Link tải luận văn miễn phí cho ae Kết nối
Luận văn ThS. Kỹ thuật điện tử -- Trường Đại học Công nghệ. Đại học Quốc gia Hà Nội, 2014
Tổng quan về điện não đồ (EEG). Giới thiệu về cơ chế hoạt động điện của não, chuẩn đo EEG quốc tế 10-20, các đặc trưng của EEG và dấu hiệu nhận biết gai. Nghiên cứu các phương pháp nhận biết gai động kinh tự động theo tiếp cận hệ thống đa giai đoạn. Nghiên cứu phương pháp nhận biết gai động kinh tự động sử dụng biến đổi Wavelet rời rạc (DWT). Mô phỏng phương pháp nhận biết gai động kinh tự động sử dụng DWT. Sử dụng phần mềm Matlab (phiên bản R2009b) để viết các thuật toán mô phỏng, sử dụng các công cụ Signal processing toolbox, Wavelet toolbox, Neural network toolbox.
MỞ ĐẦU
Động kinh là một trạng thái bệnh lý của não, xảy ra bởi nhiều nguyên nhân khác
nhau, nó rất phức tạp và thay đổi liên tục, xảy ra ở mọi lứa tuổi, mọi giới tính. Theo Tổ
chức Y Tế Thế Giới (WHO) số người mắc bệnh động kinh chiếm khoảng 0.5% - 1%
dân số thế giới. Độ tuổi mắc bệnh là rất khác nhau, các nghiên cứu về động kinh cho
thấy tỷ lệ mắc bệnh ở trẻ em rất cao: 50.5% xuất hiện trước 10 tuổi, 75% dưới 20 tuổi
và có xu hướng tăng sau 60 tuổi. Ở Việt Nam, chẩn đoán động kinh chủ yếu dựa vào
phương pháp lâm sàng thông qua các dấu hiệu nhận biết triệu chứng của các cơn co
giật. Một phương pháp kiểm tra cho các chẩn đoán lâm sàng là phân tích điện não đồ -
EEG. Điện não đồ EEG ghi lại các biểu hiện hoạt động điện của não, là xét nghiệm bổ
trợ cho chẩn đoán lâm sàng bệnh động kinh. Đây là phương pháp được các chuyên gia
lựa chọn để đánh giá, phân loại động kinh và xác định vùng tổn thương ở não –
nguyên nhân gây ra cơn động kinh.
Cơn động kinh trên EEG được đặc trưng bởi các gai sóng biên độ cao liên tục do
sự phóng điện bất thường của một tập hợp các nơ-ron thần kinh. Gai động kinh (spike)
và sóng nhọn (sharp wave) là các dấu hiệu nhận biết động kinh thường được quan sát
trên EEG của bệnh nhân[1]. Các thông tin về vị trí, mật độ xuất hiện, hình thái và sự
tương quan giữa các gai là cơ sở để bác sĩ đưa ra chẩn đoán và điều trị. Việc xây dựng
công cụ dò tìm gai tự động trên EEG là rất quan trọng, bởi nó có thể trả lời cho những
câu hỏi liên quan đến: sự mô tả định lượng về mật độ gai, hình thái gai có thể giúp xác
định triệu chứng của bệnh nhân và kết quả phẫu thuật[2]. Thời gian đo EEG có thể kéo
dài từ vài chục phút đến vài ngày, các chuyên gia sẽ quan sát bản ghi EEG, phát hiện
các dấu hiệu bất thường, công việc này sẽ làm các chuyên gia tiêu tốn nhiều thời gian
và kết quả sẽ mang tính chủ quan, mỗi chuyên gia sẽ cho những nhận định khác nhau.
Vì vậy, phương pháp dò tìm gai tự động làm giảm tính chủ quan trong đánh giá vì nó
dựa trên các đặc trưng của gai, từ đó cung cấp thêm thông tin định lượng có ý
nghĩa.Tuy nhiên, hiện nay phương pháp dò tìm gai tự động đang gặp một số khó
khăn[2]: Thứ nhất, không có định nghĩa rõ ràng về gai, gai được định nghĩa là một
xung (transient), phân biệt rõ ràng với hoạt động nền, có đỉnh quan sát trên bản ghi
EEG ở tốc độ 3cm/s[3]. Gai có thời gian tồn tại trong khoảng từ 20-70ms, sóng nhọn
có thời gian tồn tại từ 70 -200ms. Thứ hai, hình thái gai và hoạt động nền thay đổi trên
các bản ghi EEG khác nhau. Thứ ba, hai chuyên gia không cùng đánh dấu một gai, các
đỉnh có cùng hình dạng được các chuyên gia xác định là gai hay không còn phụ thuộc
vào nhiều yếu tố như vị trí xuất hiện, trạng thái ngủ hay thức, độ tuổi, … Nhiều dạng
sóng phù hợp với định nghĩa là gai nhưng không được các chuyên gia xác định là gai
hay sự kiện bất thường.
Một số thuật toán đã được đề xuất trong vấn đề dò tìm gai [2]. Phương pháp bắt
chước: sao chép của các chuyên gia. Phương pháp đoán tuyến tính: sử dụng các kỹ
thuật xử lý tín hiệu để phân biệt gai với các hoạt động nền. Phương pháp dựa vào gai
mẫu: tìm các sự kiện trùng khớp với gai đã lựa chọn làm mẫu. Nhiều thuật toán hiện
nay sử dụng đa phương pháp, dựa theo đúng định nghĩa về gai, chú trọng ở ngữ
cảnhcục bộ, hình thái và phạm vi của gai, ngoài ra còn chú trọng các nhiễu cần loại bỏ
và ngữ cảnh lớn hơn, độ chính xác của phương pháp để sử dụng thuật toán thích hợp.
Ngữ cảnh cục bộ hay được gọi với thuật ngữ “hoạt động nền” mô tả ngữ cảnh mà gai
xảy ra. Hoạt động nền của gai được sử dụng để tiêu chuẩn hóa các thông số gai nhằm
tính toán tín hiệu điện đầu ra thay đổi từ các bệnh nhân khác nhau và xác định gai bất
kỳ. Nền là biên độ trung bình của nửa sóng (half-wave) tính từ gai trước 5s. Hình thái
gai là những thuộc tính mô tả gai và hoạt động nền, mạng nơ-ron sử dụng những thuộc
tính này để phân loại gai hay không phải gai. Những thuộc tính mô tả gai như mối
tương quan giữa độ cao và khoảng thời gian giả của 2 nửa sóng, độ nhọn tương đối của
đỉnh, khoảng thời gian tổng, mối tương quan giữa độ cao và khoảng thời gian của 3
nửa sóng. Những thuộc tính được tiêu chuẩn hóa bằng việc chia một thuộc tính gai
thành giá trị nền tương ứng của nó. Bốn thuộc tính này sẽ thiết lập thuộc tính ngưỡng
và xác định sóng bất kỳ là gai.
Độ nhạy, độ đặc trưng, độ chọn lọc, tỉ số lỗi trên giờ là những tiêu chí đánh giá
chất lượng của một hệ thống phát hiện gai tự động [3]. Độ nhạy được đo bằng tỉ số
giữa số gai phát hiện đúng trên tổng số các gai được ghi nhận bởi chuyên gia. Độ chọn
lọc được đo bằng tỉ số giữa số gai phát hiện đúng trên tổng số gai phát hiện được bởi
hệ thống. Các gai phát hiện được gọi là đúng nếu cả chuyên gia và hệ thống đều ghi
nhận là gai. Tỉ số lỗi được đo bằng số lỗi mà hệ thống phát hiện sai trên một giờ. Một
hệ thống có hiệu suất cao khi có độ nhậy cao, đồng thời tỉ số lỗi phát hiện sai trên giờ
nhỏ.
Một hệ thống phát hiện gai tự động được chia làm các giai đoạn: tiền phân loại,
phân tích các đặc trưng, phân loại và hệ chuyên gia[2]. Trong giai đoạn tiền phân loại,
hoạt động nền cục bộ mà tại đó đỉnh xuất hiện được phân tích, các tham số đỉnh được
chuẩn hóa, một số đỉnh nhỏ sẽ được loại bỏ. Giai đoạn thứ hai phân tích các đặc trưng
về hình thái như biên độ, độ dốc, các thuộc tính hoạt động nền; sau đó các đỉnh được
phân loại là gai và không phải gai ở giai đoạn thứ ba; một số thuật toán được sử dụng
trong giai đoạn này là biến đổi wavelet[4], biến đổi thời gian – tần số[5], mạng nơ-
ron[6]. Giai đoạn thứ tư, hệ chuyên gia dựa trên những tổng hợp thông tin về không
gian, thời gian trên nhiều kênh, vị trí, lứa tuổi, … để đánh giá đỉnh là gai.
Trong đề tài luận văn này, tui tìm hiểu về cơ chế xuất hiện hoạt động điện của
não, tìm hiểu về phương pháp đo và cách đo để tạo được dữ liệu EEG. Dựa trên bộ cơ
sở dữ liệu EEG đã thu thập được từ các bệnh nhân đang trong quá trình điều trị để tìm
hiểu thuật toán phát hiện gai tự động trên nhiều kênh EEG.Với hệ thống phát hiện gai
tự động tìm hiểu được gồm các giai đoạn: tiền phân loại, phân tích đặc trưng và hệ
chuyên gia, luận văn đã ứng dụng một số phương pháp khác vào giai đoạn phân tích
đặc trưng để hiểu về hệ thống và làm phép so sánh với kết quả hệ thống đã đạt được
trước đó. Các thông số của EEG được chuẩn hóa, tiền phân loại bằng mạng
perceptron, các đỉnh sẽ được phân loại thành có khả năng là gai và không phải gai.
Giai đoạn tiền phân loại giúp loại bỏ bớt đỉnh không phải gai làm giảm khối lượng tính
toán cho các giai đoạn tiếp theo[7]. Sau giai đoạn tiền phân loại, các đỉnh có khả năng
là gai được phân tích thành các scale bằng phép biến đổi wavelet, một số scale đặc
trưng được lựa chọn và dùng phương pháp so sánh ngưỡng để đánh giá đỉnh là gai[3].
Việc phân chia quá trình phát hiện gai tự động thành nhiều giai đoạn, kết hợp nhiều
phương pháp, sử dụng tổng hợp các thông tin về hình dạng, thời gian, tần số và không
gian giúp hệ thống đưa ra các quyết định đáng tin cậy.
Với đề tài này, nội dung luận văn được trình bày trong 4 chương:
- Chương 1: Tổng quan về điện não đồ EEG. Chương này giới thiệu về cơ chế hoạt
động điện của não, chuẩn đo EEG quốc tế 10-20, các đặc trưng của EEG và dấu hiệu
nhận biết gai.
- Chương 2: Các phương pháp nhận biết gai động kinh tự động theo tiếp cận hệ
thống đa giai đoạn được đề xuất bởi Liu [7] năm 2002, Acir [12] năm 2005 và Linh
Trung [13] năm 2013, cùng các cộng sự.
- Chương 3: Phương pháp nhận biết gai động kinh tự động sử dụng DWT do
Indiradevi và cộng sự đề xuất [3].
- Chương 4: Mô phỏng phương pháp nhận biết gai động kinh tự động sử dụng
DWT từ công trình [3]. Chương này sử dụng phần mềm Matlab (phiên bản R2009b)
để viết các thuật toán mô phỏng, sử dụng các công cụ Signal processing toolbox,
Wavelet toolbox, Neural network toolbox.
- Kết luận. Phần này đưa ra các kết luận của luận văn cũng như đề xuất các hướng
phát triển của luận văn trên cơ sở phát triển tiếp công trình [13].
K6Y9Jp42wbmC3YK
