Tín hiệu động kinh

1.6.1. Khái niệm động kinh:

 Cơn (seizure): là sự phóng điện đồng bộ, bất thường, quá mức và không điều khiển được của các nơ-ron trong não.

Các tín hiệu kích thích tăng cường các hoạt động điện của các nơ-ron, các tín hiệu kiềm chế làm giảm hoạt động, sự mất cân bằng giữa các tín hiệu này sẽ gây ra cơn. Nguyên nhân gây ra sự mất cân bằng là do quá trình truyền dẫn tại khớp (synape): nếu kích thích là quá lớn trong khi tín hiệu kiềm chế là không đủ thì cơn sẽ xảy ra.

 Động kinh (epilepsy): là sự rối loạn chức năng thần kinh trung ương được đặc trưng bởi các cơn không kích thích lặp đi lặp lại.

Đối với các cơn động kinh trong một số trường hợp có thể được làm xuất hiện sớm bởi sự kích thích các giác quan như đèn chớp hoặc các âm thanh lớn đột ngột, đây là sự làm mau đến. Do đó cần phân biệt giữa sự làm mau đến với sự kích thích.

Động kinh biểu hiện ở nhiều dạng khác nhau. Khi bị động kinh, não bộ có xu hướng tạo ra cơn giữ nguyên trong thời gian dài và đôi khi là cả đời.

1.6.2. Chẩn đoán động kinh:

1.6.2.1. Vai trò của EEG:

Việc chẩn đoán động kinh dựa trên các đường điện não là không dễ dàng vì các dấu hiệu bệnh lý khó phát hiện và xảy ra bất kỳ. Để ghi nhận được một cơn động kinh, phải theo dõi EEG trong nhiều giờ, nhiều ngày,đây là một khó khăn. Do đó, các bác sĩ sẽ tìm kiếm các dấu hiệu trên các đường EEG được đo khi bệnh nhân ngoài cơn, để chẩn đoán. Dấu hiệu phổ biến là các gai (spike), sóng nhọn (sharp wave), đa gai, các sóng chậm có biên độ lớn nằm tách biệt, phức hợp gai sóng đo được giữa các cơn.

Trên cơ sở sự phân bố không gian, mật độ và hình dạng của các gai, sóng nhọn và các dạng phức hợp, EEG hỗ trợ cho việc chẩn đoán lâm sàng, giúp phân loại các triệu chứng, xác định vị trí của vùng phát sinh dạng động kinh.

1.6.2.2. Dấu hiệu nhận biết tín hiệu động kinh:

 Gai (spike): là dấu hiệu bất thường của điện não, là dấu hiệu nhận biết động

kinh, có thời gian tồn tại 20-70ms, đặc trưng bởi đường đi lên dốc đứng tạo ra đỉnh nhọn, nổi bật trên các sóng cơ bản, biên độ tương đối lớn và không theo quy luật. Gai được ghi nhận ở gần vùng tổn thương.

Gai có thể biểu hiện dưới dạng độc lập hoặc kết hợp, thường theo sau bởi một sóng chậm kéo dài 150-350ms. Hình thái của gai đa dạng và phức tạp phụ thuộc vào bệnh nhân và khác nhau giữa các bản ghi. Gai không có định nghĩa rõ ràng nên trong quá trình chẩn đoán, cùng một bản ghi nhưng các chuyên gia có thể cho những kết quả đánh giá khác nhau. Với bản ghi có hình thái gai rõ ràng thì sự thống nhất giữa các chuyên gia là lớn, nhưng bản ghi có hình thái gai không rõ ràng thì việc xác định gai của các chuyên gia sẽ có khác biệt.

Hình 1. 19. Hình thái gai

 Sóng nhọn (sharp wave): hình dạng tương tự gai, có thời gian tồn tại từ 70-

Hình 1. 20. Hình thái sóng nhọn

 Phức hợp gai-sóng:

Phức hợp gai sóng bao gồm một gai được theo sau bởi một sóng chậm có biên độ lớn (tần số cỡ sóng delta).

Gai-sóng có thể xuất hiện đồng bộ và cân đối hai bên trong các bệnh động kinh toàn thể hóa (generalized epilepsies) hoặc khu trú trong bệnh động kinh cục bộ. Trong động kinh toàn thể hóa, gai-sóng có tần số 3Hz. (tần số trong khoảng 2.5-4Hz)

Hình 1. 21. Phức hợp gai-sóng

 Đa gai và sóng: đây là dạng một sóng chậm theo sau bởi 2 hoặc nhiều gai, có

tần số từ 3.5-4.5Hz, thường xuất hiện ở những cơn co giật cơ.

Hình 1. 22. Đa gai-sóng

 Ngoài ra còn có các dạng: phức hợp đa gai, phức hợp đa nhọn-sóng và phức hợp đa nhọn-sóng chậm.

 Để nhận biết động kinh, dấu hiệu gai và sóng nhọn là dấu hiệu đặc trưng, các dấu hiệu khác là sự phức hợp của gai và sóng nhọn.

CHƢƠNG 2

CÁC PHƢƠNG PHÁP NHẬN BIẾT GAI ĐỘNG KINH TỰ ĐỘNG THEO TIẾP CẬN HỆ THỐNG ĐA GIAI ĐOẠN 2.1. Hệ thống dò tìm gai tự động 3 giai đoạn dựa vào mạng ANN:

Nuretti Acir và cộng sự[11] đã giới thiệu hệ thống dò tìm gai động kinh tự động 3 giai đoạn dựa vào mạng ANN trên tín hiệu EEG đa kênh.

Hình 2. 1. Hệ thống dò tìm gai động kinh tự động 3 giai đoạn dựa vào mạng ANN

2.1.1. Giai đoạn tiền phân loại:

2.1.1.1. Tìm đỉnh và loại bỏ đỉnh nhỏ:

 Tìm đỉnh: Để tìm đỉnh, trên mỗi kênh tính trung bình toàn bộ tín hiệu, trừ nó ra khỏi tín hiệu gốc. Sau đó, tiến hành so sánh mẫu

𝑓 𝑛 − 𝑓 𝑛 − 1 > 0 > 𝑓 𝑛 + 1 − 𝑓[𝑛]: đây là đỉnh dương

𝑓 𝑛 − 𝑓 𝑛 − 1 < 0 < 𝑓 𝑛 + 1 − 𝑓[𝑛]: đây là đỉnh âm

𝑓 𝑛 − 𝑓 𝑛 − 1 . 𝑓 𝑛 + 1 − 𝑓 𝑛 > 0: không phải đỉnh.

 Loại bỏ đỉnh nhỏ: các đỉnh nhỏ sẽ được loại bỏ theo cơ chế lấy ngưỡng [12] như sau: nếu độ dài đoạn nối 2 đỉnh kề nhau nhỏ hơn độ dài của đoạn liền kề phía trước và phía sau, đồng thời nếu đoạn này có biên độ và thời gian tương ứng nhỏ hơn 2 μV và 20 ms thì các đỉnh này được loại bỏ khỏi danh sách các đỉnh đã được đánh dấu ở bước trên. Bước này giúp loại bỏ một lượng đáng kể các dữ liệu không cần thiết.

2.1.1.2. Tính toán các tham số đặc trƣng của đỉnh:

Một đỉnh được mô hình hóa như một tam giác (ba đỉnh liền kề tạo thành một tam giác) gồm đường nằm ngang được coi là cạnh đáy, hai cạnh còn lại là cạnh trước và cạnh sau để tính toán các tham số đỉnh dựa trên mô hình này.

Đỉnh được phát hiện trong bước trước được chia thành các nửa sóng (halfwave) để tính toán các tham số về hình thái như biên độ, độ dốc, thời gian tồn tại.

Hình 2. 2. Các tham số đặc trưng của đỉnh

Các tham số đặc trưng của đỉnh gồm: biên độ nửa sóng trước (FHWA), biên độ nửa sóng sau (SHWA), thời gian tồn tại nửa sóng trước (FHWD), thời gian tồn tại nửa sóng sau (SHWD), độ dốc nửa sóng trước (FHWS), độ dốc nửa sóng sau (SHWS).

Đây là các đầu vào của các perceptron trong giai đoạn tiền phân loại.

2.1.1.3. Mạng perceptron rời rạc:

Sử dụng 2 mạng perceptron, với đầu vào là các tham số đặc trưng của đỉnh được tính toán ở bước trên. Mạng này được huấn luyện để phân biệt dạng đỉnh là gai và không phải gai.

Hình 2. 3. Mạng perceptron với 6 tham số đầu vào Trọng số liên kết 𝑤 được cập nhật theo công thức:

(2.1)

Trong đó: 𝒘 = [𝑤1𝑤2… 𝑤7]𝑇là vec-tơ trọng số liên kết, 𝑦𝑠 là đầu ra thật, 𝑑𝑠 là đầu ra mong muốn, 𝜂 là tốc độ học, 𝒙𝑠 là vec-tơ đầu vào gồm 6 tham số.

Đầu ra thật được tính như sau:

(2.2)

𝜏 là giá trị ngưỡng.

𝑠𝑖𝑔𝑛 𝑢 = −1,1, 𝑢 ≥ 0𝑢 < 0

Sau tầng perceptron, các đỉnh sẽ được phân loại: 1) xác định là gai, 2) không xác định gai, 3) có thể là gai và không phải gai. Một perceptron được huấn luyện để nhận biết, nếu đầu ra là +1 thì đỉnh là nhóm 2, đầu ra là -1 thì đỉnh là các nhóm còn lại. Perceptron còn lại được huấn luyện để nhận biết, nếu đầu ra là +1 thì đỉnh là nhóm 1, đầu ra là -1 thì đỉnh là các nhóm còn lại. Một đỉnh mà đầu ra ở cả 2 perceptron đều là - 1 thì được xếp vào nhóm 3.

2.1.2. Giai đoạn phân loại:

Giai đoạn này sẽ phân loại các đỉnh thuộc nhóm 3 thành loại có khả năng là gai và loại không phải gai.

Sử dụng mạng nơ-ron nhân tạo hàm bán kính cơ sở (RBFN), mạng hồi quy AR-based RBFN, mạng học máy RB-SVM và mạng phản hồi MLP.

2.1.2.1. Mạng RBFN:

Cấu trúc mạng:

Hình 2. 4. Cấu trúc của RBFN

Mạng RBFN sử dụng một nơ-ron đầu ra thực hiện quan hệ vào ra:

(2.3)

𝑦𝑠 = 𝑠𝑖𝑔𝑛(𝒘𝑇𝒙𝑠 − 𝜏)

𝜃 = 𝐾 𝑤𝑗𝜑 𝑥 − 𝑐𝑗 2 + 𝑤0

Trong đó: 𝜑 𝑎 = 𝑒−𝑎2 là hàm bán kính cơ sở với sự biến đổi đồng nhất,𝑥 ∈ 𝑅𝑃 là vec-tơ đầu vào, . 2 là tiêu chuẩn Euclidean, 𝑐1, 𝑐2, … , 𝑐𝐾 là các trung tâm của RBFN, 𝑤𝑗 là các đầu vào của vec-tơ trọng số tuyến tính 𝒘 = [𝑤0𝑤1… 𝑤𝐾]𝑇.

Khi cố định hàm bán kính cơ sở, trọng số của lớp ra có thể được tính toán, để tính toán ta sử dụng phương pháp bình phương tối thiểu. Tập huấn luyện 𝒙𝑠, 𝑑𝑠

𝑠=1 𝑆 ,

𝒙𝑠 là vec-tơ đầu vào, 𝑑𝑠 là lối ra mong muốn. Ma trận nội suy Φ được định nghĩa:

(2.4)

Ma trận Φ có kích thước là Sx(K+1), S là số mẫu huấn luyện, K là số nơ-ron

trung tâm. Cột đầu tiên của ma trận là số các bias. Vec-tơ đầu ra mong muốn 𝑑 có kích thước Sx1

(2.5)

Vec-tơ trọng số liên kết có thể được tính bằng cách giải quyết sau:

(2.6)

 Thực hiện và huấn luyện mạng RBFN:

Hình 2. 5. Cửa sổ chứa đỉnh được cắt từ dữ liệu gốc sử dụng là đầu vào cho mạng RBFN Φ = 1 𝜑 𝑥1 − 𝑐1 𝜑 𝑥1 − 𝑐2 … 𝜑 𝑥1 − 𝑐𝐾 1 𝜑 𝑥2 − 𝑐1 𝜑 𝑥2 − 𝑐2 … 𝜑 𝑥2 − 𝑐𝐾 ⋯ 1 𝜑 𝑥𝑆 − 𝑐1 𝜑 𝑥𝑆 − 𝑐2 … 𝜑 𝑥𝑆 − 𝑐𝐾 𝑑 = 𝑑1𝑑2… 𝑑𝑆 𝑇 𝑑 = Φ. w

Tập dữ liệu sau giai đoạn tiền phân loại từ tín hiệu gốc được trích xuất ở dạng cửa sổ chứa đỉnh với đỉnh là trung tâm. Đầu tiên cửa sổ được thực hiện với 10 mẫu dữ liệu bên trái và 10 mẫu bên phải so với đỉnh trung tâm. Sau đó, tăng dần lên 20, 25, 30, 40, 50, 60 mẫu bên phải, bên trái vẫn giữ nguyên là 10 mẫu.

Việc xác định đỉnh trung tâm là mục đích của việc sử dụng RBFN. Thứ nhất, gán ngẫu nhiên đỉnh ở giữa các mẫu đầu vào với cửa sổ cố định là 41 mẫu. Sau đó, thủ tục học được lặp lại cho đến khi đạt được giá trị chính xác tốt nhất với 6, 8, 10, 12, 14, 16, 20 đỉnh trung tâm bằng cách sử dụng luật học LMS. Thứ hai, gán đỉnh trung tâm vào giữa các mẫu đầu vào một cách ngẫu nhiên. Mặt khác, hầu hết đỉnh trung tâm được chọn giữa các loại gai khác nhau tương ứng với đầu ra mong muốn là +1 trong tập huấn luyện. Sau đó, các đỉnh còn lại được chọn ngẫu nhiên giữa các mẫu đầu vào và ta ghép 2 vec-tơ đỉnh này ngẫu nhiên. Thủ tục huấn luyện cũng được lặp lại với các giá trị 6, 8, 10, 12, 14, 16, 20 cho đến khi độ chính xác tốt nhất.

Để thấy được sự ảnh hưởng của kích thước cửa sổ với độ thực hiện của mạng RBFN, ta lặp lại với nhiều cửa sổ khác nhau để xác định gai. Kích thước 41 mẫu tương ứng với khoảng thời gian tồn tại là 160ms là lựa chọn tối ưu. Hình thái gai được học chỉ ra khoảng thời gian trung bình là 20-70ms.

Hình 2. 6. Sự ảnh hưởng của kích thước cửa sổ với độ thực hiện của mạng RBFN

2.1.2.2. Mạng AR-based RBFN:

Mô hình AR thường được sử dụng vì nó đơn giản:

(2.7)

𝑥𝑛 là tín hiệu lấy mẫu, 𝑎𝑘 là hệ số của mô hình AR, 𝑣𝑛 là nhiễu trắng có trung bình bằng 0 và hàm mật độ xác suất của nó gần với hàm Gaussian.

Sau tầng tiền phân loại, ta tính hệ số AR cho 41 mẫu và N = 10 để đạt chuẩn Akaike. Hệ số này được gán cho RBFN, trọng số tối ưu được tính toán bằng cách sử dụng luật học LMS. Tất cả các bước thực hiện như mạng RBFN.

2.1.2.3. Mạng RB-SVM:

SVM là một phương pháp mới để giải quyết vấn đề phân loại giám sát.

𝑥𝑛 = 𝑁 𝑎𝑘𝑥𝑛−𝑘+ 𝑣𝑛

Xây dựng mạng RB-SVM bằng việc sử dụng mạng RBFN với hàm kernel

(2.8)

Trong đó: 𝜍2 = 1.

Để thấy được sự ảnh hưởng của thông số C (thông số điều khiển sự cân bằng giữa độ phức tạp của học máy và số điểm không phân tách, được xem như là thông số quy tắc), ta quan tâm đến 2 tham số quan trọng trong phân loại là khoảng thời gian và biên độ.

Hình 2. 7. Hai mẫu thực hiện RB-SVM để phân tách gai động kinh

Trong phân loại RB-SVM, hình (2.7), “support vectors” được thể hiện trong các hình tròn, (a) C = 100, (b) C = 0.1. Ở đây, đã cho kết quả của phân loại sử dụng RB-SVM với những mức độ chứa lỗi phân loại khác nhau. Với C = 100 cho kết quả tốt hơn.

Các bước xử lý dữ liệu cũng như thực hiện với mạng RBFN.

2.1.2.4. Mạng MLP:

Mạng perceptron đa lớp là mạng nơ-ron được sử dụng phổ biến cho giai đoạn phân loại và được huấn luyện bởi thuật toán lan truyền ngược. Nó gồm 3 lớp: lớp vào, lớp ẩn và lớp ra. Nơ-ron lớp đầu vào hoạt động như bộ đệm cho sự phân phối tín hiệu vào 𝑥𝑖 tới các nơ-ron ở lớp ẩn. Nơ-ron 𝑗 ở lớp ẩn nhận được tổng của tín hiệu vào 𝑥𝑖

qua các trọng số liên kết 𝑤𝑗𝑖, sau đó tính toán đầu ra 𝑦𝑗 là hàm của tổng.

(2.9)

Hàm 𝑓(. ) là hàm sigmoid lưỡng cực.

Thuật toán lan truyền ngược sử dụng để huấn luyện mạng MLP là thuật toán “gradient descent”. 𝐾 𝑥, 𝑥𝑠 = 𝑒𝑥𝑝 − 𝑥 − 𝑥𝑠 2 2𝜍2 𝑦𝑗 = 𝑓 𝑤𝑗𝑖 𝑖 𝑥𝑖

MLP được huấn luyện với số nơ-ron lớp ẩn khác nhau cho đến khi đạt được chỉ tiêu thực hiện tốt nhất. Đầu tiên sử dụng cửa sổ kích thước 41 mẫu như RBFN, sau đó thử với cửa sổ 31, 36 và 51. Cửa sổ với kích thước 41 mẫu cho kết quả tối ưu nhất. Số nơ-ron lớp ẩn là 8 cải thiện được chất lượng thực hiện.

2.1.3. Tích hợp thông tin đa kênh:

Thực tế khi chẩn đoán lâm sàng, các chuyên gia cũng sử dụng thông tin không gian để xác định gai động kinh. Do đó, giai đoạn cuối cùng của hệ thống cũng kết nối các đầu ra ở giai đoạn phân loại để xác định gai động kinh từ 2 hoặc nhiều hơn 2 kênh. Gai động kinh ở các kênh khác nhau có hình dạng tương tự nhau, nhưng đỉnh không thể xuất hiện chính xác cùng thời điểm, có thể trễ sẽ xảy ra giữa 2 đỉnh. Vì vậy, cần tổng hợp thông tin đa kênh để xác định vị trí gai động kinh.

Sau giai đoạn phân loại, vec-tơ 𝑎 với kích thước bằng 19 được dùng để tích hợp thông tin đa kênh. Với mỗi gai động kinh trên kênh bất kỳ, ta kết hợp với vec-tơ

𝑎, do đó 𝐾 vec-tơ 𝑎 bằng số gai động kinh có thể trên tất cả các kênh. Tập 𝑎𝑘 𝑘=1 𝐾 vec-tơ kết hợp với gai động kinh theo thuật toán sau:

1) Đặt gai động kinh có thể trên tất cả các kênh bởi chỉ số 𝑘 = 1, 2, … , 𝐾

2) Thiết lập 𝑘 = 1

3) Chọn gai động kinh có thể đầu tiên với chỉ số 𝑘 = 1

4) Nếu gai có thể đó ở kênh thứ 𝑖 thì thiết lập 𝑎𝑖𝑘 = 1

5) Lấy thời điểm (trên EEG gốc) tương ứng với đỉnh có thể là gai động kinh là trung tâm của cửa sổ.

6) Cửa sổ với 25 mẫu dữ liệu (100ms) từ bên trái và 25 mẫu từ bên phải với đỉnh trung tâm.

7) Thiết lập 𝑎𝑗𝑘 = 1 nếu gai động kinh có thể tồn tại ở kênh𝑗 (𝑗 = 1, 2, … , 19) Thiết lập 𝑎𝑗𝑘 = −1 nếu ngược lại.

8) Dừng nếu 𝑘 = 𝐾, ngược lại thì tăng 𝑘 lên 1 và quay lại bước 4. Vec-tơ 𝑎 = 𝑎1𝑎2… 𝑎19 𝑇 ∈ −1,1 19

Sau khi tích hợp thông tin đa kênh từ vec-tơ 𝑎, một ngưỡng được sử dụng để xác định sự tồn tại của gai động kinh.

(2.10)

𝜃 = 1 xuất hiện gai động kinh, 𝜃 = −1 không xuất hiện gai động kinh

𝜃 = 𝑠𝑖𝑔𝑛 19 𝑎𝑖

Hình 2. 8. Độ nhạy và độ chọn lọc của hệ thống ở mỗi giai đoạn

Từ hình 2.8 cho thấy, phương pháp RB-SVM cho kết quả thực hiện tốt nhất.

2.2. Phƣơng pháp đa giai đoạn để dò tìm và phân loại gai động kinh trên EEG:

He Sheng Liu và cộng sự [7] đã đề xuất một hệ thống dò tìm gai động kinh kết