Tất cả thông số đều được sử dụng làm đầu vào của SVM. Thử nghiệm đầu tiên là SVM với đầu vào là 7 thông số gồm: mean distance, RMS distance, mean velocity, mean frequency, 95% confidence circle area, 95% confidence ellipse area, sway area. Thử nghiệm thứ hai với đầu vào là 15 thông số, bao gồm 7 thông số trên và các chiều của x-y, 8 thông số được thêm vào gồm: mean distance x, mean distance y, RMS distance x, RMS distance y, mean velocity x,
mean velocity y, mean frequency x, mean frequency y. Bảng 4.2 biểu diễn kết quả
khi áp dụng SVM với 7 thông số, bảng 4.3 biểu diễn kết quả khi áp dụng 15 thông số.
Kernel
functions Data set Accuracy Sensitivity Specificity
Gaussian (RBF)
Training set 88% 77.2% 96.9%
Testing test 78.6% 70% 83.3%
Polynomial Training set 62% 100% 40.6%
Testing set 57.1% 100% 33.3%
Laplacian Training set 76% 33.3% 100%
Testing set 67.9% 20% 94.4%
Sigmoid Training set 64% 0% 100%
76
Bảng 4.2 Kết quả áp dụng SVM với đầu vào là 7 thông số
Kernel functions Data set Accuracy Sensitivity Specificity
Gaussian (RBF) Training set 90% 72.2% 100%
Testing test 82.1% 80% 83.3%
Polynomial Training set 84% 100% 75%
Testing set 82.1% 100% 72.2%
Laplacian Training set 90% 83.3% 93.8%
Testing set 75% 80% 72.2%
Sigmoid Training set 64% 0% 100%
Testing set 64.3% 0% 100%
Bảng 4.3 Kết quả áp dụng SVM với đầu vào 15 thông số
Từ bảng 4.2 và bảng 4.3, ta thấy hàm có độ chính xác cao nhất trong 4 hàm Kernel là Gaussian (RBF). Đối với dữ liệu training, hàm RBF đạt độ chính xác 90% với 7 thông số và 88% đối với 15 thông số. Độ chính xác của RBF khi thực hiện phân loại dữ liệu testing là 78,6% đối với 7 thông số và 82,1% đối với 15 thông số. Hàm Sigmoid là hàm có độ chính xác thấp nhất đối với thử nghiệm 7 thông số và cả 15 thông số.
So sánh về cả độ chính xác, độ nhạy, độ đặc hiệu khi thực hiện phân loại với 7 thông số và 15 thông số, ta nhận thấy phân loại SVM với 15 thông số cho kết quả tối ưu hơn. Hàm Polynomial và hàm Laplacian cũng cho kết quả tốt hơn khi phân loại với nhiều thông số đầu vào hơn.
Thực hiện tương tự với các tỷ lệ “Training set : Testing set” khác (50:50, 70:30). Ta tiếp tục nhận được kết quả tối ưu nhất ở hàm RBF (Bảng 4.4, bảng 4.5)
77
Training : testing
set Data set Accuracy Sensitivity Specificity
70:30 Training set 88.7% 73.7% 97.1% Testing test 80% 77.8% 81.3% 64:36 Training set 88% 77.2% 96.9% Testing set 78.6% 70% 83.3% 50:50 Training set 89.7% 71.4% 100% Testing set 71.8% 50% 84%
Bảng 4.4 Thử nghiệm SVM 7 thông số với các tỷ lệ mẫu khác nhau
Training : testing
set Data set Accuracy Sensitivity Specificity
70:30 Training set 90.1% 73.7% 100% Testing set 80% 77.8% 81.3% 64:36 Training set 90% 72.2% 100% Testing set 82.1% 80% 83.3% 50:50 Training set 89.7% 71.4% 100% Testing set 74.4% 50% 88%
78
KẾT LUẬN
Rối loạn thăng bằng là căn bệnh liên quan đến sự mất cân bằng của cơ thể con người. Nó đang ngày càng trở nên phổ biến không chỉ ở người già mà cả những người trẻ tuổi và tỷ lệ người mắc bệnh ngày càng cao. Ở Việt Nam, quá trình chẩn đoán hầu như dựa vào trực quan của bác sĩ, ít sử dụng hệ thống để đánh giá chẩn đoán và điều trị. Chính vì vậy, sau khi tìm hiểu thực trạng và nhận thấy được tầm quan trọng của việc sàng lọc sớm để hỗ trợ điều trị rối loạn thăng bằng, thì “Hệ thống đánh giá thăng bằng của cơ thể” đã được nghiên cứu và đang hoàn thiện.
Hệ thống là một công cụ hỗ trợ sàng lọc bệnh nhân rối loạn thăng bằng bằng phương pháp xử lý các thông số liên quan đến điểm rơi trọng tâm. Nó đã giải quyết một số giới hạn gặp phải bởi các phương pháp trước đó.
Các thông số liên quan có thể được sử dụng để đánh giá khả năng thăng bằng của người bao gồm 15 thông số: mean distance, mean distance x, mean distance y, rms distance, rms distance x, rms distance y, mean velocity, mean velocity x, mean velocity y, mean frequency, mean frequency x, mean frequency y, 95% confidence circle area, 95% confidence ellipse area and sway area.
Khi thực hiện phân loại 2 nhóm người bao gồm người mắc các chứng rối loạn thăng bằng và nhóm người không bị rối loạn thăng bằng, thuật toán SVM sử dụng hàm RBF mang lại kết quả tốt nhất.
Một hạn chế của nghiên cứu này là tác động của tuổi tác lên sự cân bằng của con người bị bỏ qua. Mô hình điểm rơi trọng tâm của người trẻ và người già có thể khác nhau, vì người cao tuổi thường có khả năng giữ thăng bằng kém hơn do hệ thống khung xương lão hóa. Hạn chế này mở ra một hướng phát triển khác cho đề tài này.
Hệ thống này đã được thử nghiệm trên bệnh nhân và tình nguyện viên. Kết quả cho thấy công cụ có thể xác định chính xác sự lắc lư của cơ thể người, cũng như cho thấy sự khác biệt rõ ràng giữa 2 nhóm bệnh nhân và người bình thường. Vì vậy, phương pháp này có thể sử dụng để đánh giá một số bệnh liên quan đến rối loạn thăng bằng (bệnh rối loạn tiền đình) và đóng góp một phương pháp mới trong phân loại, đánh giá khả năng thăng bằng của người.
79
TÀI LIỆU THAM KHẢO
[1] Mary Ann Watson, F. Owen Black, Matthew Crowson, "The human balance system," [Online]. Available: http://www.vestibular.org.
[2] "Balance problems", https://www.healthinaging.org/a-z-topic/balance- problems/basic-facts, truy cập lần cuối 09/2020.
[3] N. Lava, "A visual guide to balance disorder," 10 April 2008. [Online]. Available: https://www.webmd.com. , truy cập lần cuối 10/2020.
[4] “Chẩn đoán và điều trị chóng mặt tư thế lành tính (BPPV)”,
https://www.vinmec.com/vi/tin-tuc/thong-tin-suc-khoe/suc-khoe-tong-quat/chan-
doan-va-dieu-tri-chong-mat-tu-lanh-tinh-bppv/, truy cập lần cuối 06/2021.
[5] “Viêm mê đạo tai”, https://hellobacsi.com/benh-tai-mui-hong/benh-ve- tai/viem-me-dao-tai/, truy cập lần cuối 06/2021.
[6] "Balance Disorders", https://www.nidcd.nih.gov/health/balance-disorders, truy cập lần cuối 09/2020.
[7] "Balance Problems", https://www.healthinaging.org/a-z-topic/balance- problems/tests, truy cập lần cuối 09/2020.
[8] PGS.TS Hoàng Khánh, “Giáo trình Nội thần kinh”, Bộ môn Nội Thần kinh - Trường Đại học Y khoa Huế.
[9] P. K. T. Rahko, "New clinical finding in vestibular neuritis: high-frequency audiometry hearing loss in the affected ear," The Laryngoscope, vol. 96, no. 2, pp. 198-199, 1986
[10] “Hướng dẫn đo thính lực”, https://www.vinmec.com/vi/tin-tuc/thong-tin-
suc-khoe/huong-dan-do-thinh-luc/, truy cập lần cuối 06/2021.
[11] V. Ostrowski, "Vestibular Testing," in Practical Otology for the Otolaryngologist, San Deigo, Plural Publishing, 2013, pp. 33-49.
80
[12] S. L. Whitney, G. F. Marchetti and A. I. Schade, "The relationship between falls history and computerized dynamic posturography in persons with balance and vestibular disorders," Archives of Physical Medicine and Rehabilitation, vol. 87, pp. 402-407, 2006.
[13] R. P. Di Fabio, “Meta-analysis of the Sensitivity and Specificity of Platform Arch Otolaryngol Head Neck Surg, vol 122(2), pp. 150 156, 1996.
[14] H. S. Cohen and K. Kimball, "Usefulness of some current balance tests for identifying individuals with disequilibrium due to vestibular impairments," Journal of Vestibular Research, vol. 18, pp. 295-308, 2008..
[15] R. A. Dobie, "Does computerized dynamic posturography help us care for our patients?," The American Journal of Otology, vol. 18, no. 1, pp. 108-112, 1997.
[16] Riann M. Palmieri, Christopher D. Ingersoll, Marcus B. Stone, B. Andrew Krause, "Research review: Center-of-Pressure Parameters Used in the Assessment of Postural Control," Human Kinetics Publishers, vol. 11, no. J Sport Rehabil, pp. 51-66, 2002.
[17] Darwin Gouwanda, Alpha A. Gopalai, Z. S. Lim, K. H. Lim “Measuring Human Balance on an Instrumented Dynamic Platform: A Postural Sway Analysis”, The 15th International Conference on Biomedical Engineering, 496- 499
[18] C. R. Souza, "Kernel Functions for Machine Learning Applications," 17 March 2010. [Online]. Available: http://crsouza.blogspot.com/2010/03/kernel-
functions-for-machine-learning.html.
[19] T. E. Prieto, "Measures of Postural Steadiness: Differences Between Healthy Young and Elderly Adults," IEEE transactions of biomedical engineering, vol. 43, no. 9, 1996
81 [20] E. Allibhai, "Hold-out vs. Cross-validation in Machine Learning," 03 10 2018. [Online]. Available: https://medium.com.
[21] Chih-Wei Hsu, Chih-Chung Chang, Chih-Jen Lin, "A Practical Guide to Support Vector Classification," 2016.
[22] Rajul Parikh, Mathai, Shefali Parikh, G Chandra Sekhar, Ravi Thomas, "Understanding and using sensitivity, specificity and predictive values," Indian J Ophthalmol, 2008.