separation”, Psychophysiology 2000 ;37(2):163-78 [13] Tichavský, P., Koldovský, Z., Doron, E., Yeredor, A., and Gómez-Herrero, G “Blind signal separation by combining two ICA algorithms: HOS-based EFICA and time structure-based WASOBI” , Proceedings of the 14th European Signal Processing Conference (EUSIPCO2006), Florence, Italy, pp 1-5, 2006 [14] Gómez-Herrero, G., De Clercq, W., Anwar, H., Kara, O., Egiazarian, K., Van Huffel, S., and Van Paesschen, W “Automatic removal of ocular artifacts in the EEG without a reference 54    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 EOG channel”, Proceedings of the 7th Nordic Signal Processing Symposium (NORSIG2006), Reykjavik, Iceland, pp 130-133, 2006 [15] Gratton, G “Dealing with artefacts: the EOG contamination of the event-related brain potentials over the scalp”, Electroencephalogr Clin Neurophysiol., 27, 1969, 546 [16] Iasemidis, L D., D.-S Shiau, J C Sackellares, Pardalos, P M and Prasad, A “A dynamical resetting of the human brain at epileptic seizures: application of nonlinear dynamics and global optimization techniques”, IEEE Trans Biomed Eng., 51(3), 2004, 493–506 [17] Iasemidis, L D., Sackellares, J C., Zaveri, H P., and Willians, W J “Phase space topography and the Lyapunov exponent of electrocorticograms in partial seizures”, Brain Topography, 2, 1990, 187–201 [18] Lehnertz, K., and Elger, C E “Spatio-temporal dynamics of the primary epileptogenic area in temporal lobe epilepsy characterized by neuronal complexity loss”, Electroencephalogr Clin Neurophysiol., 95,1995, 108–117 [19] lehnertz K, Widman G, Andrzejak R, Arnhold J, Elger CE “Is it possible to anticipate seizure onset by non-linear analysis of intracerebral EEG in human partial epilepsies?” Rev Neurol 1999; 155: 454-56 [20] Lehnertz K, Elger C “Can epileptic seizures be predicted? Evidence from nonlinear time series analysis of brain electrical activity” Phys Rev Lett 1998; 80:5019, 22 [21] Le Van Quyen M, Martinerie J, Navarro V, et al “Anticipation of epileptic seizures from standard EEG recordings” Lancet 2001; 357:183-88 [22] Lehnertz K, Elger C “Neuronal complexity loss in temporal lobe epilepsy: effects of carbamazepine on the dynamics of the epileptogenic focus” Electroencephalogr Clin Neurophysiol 1997; 103:376-80 [23] Weber B, Lehnertz K, Elger C, et al “Neuronal complexity loss in interictal EEG recorded with foramen ovale electrodes predicts side of primary epileptogenic area in temporal lobe epilepsy: a replication study” Epilepsia 1998; 39:922-27 [24] Elger CE, Lehnertz K “Seizure prediction by nonlinear time series analysis of brain electrical activity” Eur J Neurosci 1998, 10:786-89 [25] Le Van Quyen M, Adam C, Martinerie J, Baulac M, Clesmeenceau S, Varela F “Spatiotemporal characterizations on non-linear changes in intracranial activities prior to human temporal lobe seizures” Eur J Neurosci 2000; 12:2124-34 [26] Le Van Quyen M, Martinerie J, Navarro V, Baulac M, Varela F “Long-term evaluation of seizures anticipation in partial epilepsy” Epilepsia 2001; 42:98 (abstr) 55    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đốn bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 [27] Lerner, D E “Monitoring changing dynamics with correlation integrals: case study of an epileptic seizure”, Physica D, 97, 1996, 563–576 [28] Osorio, I., Harrison, M A F., Lai, Y C., and Frei, M G “Observations on the application of the correlation dimension and correlation integral to the prediction of seizures”, J Clin Neurophysiol., 18, 2001, 269–274 [29] Van Quyen, M L., Martinerie, J., Baulac, M., and Varela, F J “Anticipating epileptic seizures in real time by a non-linear analysis of similarity between EEG recordings”, NeuroReport, 10, 1999, 2149–2155 [30] Moser, H R., Weber, B., Wieser, H G., and Meier, P F “Electroencephalogram in epilepsy: analysis and seizure prediction within the framework of Lyapunov theory”, Physica D, 130, 1999, 291–305 [31] Litt, B., Estellera, R., Echauz, J., DAlessandro, M., Shor, R., Henry, T., Pennell, P., Epstein, C., Bakay, R., Dichter, M., and Vachtsevanos, G “Epileptic seizures may begin hours in advance of clinical onset: a report of five patients”, Neuron, 30, 2001, 51–64 [32] D.Alessandro, M., Esteller, R., Vachtsevanos, G., Hinson, A., Echauz, J., and Litt, B “Epileptic seizure prediction using hybrid feature selection over multiple intracranial eeg electrode contacts: A report of four patients”, IEEE Trans Biomed Eng., 50, 2003, 603–615 [33] Iasemidis, L D., Principle, J C., and Sackellares, J C “Measurement and quantification of spatiotemporal dynamics of human epileptic seizures”, in Nonlinear Biomedical Signal Processing, Ed M Akay, IEEE Press, New York, 2000, 296–318 [34] Sackellares, J C., Iasemidis, L D., Shiau, D S., Gilmore, R L., and Roper, S N “Epilepsy – when chaos fails, in Chaos in the Brain?”, Eds K Lehnertz and C E Elger, World Scientific, Singapore, 2000, pp 112–133 [35] Iasemidis, L D., Shiau, D., Chaovalitwongse, W., Sackellares, J C., Pardalos, P M., Principe, J., Carney, P R., Prasad, A., Veeramani, B., and Tsakalis, K “Adaptive epileptic seizure prediction system”, IEEE Trans Biomed Eng., 50, 2003, 616–627 [36] Hively, L M., Protopopescu, V A., and Gailey, P C “Timely detection of dynamical change in scalp EEG signals”, Chaos, 10, 2000, 864–875 [37] Hively, L M., and Protopopescu V A “Channel-consistent forewarning of epileptic events from scalp EEG”, IEEE Trans Biomed Eng., 50, 2003, 584–593 [38] N.Pradhanand D.N.Dutt “Use of running fractal dimension for the analysis of changing patterns in electroencephalograms”, Comput.Biol.Med., Vol.23, No.5,pp.381–388, 1993 56    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 [39] J.Echauz ,R.Esteller ,G.Vachtsevanos, B.Litt “A Comparison of Waveform Fractal Dimension Algorithms”, IEEE transactions on circuits and systems—I : fundamental theory and applications ,vol.48 ,No.2 ,Feb 2001 [40]T.Higuchi “Approach to an irregular time series on the basis of the fractal theory” Physica D, vol.31 , pp.277–283, 1988 [41] M.Katz “Fractals and the analysis of waveforms”, Comput Biol Med.,vol.18, no.3, pp.145–156, 1988 [42] A.Petrosian “Kolmogorov complexity of finite sequences and recognition of different preictal EEG patterns” in Proc IEEE Symp.Computer-Based Medical Syst.,1995, pp.212–217 [43] Kannathal N, Sadasivan K Puthusserypady, Lim Choo Min “Complex Dynamics of Epileptic EEG”, in Proceedings of the 26th Annual International Conference of the IEEE-EMBS, San Francisco, CA, USA, September 1-5, 2004 [44] Esteller, R., Echauz, J., Pless, B., Tcheng, T., and Litt, B Real-time simulation of a seizure detection system suitable for an implantable device, Epilepsia 43 (suppl 7):46, 2002 [45] M.D.Alessandro, R.Esteller, G.Vachtsevanos, A.Hinson, J.Echauz, B Litt “Epileptic Seizure Prediction Using Hybrid Feature Selection Over Multiple Intracranial EEG Electrode Contacts:A Report of Four Patients”, IEEE transactions on biomedical engineering ,Vol.50,No.5,May 2003 [46] M Sabeti, R Boostani, S D Katebi, G W Price “Selection of Relevant Features for EEG Signal Classification of Schizophrenic Patients”, Elsevier Journal of Biomedical Signal Processing and Control, Vol 4, No 2,pp 122-134, April, 2007 [47] T Sugi, F Kawana, M Nakamura “Automatic EEG arousal detection for sleep apnea syndrome”, Biomedical Signal Processing and Control, Volume 4, Issue 4, October 2009 [48] Jianping Liu, Chong Zhang, Chongxun Zheng “EEG-based estimation of mental fatigue by using KPCA–HMM and complexity parameters”, Biomedical Signal Processing and Control, Volume 5, Issue 2, April 2010 [49] F La Foresta , N Mammone, F.C Morabito “PCA–ICA for automatic identification of critical events in continuous coma-EEG monitoring”, Biomedical Signal Processing and Control, Volume 4, Issue 3, July 2009 [50] Chua K C, Chandran V, Rajendra Acharya, Lim C M “Higher Order Spectral (HOS) Analysis Of Epileptic EEG Signals”, Proceedings of the 29th Annual International,Conference of the IEEE EMBS, France, August 23-26, 2007 57    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 [51] L Wu, J Gotman “Segmentation and classification of EEG during epileptic seizures”, Electroencephalography and Clinical Neurophysiology, Volume 106, Issue 4, April 1998 [52] Hamid R Mohseni, A Maghsoudi and Mohammad B Shamsollahi “Seizure Detection in EEG signals: A Comparison of Different Approaches”, Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2006 [53] Donchin, E., Spencer, K M., and Wijesinghe, R “The mental prosthesis: assessing the speed of a P300-based brain–computer interface”, IEEE Trans Rehabil Eng, 8, 2000, 174–179 [54] Molina, G A., Ebrahimi, T., and Vesin, J.-M “Joint time–frequency–space classification of EEG in a brain computer interface application”, EURASIP J on Appl Signal Proces., 7, 2003, 713–729 [55] Bayliss, J D A flexible brain–computer interface, PhD Thesis, University of Rochester, New York,2001 [56] Middendorf, M., McMillan, G., Calhoun, G., and Jones, K S “Brain–computer interfaces based on the steady-state visual-evoked response”, IEEE Trans Rehabil Eng, 8(2), 2000, 211– 214 [57] Nguyễn Bá Hiển, Vũ Anh Nhị Đặc điểm lâm sàng, điện não động kinh trẻ em 15 tuối bệnh viện nhi đồng 1, Bộ môn Thần kinh, ĐHYD TPHCM, 2005 [58] Vũ Anh Nhị, Một số vấn đề động kinh Việt Nam, Bộ môn Thần kinh, ĐHYD TPHCM, 2005 [59] Phạm Quỳnh Diệp “Tiếp cận chẩn đoán điều trị động kinh khoa khám trẻ em BV Tâm thần Tp Hồ Chí Minh”, Tài liệu Hội thảo khoa học, 2005 [60] Nguyễn Thị Hương Giang, Một số nhận xét động kinh trẻ em từ tháng tuổi đến 12 tuổi, Luận văn tốt nghiệp bác sĩ nội trú ĐHYK Hà Nội, 1997 58    Đề tài NCKH cấp sở “Xây dựng chương trình xử lý phân tích tín hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh” - MSĐT: T-KHUD-2011-22 MỤC LỤC I TỔNG QUAN II NHỮNG NHIỆM VỤ ĐƯỢC ĐẶT RA VÀ KẾT QUẢ ĐẠT ĐƯỢC CỦA ĐỀ TÀI 14 III NỘI DUNG KẾT QUẢ THỰC HIỆN ĐỀ TÀI 15 Dữ liệu 15 Đọc liệu 15 Hiển thị 19 Tiền xử lý-Bộ lọc nhiễu 24 Phân tích thành phần độc lập-Independent Component Analysis ICA 25 Phân tích thời gian/tần số 37 Phân tích đặc tính vật lý chẩn đốn động kinh 39 Quy trình áp dụng kết ứng dụng 41 IV CÁC SẢN PHẨM THỰC HIỆN ĐƯỢC 51 A) BÁO CÁO KHOA HỌC ĐÃ CÔNG BỐ B) LUẬN VĂN TỐT NGHIỆP V KẾT LUẬN - PHƯƠNG HƯỚNG PHÁT TRIỂN SẮP TỚI VÀ KIẾN NGHỊ 52 TÀI LIỆU THAM KHẢO 54 PHỤ LỤC: - HỢP ĐỒNG THỤC HIỆN ĐỀ TÀI NCKH - Toàn văn báo công bố   59    .. .Đề t? ?i NCKH cấp sở ? ?Xây dựng chương trình xử lý phân t? ?ch t? ?n hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh? ?? - MS? ?T: T- KHUD- 201 1-22 XÂY DỰNG CHƯƠNG TRÌNH XỬ LÝ VÀ PHÂN T? ?CH T? ?N HIỆU ĐIỆN... mở xử lý t? ?n hiệu điện não Matlab EEGLAB 10    Đề t? ?i NCKH cấp sở ? ?Xây dựng chương trình xử lý phân t? ?ch t? ?n hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh? ?? - MS? ?T: T- KHUD- 201 1-22 (Swartz...   Đề t? ?i NCKH cấp sở ? ?Xây dựng chương trình xử lý phân t? ?ch t? ?n hiệu điện não đồ hỗ trợ chẩn đoán bệnh lý thần kinh? ?? - MS? ?T: T- KHUD- 201 1-22 III NỘI DUNG K? ?T QUẢ THỰC HIỆN ĐỀ T? ?I EEGLAB-VN chương