Phân tích chaos của sóng điện não trong bệnh động kinh

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN THỊ MINH HƯƠNG PHÂN TÍCH CHAOS CỦA SÓNG ĐIỆN NÃO TRONG BỆNH ĐỘNG KINH Chuyên ngành : Vật Lý Kỹ thuật LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2011 CƠNG TRÌNH ĐƢỢC HOÀN THÀNH TẠI TRƢỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán hƣớng dẫn khoa học : TS Trƣơng Quang Đăng Khoa (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Huỳnh Quang Linh (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét : TS Nguyễn Quốc Lân (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ đƣợc bảo vệ Trƣờng Đại học Bách Khoa, ĐHQG Tp HCM ngày 17 tháng 01 năm 2011 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) TS Huỳnh Quang Linh PGS TS Trần Minh Thái TS Cẩn Văn Bé TS Lý Anh Tú TS Trƣơng Quang Đăng Khoa Xác nhận Chủ tịch Hội đồng đánh giá LV Trƣởng Khoa quản lý chuyên ngành sau luận văn đƣợc sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA………… TRƢỜNG ĐẠI HỌC BÁCH KHOA CỘNG HOÀ XÃ HỘI CHỦ NGHIÃ VIỆT NAM KHOA KHOA HỌC ỨNG DỤNG Độc Lập - Tự Do - Hạnh Phúc -oOo Tp HCM, ngày 21 tháng 12 năm 2010 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Thị Minh Hƣơng Phái: Nữ Ngày, tháng, năm sinh: 01-01-1985 Nơi sinh: Quảng Nam Chuyên ngành: Vật lý Kỹ thuật MSHV: 01208707 1- TÊN ĐỀ TÀI: Phân tích chaos sóng điện não bệnh động kinh 2- NHIỆM VỤ LUẬN VĂN: - Tìm hiểu hình thành sóng điện não điện não đồ EEG - Tìm hiểu bệnh động kinh vai trò EEG lĩnh vực động kinh - Tìm hiểu lý thuyết hệ thống động học phi tuyến – chaos Các tham số định lƣợng hệ thống phi tuyến - Thu thập số liệu EEG động kinh từ bệnh viện - Định tính tín hiệu EEG tham số: hệ số Lyapunov cực đại phổ hệ số Lyapunov 3- NGÀY GIAO NHIỆM VỤ : 15-09-2010 4- NGÀY HOÀN THÀNH NHIỆM VỤ : 31-12-2011 5- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN (Ghi đầy đủ học hàm, học vị ): TS Trƣơng Quang Đăng Khoa Nội dung đề cƣơng Luận văn thạc sĩ đƣợc Hội Đồng Chuyên Ngành thông qua CÁN BỘ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM BỘ MÔN KHOA QL CHUYÊN NGÀNH QUẢN LÝ CHUYÊN NGÀNH (Họ tên chữ ký) (Họ tên chữ ký) LỜI CẢM ƠN ************************* Lời đầu tiên, em xin chân thành cảm ơn Thầy Trương Quang Đăng Khoa đào tạo hướng dẫn em tác phong học tập làm việc khoa học suốt thời gian qua bảo em tận tình, tạo điều kiện cho em hoàn thành luận văn Xin tỏ lịng kính trọng biết ơn đến Thầy Huỳnh Quang Linh, Thầy Nguyễn Quốc Lân tư vấn, động viên em suốt trình làm luận văn Em xin cảm ơn Thầy Cô trường Đại học Bách Khoa nói chung Thầy Cơ khoa Khoa học Ứng dụng nói riêng, người hết lòng dạy bảo truyền đạt kiến thức quý báu cho em quãng thời gian học trường Đồng thời em xin gửi lời cám ơn đến bác sĩ Nguyễn Thành Lũy bệnh viện Bưu Điện II; bác sĩ Trần Thị Mai Thy, bác sĩ Đỗ Quốc Hùng bác sĩ Nguyễn Thị Phương Hồng bệnh viên 115; bác sĩ Lê Tự Quốc Tuấn, anh Huỳnh Hữu Pho bệnh viện Chợ Rẫy hỗ trợ em việc lấy liệu điện não,các tài liệu động kinh cho em lời khuyên hữu ích Tơi xin cảm ơn bạn sinh viên Võ Quang Hà, Lê Quốc Khải người làm việc chung nhiệt tình tơi suốt thời gian qua Con xin chân thành cảm ơn Bố Mẹ, người ln quan tâm, săn sóc khích lệ suốt đường học tập Kính chúc người thật nhiều sức khỏe, niềm vui gặt hái nhiều thành công công việc sống TP.HCM Ngày tháng năm 2011 Nguyễn Thị Minh Hương TÓM TẮT NỘI DUNG LUẬN VĂN Động kinh vấn đề quan trọng ngành y tế bệnh lý cần đƣợc quan tâm đặc biệt di chứng ảnh hƣởng đến chất lƣợng sống, khả học tập cơng tác, hịa nhập cộng đồng xã hội Tuy nhiên, việc chẩn đoán động kinh chủ yếu dựa điện não đồ dựa vào kinh nghiệm bác sĩ chính, thiếu yếu tố thống mang tính chất định tính để làm kênh tham khảo cho cho chẩn đoán Do vậy, việc tìm cơng cụ thuật tốn thích hợp hỗ trợ việc chẩn đoán chiếm tỷ trọng lớn nghiên cứu động kinh giới Hầu hết phƣơng pháp dựa hoạt động chaotic tín hiệu điện não ghi đƣợc não (intracranial electroencephalographic -EEGrecordings) Việc ghi nhận gây nguy hiểm cho bệnh nhân Và sau có nhiều nghiên cứu đƣa phƣơng pháp định tính thay đổi động học não sử dụng tín hiệu EEG ghi đƣợc với điện cực vỏ não Nhƣng hầu nhƣ phƣơng pháp gặp số giới hạn mà chủ yếu nhiễu Ở đây, đƣa phƣơng pháp kết hợp phân tích thành phần độc lập ICA (Independent Component Analysis) tính hệ số Lyapunov cực đại thuật tốn Rosenstein (ít nhạy với nhiễu) để đặc trƣng cho tính chất khơng-thời gian tín hiệu EEG Hơn nữa, áp dụng cải tiến việc tính hệ số Lyapunov để tính hệ số tốt hơn, mô tả tốt đặc trƣng động học não Abstract In medical, epilepsy is an important disease on which we need to pay attention because of the effects of its serious sequel on patient ’s quality of life The human brain is a complex biological system, which function is based on the communication between neurons, if there is a mistake in the communication between them, it can cause epilepsy Most of the methods for prediction of epilepsy recently reported in the literature are based on the evaluation of chaotic behavior of intracranial electroencephalographic (EEG) recordings These recordings require intensive surgical perations to implant the electrodes within the brain which are hazardous to the patient There are many researchs developed a novel approach to quantify the dynamical changes of the brain using the scalp EEG But most of them aren’t solved completely Here, to predict epilepsy, we introduced methods of combining ICA (Independent Component Analysis) to separate the underlying sources within the brain and the largest Lyapunov exponent method of Rosenstein (robust to changes to noises) for characterizing the spatiotemporal dynamics in electroencephalogram (EEGs) time series Nevertheless, there are many improvements can be made in algorithms for finding Lyapunov exponents so that the estimation can be more robust, especially with respect to the presence of noise in the EEG It is Lyapunov spectrum So, we used it to evaluate chaotic behavior of scalp electroencephalographic (EEG) recordings Our preliminary results show a great improvement in predicting epilepsy for scalp EEG when the epileptic focus is not captured by not only the largest Lyapunov of Rosenstein but also maximum Lyapunov of Wolf MỤC LỤC Trang Trang bìa Nhiệm vụ luận văn……….…………………………………………………… i Lời cảm ơn………………………………………………………………………… ii Tóm tắt nội dung luận văn ………………………………………………………….iii Mục lục …………………………………………………………………… ….… iv Danh mục kí hiệu, chữ viết tắt ………… ………………………… … vii Danh sách hình ảnh ………………………………………………………………….vii CHƯƠNG MỞ ĐẦU GIỚI THIỆU CHUNG, NHIỆM VỤ VÀ MỤC TIÊU LUẬN VĂN A Giới thiệu chung luận văn………………………………………………… B Nhiệm vụ mục tiêu luận văn………………………………… …………2 CHƯƠNG 1: TỔNG QUAN Tình hình nghiên cứu…………………………………………………………….5 1.1 Tình hình ngồi nƣớc:………………………………………………………5 1.2 Tình hình nƣớc:………………………………………………………9 Điện não đồ EEG……………………… ………………………………… .11 2.1 Giải phẫu học đại thể bán cầu đại não ……………………………11 2.2 Cơ chế sinh lý hình thành sóng điện não……… ……………………15 2.3 Các hoạt động điện não……… ………………………………………… 17 2.4 Phƣơng pháp ghi điện não………………………………………… 23 Vai trò điện não đồ lĩnh vực động kinh………………………….… 28 3.1 Khái niệm động kinh .28 3.2 Phân lọai động kinh .30 3.3 Độ đặc hiệu điện não đồ động kinh 32 3.4 Độ nhạy (âm tính giả)của điện não đồ động kinh 33 3.5 Giá trị thực tế điện não đồ chẩn đóan động kinh 33 3.6 Đặc điểm chung điện não đồ động kinh 36 3.7 Điện não đồ hội chứng động kinh (điện não đồ ngòai cơn) .46 CHƯƠNG 2: CÁC PHƯƠNG PHÁP THỰC HIỆN I Các phƣơng pháp thực lọc nhiễu…… ………………………………… 55 Vấn đề nhiễu tín hiệu điện não EEG ……………… 55 Các phƣơng pháp lọc nhiễu……………… ……………… 56 II Lý Thuyết động học phi tuyến……………… ……………… 66 Chaos gì? 66 Deterministic chaos ………………………………………………………….74 Không tĩnh (nonstationary)………………………………………………… 76 Correlation dimension……………………………………………………… 76 Phase space………………………………………………………………… 78 The Lyapunov exponent…………………………………………………… 78 CHƯƠNG 3: KẾT QUẢ I Cơ sở liệu EEG………………………………………………………………86 II Kiểm tra thuật tốn…………………………………………………………… 88 III Các thơng số phân tích chaos điện não đồ……………….……………… 95 Quá trình tiền xử lý ……………………… ………………………………… 96 Tính thơng số embedding dimension thời gian trễ ……………… 96 IV Phân tích chaos chẩn đốn động kinh…………………………….…… 102 Bệnh nhân bị động kinh điển hình……………….…………………………102 1.1 Trƣờng hợp 1……………………………………………………………… 102 1.1.1 Kết hợp phƣơng pháp ICA phƣơng pháp Rosenstein 1.1.2 So sánh kết với báo IEEE Saeid Sanei [1] 1.1.3 Tính hệ số Lyapunov cực đại thuật tốn Rosentein khơng chạy qua ICA 1.1.4 Chẩn đoán động kinh phổ Lyapunov chạy qua ICA 1.1.5 Chẩn đoán động kinh phổ Lyapunov không chạy qua ICA 1.2 Trƣờng hợp 2……………………………………………………………… 118 1.2.1 Kết hợp phƣơng pháp ICA phƣơng pháp Rosenstein 1.2.2 So sánh kết với báo IEEE Saeid Sanei [1] 1.2.3 Tính hệ số Lyapunov cực đại thuật tốn Rosentein khơng chạy qua ICA 1.2.4 Chẩn đoán động kinh phổ Lyapunov chạy qua ICA 1.2.5 Chẩn đoán động kinh phổ Lyapunov không chạy qua ICA Bệnh nhân bị động kinh – rối loạn chức não động kinh 126 Bệnh nhân có sóng điện não bình thƣờng…………………………………….129 CHƯƠNG 4: KẾT LUẬN 4.1 Kết đạt đƣợc……………………………………………………………… 132 4.2 Giới hạn đề tài …………………………………………………………… 133 4.3 Hƣớng phát triển đề tài …………………………………………………….133 TÀI LIỆU THAM KHẢO………………………………………………………… 134 Danh mục kí hiệu, chữ viết tắt E[ ] : giá trị kỳ vọng thống kê # : Moore-Penrose pseudoinverse – Á ngƣợc Moore-Penrose AT A-1 : Ma trận chuyển vị ma trận A : Ƣớc lƣợng A : Nghịch đảo A Cx : XXT EEG : Electroencephalography – Điện não đồ ECG : Electrocardiogram – Điện tim đồ EOG : Electro-oculogram – Điện mắt đồ EMG : Electromyogram – Điện đồ ICA : Indepnedent Component Analysis- phân tích thành phần độc lập Time T map : biểu đồ thời gian T Phase space : không gian pha Correlation dimension: chiều tƣơng quan Intracranial electroencephalographic : tín hiệu điện não ghi đƣợc nội sọ (điện cực đặt não) Scalp EEG: tín hiệu ghi đƣợc với điện cực đặt vỏ não Short-term largest Lyapunov exponent: hệ số Lyapunov lớn khoảng thời gian nhỏ Embedding dimension: chiều không gian pha Dissipation : trao đổi với môi trƣờng Segment : đoạn Danh sách hình ảnh Hình 1.1: Não Hình 1.2: Các thùy vỏ não Hình 1.3:Sơ đồ hình thái học tổ chức học nơron tế bào thần kinh đệm Hình 1.4: Lan truyền điện hoạt động nơron qua trung gian điện khu vực tế bào thần kinh đệm Hình 1.5: Sơ đồ chế tạo nên sóng điện Hình 1.6: Hoạt động alpha (hình thoi – hai đƣờng dƣới) kèm theo hoạt động beta phía trƣớc (hai đƣờng phía trên) LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 (b) Kênh 10 (c) kênh 11 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 126 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 (d)Kênh 12 Hình 3.46 Đồ thị phổ hệ số Lyapunov tín hiệu EEG khơng chạy qua ICA Nhận xét: - So sánh đồ thị hình 3.44 hình 3.47, ta thấy hiệu thuật tốn phổ hệ số Lyapunov chẩn đoán động kinh Phổ hệ số Lyapunov cho kết quả, hệ số Lyapunov cho đỉnh giảm cực đại xung quanh giây 725 đỉnh giảm lâu, điều phù hợp với sóng nhận ghi Theo ghi, động kinh xảy kịch phát 680 đến giây 725 Như vậy, đồ thị hệ số Lyapunov thể điều - Trong phổ hệ số Lyapunov kênh, hầu hết hệ số Lyapunov cực đại sóng động kinh Hệ số dao động lớn, khơng phản ánh tính chất chaos sóng động kinh Nhận xét chung: - Phổ hệ số Lyapunov nhạy với nhiễu nên ta áp dụng trực tiếp với kênh EEG sau trình tiền lọc - Phổ hệ số Lyapunov cho thấy, hệ số Lyapunov cực đại không phản ánh tính chất chaos hệ thống phổ hệ số Lyapunov thực điều tốt Bệnh nhân bị động kinh – rối loạn chức não động kinh Tôi xin đưa vài nhận xét dự đoán trạng thái động học não trường hợp bệnh nhân động kinh ngồi Tơi tiến hành ước tính hệ số Lyapunov cho SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 127 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 20 file bác sỹ chẩn đốn động kinh ngồi thống kê 20 file Kết nhận chia thành hai loại: a Loại 1: Biểu diễn hệ số Lyapunov tất kênh đồ thị Phân tích ICA kênh đo Sau tính hệ số Lyapunov IC vẽ đồ thị tất IC Hình 3.47 segment tín hiệu gốc từ giây 250-255 Chúng ta nhận thấy hoạt động cấu tạo sóng chậm tần số delta 1-1,5 c/s, biên độ cao Hoạt động beta lan tỏa hai bên Không ghi nhận sóng sinh lý alpha Kết nhận tính hệ số Lyapunov 4.5 Lyapunov exponent (bit/s) 3.5 2.5 1.5 0.5 0 50 100 150 200 250 Time(second) 300 350 400 (a) (b) Hình 3.48 Đồ thị hệ số Lyapunov (a) đồ thị hệ số Lyapunov cực đại tất IC (b) phổ hệ số Lyapunov IC5 Nhận xét: SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 128 - LUẬN VĂN TỐT NGHIỆP - TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 Đây trường hợp bác sỹ chẩn đoán rối loạn chức não nghi ngờ có phải động kinh hay khơng? Sau tính hệ số Lyapunov tất kênh, nhận thấy tất kênh có hệ số Lyapunov giảm cực đại thời điểm Tác giả đặt câu hỏi nghi vấn bác sỹ luận kết động kinh cơn, rối loạn chức não động kinh b Loại 2: Đồ thị hệ số Lyapunov có đỉnh giảm tiền động kinh Hình 3.49 segment gồm giây bệnh nhân bị rối loạn chức não Tôi đem phân tích ICA, tính hệ số Lyapunov IC Kết nhận được: Lyapunov exponent (bit/s) -1 100 200 300 400 500 Time(second) 600 700 800 900 (b) (a) Hình 3.50 Đồ thị hệ số Lyapunov (a) đồ thị hệ số Lyapunov cực đại tất IC10 (b) phổ hệ số Lyapunov IC10 Chúng ta nhận thấy giây 715 đến giây 810, hệ số Lyapunov cực đại trước có đỉnh giảm tiền động kinh Các đỉnh tiền giảm xảy vào giây 516 (được đánh dấu mũi tên màu đỏ) Không phải ngẫu nhiên mà, đỉnh xuất nhiều bệnh nhân động kinh khác nhau, với phương pháp khác Sự xuất SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 129 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 đỉnh chuyển pha dần sang trạng thái động kinh não[33] Để có kết luận xác tình trạng, nguyên nhân đỉnh cần phải khảo sát kênh khác Tuy nhiên, mặt sinh học, giả thuyết đưa thể cố lập lại tình trạng cân bằng, ngăn cản trình động kinh xảy việc xác lập đỉnh nhỏ kết File trường hợp bệnh nhân rối loạn chức não động kinh Chúng tiến hành chạy 20 file mà bác sỹ chẩn đốn động kinh ngồi nghi ngờ rối loạn chức não có phải động kinh hay khơng, có file có đỉnh giảm tiền động kinh, có có file bác sỹ kết luận rối loạn động kinh Như hướng phát triển để giúp bác sỹ đọc chuẩn xác điện não đồ Bệnh nhân có sóng điện não bình thường (khơng có sóng động kinh thể ghi bác sỹ chẩn đoán bình thường) Hình 3.51 segment 10 giây người bình thường Hình 3.52 Đồ thị hệ số Lyapunov 3IC gồm IC20, IC21, IC22 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 130 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 Nhận xét: - Đối với người bình thường, hệ số Lyapunov không thay đổi nhiều nét đặc trưng Nếu lấy vùng hệ số Lyapunov từ đến đồ thị hệ số Lyapunov gần đường thẳng NHẬN XÉT CHUNG VỀ PHÂN TÍCH CHAOS TRONG EEG Trong cơng việc chẩn đốn động kinh sóng điện não, khơng thể phủ nhận vai trị định người bác sỹ Nhưng thông thường, bác sĩ thường quan sát ghi epoch Mỗi epoch thông thường có chiều dài từ 20s-30s Để chẩn đoán động kinh, bác sĩ phải xem epoch theo thời gian Với ghi từ 20-30 phút thời gian để chẩn đốn lâu Việc cố gắng quan sát epoch có chiều dài 20-30 phút hồn tồn khơng đem lại thơng tin Tuy nhiên với phân tích chaos EEG mà đề cập giúp đỡ cho bác sỹ đọc nhanh xác ghi EEG Đầu tiên, ta quan sát kết toàn liệu lúc Điều có thuật tốn sử dụng phương pháp cửa sổ động để phân tích, đó, chiều dài kết nhỏ so với chiều dài liệu với hệ số chiều dài cửa sổ Bên cạnh đó, dấu động kinh đồ thị hệ số Lyapunov rõ ràng, phân biệt so với vùng lại Hơn nữa, việc phân biệt dạng sóng chẩn đốn ghi EEG lúc khó so với chẩn đoán cường độ đồ thị hệ số Lyapunov Vì vậy, phương pháp trở thành công cụ hỗ trợ đắc lực cho chẩn đốn bác sĩ cung cấp thơng tin epoch có sóng động kinh, giúp giảm thời gian, tăng hiệu suất chẩn đoán bác sĩ Ngồi ra, hệ số Lyapunov góp phần việc đưa tính chất thể động kinh xảy Qua vấn số bác sĩ, dấu hiệu cho thấy động kinh xảy ghi điện não Nhưng thật ra, thơng qua thuật tốn hệ số Lyapunov, ta biết tín hiệu có thay đổi độ hỗn loạn trước động kinh xảy Tuy vậy, ta nhìn nhận dấu hiệu chưa thật SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 131 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 rõ, cần phải có hỗ trợ thêm từ công cụ khác trước đưa kết luận xác Hơn nữa, muốn thấy rõ đỉnh tiền giảm này, phải chạy đoạn tín hiệu EEG, cần thuật tốn thích nghi để giúp cho bác nhanh chóng chẩn đoán Và đỉnh nhỏ, nên khâu lọc nhiễu quan trọng Tuy nhiên, mặt logic phân tích chaos cơng cụ hỗ đắc lực giúp bác sỹ chẩn đốn xác động kinh tiên lượng động kinh Một vấn đề khác là, bên cạnh việc kết hợp tín hệ số Lyapunov cực đại thuật toán Rosensteinvà ICA cho kết tốt cách giải đầy hứa hẹn để khắc phục nhược điểm báo [1] mà đạt Một kết đầy hứa hẹn để chẩn đoán động kinh xác nhanh chóng nhờ cơng cụ xử lý phi tuyến áp dụng lý thuyết phổ Lyapunov chẩn đoán động kinh Đầu tiên, thuận lợi phân tích phổ hệ số Lyapunov nhạy với nhiễu Chúng ta thấy kết dùng thuật tốn Rosenstein cho tín hiệu EEG tiền lọc khơng chẩn đốn động kinh kết áp dụng thuật toán phổ hệ số Lyapunov Sawada với tín hiệu tiền lọc chẩn đoán tốt trạng thái não xảy động kinh Có thể nói phổ hệ số Lyapunov khắc phục hoàn toàn nhược điểm báo [1] đưa ứng dụng thực tế bệnh viện Thông thường, máy ghi điện não đồ EEG bệnh viện hỗ trợ chương trình lọc nhiễu thông thấp, thông cao thông dải Sau trình tiền xử lý ta dùng chương trình phổ hệ số Lyapunov mà khơng cần phải qua ICA Đây yếu tố quan trọng để xây dựng chương trình real-time chẩn đốn động kinh bệnh viện Realtime ghi EEG phổ hệ số Lyapunov cần thiết để bác sỹ tiên lượng động kinh Hơn nữa, mặt lý thuyết, phổ hệ số Lyapunov ưu điểm hẳn hệ số Lyapunov cực đại chẩn đoán động kinh SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 132 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 CHƯƠNG KẾT LUẬN 4.1 Kết đạt Hướng tới mục tiêu phân tích chaos tín hiệu EEG nhằm chẩn đoán động kinh, tác giả đạt số kết sau Tìm hiểu được: - Tình hình nghiên cứu ngịai nước vấn đề phân tích chaos-xử lý tín hiệu EEG - Lý thuyết điện não hình thành sóng điện não - Ứng dụng điện não đồ động kinh - Đặc điểm chung điện não đồ động kinh - Các vấn đề nhiễu tín hiệu EEG - Lý thuyết phi tuyến hệ thống động học Tìm hiểu chaos ứng dụng Tìm hiểu thơng số để định lượng hệ thống động học phi tuyến, chọn phương pháp tính hệ số Lyapunov thơng số định lượng để chẩn đoán động kinh - Liên hệ với bệnh viện để thu thập liệu từ bệnh viện trên, lấy ý kiến bác sĩ - Tìm hiểu định dạng file điện não tìm phần mềm chuyển đổi định dạng điện.So sánh kết đọc file phần mềm với chương trình bệnh viện - Tiến hành phân lọai liệu động kinh - Tiến hành lọc liệu, phân tích chaos- tính hệ số Lyapunov bệnh nhân động kinh Đối với trường hợp này, tìm phương pháp kết hợp thuật toán ICA thuật tốn tính hệ số Lyapunov cực đại Rosenstein để đưa cách khắc phục nhược điểm báo [1] - Để khắc phục nhiễu tốt, tác giả tìm phương pháp tính hệ số Lyapunov mà nhạy với nhiễu Đó phổ hệ số Lyapunov Sau tác giả áp dụng thuật toán để chẩn đoán động kinh Kết mang lại tốt Đây cơng cụ chuẩn xác phù hợp với thực tế bệnh viện SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 133 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 - Đối với trường hợp động kinh ngồi cơn, tác giả có thực phương pháp thống kê để phân tích số liệu Kết mang lại hứa hẹn mảnh đất cần đào xới thêm 4.2 Giới hạn đề tài - Khơng có đủ số liệu để thực thống kê bệnh nhân động kinh - Trong khỏang thời gian có hạn nên khơng thể tìm hiểu hết chất sâu xa cơng thức tốn học để có phương pháp tối ưu - Vẫn chưa đọc liệu bệnh viện khác để lọc nhiễu 4.3 Hướng phát triển đề tài Khi áp dụng thuật tốn phổ hệ số Lyapunov tín hiệu tiền lọc mang lại kết khả quan, nhận thấy khác biệt hệ số Lyapunov cực đại phổ hệ số Lyapunov chẩn đoán động kinh Tác giả xin đưa hướng phát triển đề tài Hướng phát triển đề tài là:  Trong lĩnh vưc động kinh: - Dùng phổ hệ số Lyapunov xây dựng chương trình thời gian thực (real time) để giúp bác sỹ tiên đoán động kinh - Phân loại động kinh  Nhận dạng sóng bất thường ghi EEG góp phần khơng nhỏ lĩnh vực chẩn đóan động kinh  Trong lĩnh vực khác: - Áp dụng lý thuyết chaos nhiều lĩnh vực xử lý tín hiệu đặc biệt lĩnh vực Y sinh SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 134 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 Tài liệu tham khảo [1] Saeid Sanei and J.A Chambers, EEG signal Processing, John Wiley & Son, 2007 [2] 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 [3] 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 [4] 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 [5] 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 [6]Vale ´rie Louis Dorr, Matthieu Caparos, Fabrice Wendling, Extraction of reproducible seizure patterns based on EEG scalp correlations, Biomedical Signal Processing and Control, Volume 2, Issue 3, July 2007 [7] 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 [8] L Wu, J Gotman, Segmentation and classification of EEG during epileptic seizures, Electroencephalography and Clinical Neurophysiology, Volume 106, Issue 4, April 1998 [9] 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 [10] Donchin, E., Spencer, K M., and Wijesinghe, R., ‘The mental prosthesis: assessing the speed of a P300-based brain–computer interface’, IEEE Trans Rehabil Engng, 8, 2000, 174–179 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 135 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 [11] 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 [12] Bayliss, J D., ‘A flexible brain–computer interface’, PhD Thesis, University of Rochester, New York,2001 [13] Middendorf, M., McMillan, G., Calhoun, G., and Jones, K S., ‘Brain–computer interfaces based on the steady-state visual-evoked response’, IEEE Trans Rehabil Engng, 8(2), 2000, 211–214 [14] Gutiérrez, J (2001) Detección del foco epiléptico y su ruta de propagación, Memorias II Congreso Latinoamericano de Ingeniería Biomédica, Instituto Nacional de Neurología y Neurocirugía, La Habana, Cuba [15] ForrestShengBao,DonaldYu-ChunLie,andYuanlinZhang(2003), A New Approach to Automated Epileptic Diagnosis Using EEG and Probabilistic Neural Network, submitted to IEEE ICTAI 2008 [16] Iasemidis, L D., D.-S Shiau, J C Sackellares, Pardalos, P M and Prasad, A., ‘A ynamical resetting of the human brain at epileptic seizures: application of nonlinear dynamics and global optimization techniques’, IEEE Trans Biomed Engng., 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 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 136 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 [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 Spatio-temporal 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) [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 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 137 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 [31] Litt, B., Estellera, R., Echauz, J., D’Alessandro, 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 Engng., 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 Engng., 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 Engng., 50, 2003, 584–593 [38] 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 [39] Vũ Anh Nhị, ‘Một số vấn đề động kinh Việt Nam’, Bộ môn Thần kinh, ĐHYD TPHCM [40] Phạm Quỳnh Diệp (2005), ‘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 [41] Nguyễn Thị Hương Giang (1997), ‘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 SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 138 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 [42] Luận văn Nguyễn Thị Kim Cương [43] Hoàng Mạnh Hà, Một đề xuất thay đổi kích thước bước lọc thích nghi tín hiệu điện tim, Chun san “Các cơng trình nghiên cứu khoa học, nghiên cứu triển khai CNTT Truyền thông” Tạp chí CNTT Truyền thơng, 2008, 38-46 [44] Premysl Jiruskaa, Roman Cmejlab, Andrew D Powell ,Wei-Chih Chang Martin Vreugdenhil, John G.R Jefferysa, Reference noise method of removing powerline noise from recorded signals, J Neurosci Methods, 2009 [45] M Ungureanu, C Bigan, R Strungaru, V Lazarescu, Independent Component Analysis Applied in Biomedical Signal Processing Measurement science review, Volume 4, Section 2004 [46] Aapo Hyvärinen and Erkki Oja Independent Component Analysis: Algorithms and Applications Neural Networks Research Centre 2000 [47] Phạm Việt Hưng “Hiệu ứng bướm”, tạp chí Vietsciences, 02/12/2009 [48] Bruce Henry, Nigel Lovell and Fernando Camacho, “Nonlinear dynamics time series analysis”, nonlinear biomedical signal processing, Volume II, 2001 [49] N H Packard, J P Crutchfield, J D Farmer, and R S Shaw, Geometry from a time series Phys Rev Lett 45:712-716, 1980 [50] F Takens, Detecting strange attractors in turbulence In Dynamical Systems and Turbulence, D A Rand and L S Young, eds Berlin: Springer, 1981 [51] P Grassberger and I Procaccia, Characterization of strange attractors Phys Rev Lett 50:346-349, 1983 [52] G Mayer-Kress, ed., Dimension and entropies in Chaotic System Berlin: SpringerVerlag, 1986 [53] E J Kostelich, Problems in estimating dynamics from data Physica D 58:138152,1992 [54] Eckmann, J.P., Kamphorst, S.O., Ruelle, D., Ciliberto, S Lyapunov exponents from time series Phys Rev A 34, 4971–4979 (1986) [55] Strogatz, S.H Nonlinear Dynamics and Chaos Perseus Books Publishing, Cambridge, MA (1994) SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 139 - LUẬN VĂN TỐT NGHIỆP TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM – 1/2011 [55] Abarbanel, H., Brown, R., Kennel, M Variation of Lyapunov exponents in chaotic systems:Their importance and their evaluation using observed data J Nonlinear Sci 2, 343–365 (1992)33 Wiesel,W.E Modal feedback control on chaotic trajectories Phys Rev E 49, 1990–1996(1994) [56] Rosenstein, M.T., Collins, J.J., De Luca, C.J A practical method for calculating largest Lyapunov exponents from small data sets Physica D 65, 117–134 (1993) [57] Pardalos, P.M., Yatsenko, V.A Optimization approach to the estimation and control of Lyapunov exponents J Optim Theory Appl 128, 29–48 (2006) [58] Sano, M., Sawada, Y Measurement of the Lyapunov spectrum from a chaotic time series Phys Rev Lett 55, 1082–1085 (1985) SVTH: NGUYỄN THỊ MINH HƯƠNG GVHD: TS TRƯƠNG QUANG ĐĂNG KHOA - 140 - ... TÊN ĐỀ TÀI: Phân tích chaos sóng điện não bệnh động kinh 2- NHIỆM VỤ LUẬN VĂN: - Tìm hiểu hình thành sóng điện não điện não đồ EEG - Tìm hiểu bệnh động kinh vai trò EEG lĩnh vực động kinh - Tìm... động kinh 32 3.4 Độ nhạy (âm tính giả )của điện não đồ động kinh 33 3.5 Giá trị thực tế điện não đồ chẩn đóan động kinh 33 3.6 Đặc điểm chung điện não đồ động kinh 36 3.7 Điện não. .. hoạt động ghi tế bào, tế bào điện khu vực (điện não thường qui) lát cắt hồi hải mã người bị động kinh 3.2 Phân lọai động kinh Phân loại động kinh theo Hiệp Hội Chống Động Kinh Quốc Tế: A Phân