application of bump modelling algorithm for detection of high frequency oscillations (hfos) in eeg...
TRANSCRIPT
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
1/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
2/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
3/72
LỜ I CẢM ƠN
Lời đầu tiên, tôi xin chân thành gửi lờ i cảm ơn sâu sắc và đặc biệt nhất đến cô
Hứa Thị Hoàng Yến đã hướ ng dẫn, giúp đỡ , theo dõi và chỉ bảo tận tình để tôi có thể
hoàn thành tốt khóa luận tốt nghiệ p này.
Hơn nữa tôi xin bày tỏ lòng biến ơn đến thầy Nguyễn Thanh Nhiên người đã trợ
giúp tôi r ất nhiều về kiến thức, hướ ng dẫn tận tình và luôn giúp đỡ tôi trong suốt thờ i
gian thực hiện đề tài này.
Tiếp đến, tôi xin gửi lờ i cảm ơn sâu sắc nhất đến Quý Thầy Cô Bộ môn Vật Lý
Tin Học, Khoa Vật lý – Vật lý K ỹ thuật đã truyền đạt cho tôi nhiều kiến thức chuyênmôn quan tr ọng và cần thiết, những kinh nghiệm quý báu trong cuộc sống và sẽ là
hành trang theo tôi trong quãng đườ ng sắ p tớ i.
Tôi cũng xin gửi lờ i cảm ơn chân thành nhất đến Quý Thầy Cô trường Đại học
Khoa Học Tự Nhiên - Đại học Quốc gia Thành phố Hồ Chí Minh đã giảng dạy và
truyền đạt cho tôi những kiến thức cần thiết và những kinh nghiệm quý báu trong
suốt bốn năm qua. Tôi xin cảm ơn ba mẹ đã nuôi dưỡ ng và tạo điều kiện tốt nhất để tôi có thể học
tậ p trong suốt quãng thờ i gian là học sinh và sinh viên.
Cuối cùng, tôi xin cảm ơn chân thành đến những ngườ i bạn đã bên cạnh động
viên, giúp đỡ tôi trong những lúc khó khăn cũng như đóng góp nhiều ý kiến giúp tôi
hoàn thành tốt khóa luận này.
TP.Hồ Chí Minh, tháng 6 năm 2015
Nguyễn Quốc Khánh
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
4/72
i
MỤC LỤC
MỤC LỤC ................................................................................................................... i
DANH SÁCH HÌNH................................................................................................... v
DANH SÁCH BẢ NG .............................................................................................. vii
CÁC TỪ VIẾT TẮT ............................................................................................... viii
MỞ ĐẦU ..................................................................................................................... 1
Chương 1 TỔ NG QUAN ............................................................................................ 3
1.1. Điện não đồ ....................................................................................................... 3 1.1.1. Lịch sử .................................................................................................... 3
1.1.2. Cơ chế hoạt động tạo ra EEG .................................................................. 4
1.1.2.1. Điện thế nghỉ (Resting Potential) ........................................................ 5
1.1.2.2. Điện thế động (Action Potential) ........................................................ 6
1.1.2.3. Nguồn gốc tín hiệu điện não ............................................................... 8
1.1.3. Thu nhận và đo tín hiệu điện não ............................................................ 11
1.1.3.1. Vị trí đặt điện cực chuẩn ................................................................... 11
1.1.3.2. Trình tự xác định vị trí điện cực ....................................................... 11
1.1.3.3. Phương pháp thu nhận tín hiệu điện não .......................................... 13
1.1.4. Các thành phần sóng trong tín hiệu điện não .......................................... 14
1.1.4.1. Dải tần Delta ..................................................................................... 14
1.1.4.2. Dải tần Theta ..................................................................................... 15
1.1.4.3. Dải tần Alpha .................................................................................... 16
1.1.4.4 Dải tần Beta ........................................................................................ 16
1.1.4.5. Dải tần Gamma ................................................................................. 17
1.1.4.6. Nhịp Muy Rolando (μ) ...................................................................... 17
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
5/72
ii
1.2. Bệnh động kinh .............................................................................................. 18
1.2.1. Khái niệm ................................................................................................ 18
1.2.2. Phân loại bệnh động kinh ........................................................................ 18
1.2.2.1. Động kinh toàn thể ............................................................................ 18
1.2.2.2. Động kinh cục bộ đơn giản ............................................................... 19
1.2.2.3. Động kinh cục bộ phức tạ p ............................................................... 19
1.2.2.4. Mất ý thức tạm thờ i .......................................................................... 19
1.2.2.5. Động kinh thái dương ....................................................................... 20
1.2.4. Tín hiệu điện não trong bệnh động kinh ................................................. 20
1.2.5. Dao động tần số cao (High Frequency Oscillations – HFOs) trong tín hiệu
động kinh ............................................................................................................ 22
1.2.6. Xác định các dao động tần số cao ........................................................... 23
1.3. K ết luận ........................................................................................................... 25
Chương 2 THUẬT TOÁN MÔ HÌNH VẾT NỔI (BUMPS MODELING) ............. 26
2.1. Bản đồ thờ i gian – tần số ( Time – Frequency Maps) .................................... 26
2.2. Tiền xử lý bản đồ thờ i gian tần số ................................................................. 28
2.2.1. Giảm số tần số lấy mẫu (Down-sampling) .............................................. 28
2.2.2. Chuẩn hóa ................................................................................................ 28
2.2.3. Xử lý nhiễu .............................................................................................. 30
2.3. Thuật toán mô hình vết nổi ............................................................................ 30
2.3.1. Xác định biên........................................................................................... 31
2.3.2. Độ phân giải và cửa sổ hóa ..................................................................... 31
2.3.3. Tìm cửa sổ lớ n nhất ................................................................................. 33
2.3.4. Đưa hàm vết nổi vào bản đồ .................................................................... 33
2.3.5. Tiêu chuẩn k ết thúc ................................................................................. 35
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
6/72
iii
2.4. K ết luận ........................................................................................................... 36
Chương 3 CÀI ĐẶT, SỬ DỤ NG VÀ CẢI TIẾ N GIẢI THUẬT ............................. 37
3.1. Đặt vấn đề ...................................................................................................... 37
3.2. Cơ sở dữ liệu thực nghiệm ............................................................................. 37
3.3. Chỉnh sửa thuật toán ...................................................................................... 38
3.3.1. Thay đổi độ phân giải và cửa sổ hóa ....................................................... 38
3.3.2. Cải thiện việc xác định biên của bản đồ .................................................. 39
3.3.3. Tiêu chuẩn k ết thúc ................................................................................. 39
3.4. Phương pháp thực hiện .................................................................................. 40
3.4.1. Mô tả toolbox ButIf.exe .......................................................................... 40
3.4.2. Xác định tham số đầu vào ....................................................................... 41
3.4.3. Sơ đồ giải thuật của thuật toán mô hình vết nổi ...................................... 42
3.4.4. Thu thậ p tỷ lệ phần F ............................................................................... 43
3.4.4.1. Thu thậ p tỷ lệ phần F và xác định Fc ................................................ 43
3.4.4.2. Loại bỏ những vết nổi không thỏa ngưỡ ng F>Fc .............................. 43
3.5. K ết luận ........................................................................................................... 44
Chương 4 KẾT QUẢ THỰ C NGHIỆM VÀ THẢO LUẬ N .................................... 45
4.1. Khảo sát ở các HFOs gợ n sóng (80-250Hz) .................................................. 45
4.1.1. K ết quả của việc phân tích tín hiệu không chứa cơn động kinh ............. 45
4.1.2. K ết quả của việc phân tích tín hiệu có chứa cơn động kinh .................... 48
4.2. Khảo sát ở các HFOs gợ n sóng nhanh (250-500Hz) ..................................... 50
4.2.1. K ết quả của việc phân tích tín hiệu không chứa cơn động kinh ............. 50
4.2.2. K ết quả của việc phân tích tín hiệu có cơn động kinh ............................ 52
4.3. K ết luận .......................................................................................................... 55
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
7/72
iv
K ẾT LUẬN VÀ HƯỚ NG PHÁT TRIỂ N ................................................................ 56
I. K ết luận .............................................................................................................. 56
1. K ết quả đạt đượ c ............................................................................................ 56
a. Phần lý thuyết .............................................................................................. 56
b. Phần thực nghiệm........................................................................................ 56
2. Hạn chế của đề tài .......................................................................................... 57
II. Hướ ng phát triển ............................................................................................... 57
TÀI LIỆU THAM KHẢO ......................................................................................... 58
PHỤ LỤC 1 ............................................................................................................... 60
PHỤ LỤC 2 ............................................................................................................... 61
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
8/72
v
DANH SÁCH HÌNH VÀ SƠ ĐỒ
Hình ảnh:
Hình 1.1 Tế bào thần kinh ........................................................................................... 5
Hình 1.2 Điện thế nghỉ ở màng tế bào ........................................................................ 6
Hình 1.3 Điện thế động ............................................................................................... 7
Hình 1.4 Cấu trúc khớ p thần kinh ............................................................................... 8
Hình 1.5 Tế bào thần kinh ở các lớ p vỏ não ............................................................... 9
Hình 1.6 Dòng điện sinh ra ở tế bào thần kinh ......................................................... 10
Hình 1.7 Điện thế ở khớ p thần kinh .......................................................................... 10
Hình 1.8 Vị trí điện cực. ............................................................................................ 12
Hình 1.9 Dải tần Delta .............................................................................................. 15
Hình 1.10 Dải tần Theta ............................................................................................ 15
Hình 1.11 Dải tần Alpha ........................................................................................... 16
Hình 1.12 Dải tần Beta .............................................................................................. 16
Hình 1.13 Dải tần Gamma ........................................................................................ 17
Hình 1.14 Nhị p Muy ................................................................................................. 17
Hình 1.15 Đỉnh và sóng nhọn ................................................................................... 20
Hình 1.16 Dạng sóng động kinh đột biến ................................................................. 21
Hình 1.17 Chứng Hypsarrhythmia trong động kinh ở tr ẻ em ................................... 21
Hình 1.18 Tín hiệu động kinh k ịch phát ................................................................... 21
Hình 1.19 Động kinh thùy trán ................................................................................. 22
Hình 1.20 Cực lưới dướ i màng cứng (subdural grid/strip) ....................................... 23
Hình 1.21 Điệc cực sâu (depth electrode) ................................................................. 24
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
9/72
vi
Hình 2.1 Phần thực của w(t) ...................................................................................... 27
Hình 2.2 Thờ i gian và tần số mở r ộng của wavelet trong bản đồ thờ i gian-tần số. .. 28
Hình 2.3 Phân bố hệ số wavelet chuẩn hóa ....................................................... 29Hình 2.4 Ví dụ của thuật toán Bumps Modeling ...................................................... 31
Hình 2.5 Cách xác định cửa sổ trượt và xác định biên thờ i gian, tần số khi P=4 ..... 33
Hình 2.6 Hàm bump Half-ellipsoid........................................................................... 35
Hình 3.1 Màn hình chính của ButIf toolbox ............................................................. 41
Hình 4.1 Tín hiệu iEEG không chứa cơn động kinh đượ c xử lý để tìm ra các HFOs
gợn sóng. Ngưỡ ng tỷ lệ phần Fc đượ c áp dụng là Fc=0.004 và Fc=0.006 ................. 47
Hình 4.2 Tín hiệu iEEG có chứa cơn động kinh đượ c xử lý để tìm ra các HFOs gợ n
sóng. Ngưỡ ng tỷ lệ phần Fc đượ c áp dụng là Fc=0.004 và Fc=0.006 ........................ 50
Hình 4.3 Tín hiệu iEEG không chứa cơn động kinh đượ c xử lý để tìm ra các HFOs
gợn sóng nhanh. Ngưỡ ng tỷ lệ phần Fc đượ c áp dụng là Fc=0.004 và Fc=0.006. ..... 52
Hình 4.4 Tín hiệu iEEG có chứa cơn động kinh đượ c xử lý để tìm ra các HFOs gợ n
sóng nhanh. Ngưỡ ng tỷ lệ phần Fc đượ c áp dụng là Fc=0.004 và Fc=0.006. ............ 54
Sơ đồ
Sơ đồ 3.1 Quá trình thực nghiệm .............................................................................. 37
Sơ đồ 3.2 Sơ đồ giải thuật của thuật toán mô hình vết nổi ....................................... 42
Sơ đồ 3.3 Sơ đồ giải thuật thực nghiệm. ................................................................... 44
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
10/72
vii
DANH SÁCH BẢNG
Bảng 3.1 Bảng tham số đầu vào của thuật toán ........................................................ 41
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
11/72
viii
CÁC TỪ VIẾT TẮT
AED ............. Antiepileptic drug
BEV ............. Benign Epileptiform Variant
BFGS ........... Broyden – Fletcher – Goldfarb – Shanno
BSSS ........... Benign sporadic sleep spikes
CNS ............. Central Nervous System
CT ................ Computed Tomography
ECG ............. Electrocardiography
ECG ............. Electrocardiography
ECoG ........... Electrocorticography
EEG ............. Electroencephalography
EMG ............ Electromyography
EPSP ............ Excitatory postsynaptic potential
fMRI ............ Functional MRI
HFOs ........... High Frequency Oscillations
ICU .............. Intensive care unitiEEG ............ Intracranial EEG
IPSP ............. Inhibitorisches postsynaptisches Potential
MEG ............ Magnetoencephalography
MRI ............. Magnetic Resonance Imaging
PET .............. Positron emission tomography
pHFOs ......... pathologic HFOs
PLEDs ......... Periodic Lateralized Epileptiform Discharges
SOZ ............. Seizure onset zone
STD ............. Standard deviation
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
12/72
1
MỞ ĐẦU
Não bộ là trung tâm xử lý mọi chuyển giao cảm xúc, hành vi, thái độ và tất cả
hoạt động trong cơ thể. Chính vì thế, một khi não xảy ra một vấn đề nào đó thì nó sẽ
kéo theo cả hệ lụy không chỉ cho chính bản thân ngườ i bệnh mà còn cho cả gia đình
và xã hội. Từ đó, các nhà khoa học đã bắt đầu nghiên cứu sâu hơn về não bộ. Các nhà
nghiên cứu đã phát minh ra nhiều công cụ để phục vụ cho việc tìm hiểu sâu hơn về
các hoạt động của bộ não và đáng kể nhất ở đây là điện não đồ.
Điện não đồ (EEG) là công cụ quan tr ọng cho việc phân tích sóng não, chẩn
đoán sự bất thườ ng, phát hiện ra các bệnh như: tổn thương não, ung thư não, bệnhAlzheimer, .v.v… và một trong những chứng bệnh đượ c quan tâm nhất là bệnh động
kinh. Theo thống kê của Tổ chức Y tế Thế Giớ i (WHO) thì số ngườ i mắc bệnh động
kinh trên thế giớ i lên tớ i 50 triệu ngườ i và tr ở thành căn bệnh thần kinh phổ biến nhất
toàn cầu. Tỷ lệ ngườ i mắc bệnh này chiếm 0.5% tổng dân số thế giới, thay đổi theo
từng khu vực. Ở Pháp và Mỹ khoảng 0.85%, ở Canada khoảng 0.6%. Còn ở Việt
Nam thì khoảng 2% dân số, trong đó trẻ em chiếm 60% trong tổng số bệnh nhân [25].
Hiệu quả phát hiện bênh vẫn còn là thách thức r ất lớn cho lĩnh vực này bở i vì chúng
r ất phức tạ p, không thể giải thích đượ c bằng hóa sinh hay vật lý, mà cần phải có sự
khảo sát thực tế để tìm ra những đặc trưng cho việc nhận dạng hoặc chẩn đoán.
Các nghiên cứu khoa học đã đưa ra nhiều phương pháp khác nhau cho việc tìm
ra bệnh động kinh như là: phương pháp các đặc trưng tuyến tính và phi tuyến tính,
phép biển đổi Fourier nhanh, phép biến đổi wavelet r ờ i r ạc, phương pháp Matching
Pursuit, thuật toán mô hình vết nổi (Bumps Modeling), .v.v… Trong khóa luận này,chúng tôi sử dụng thuật toán mô hình vết nổi vào bản đồ thờ i gian – tần số của tín
hiệu EEG sau khi áp dụng phép biến đổi wavelet liên tục họ Complex Morlet. Việc
áp dụng thuật toán mô hình hóa này lên một bản đồ miền thờ i gian – tần số là để miêu
tả lại bản đồ bằng những hàm cơ bản. Mục đích là để giảm đi một lượ ng lớ n số tham
số (từ hàng nghìn) bằng một tổng của các hàm tham số (từ vài hàm tham số). Sau đó
những dao động tần số cao (High Frequency Oscillations - HFOs) sẽ đượ c trích xuất
và những HFOs này sẽ đượ c so sánh nhằm phân biệt những tín hiệu có chứa cơn động
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
13/72
2
kinh và tín hiệu không chứa cơn động kinh, từ đó xây dựng ngưỡ ng để dự đoán tín
hiệu bất k ỳ1 có là tín hiệu động kinh hay không.
Khóa luận đượ c trình bày vớ i các nội dung như sau:Phần lý thuyết:
Chương 1: TỔ NG QUAN
Chương 2: THUẬT TOÁN MÔ HÌNH VẾT NỔI
Phần ứ ng dụng:
Chương 3: CÀI ĐẶT, SỬ DỤ NG VÀ CẢI TIẾ N GIẢI THUẬT
Chương 4: KẾT QUẢ VÀ THẢO LUẬ N
K ẾT LUẬN VÀ HƯỚ NG PHÁT TRIỂ N
1 Tín hiệu bất k ỳ thuộc cơ sở dữ liệu tại cuộc thi UPenn and Mayo Clinic’s Seizure Detection Challenge, đượ c
cung cấ p miễn phí tại [20].
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
14/72
3
Chương 1 TỔNG QUAN
1.1. Điện não đồ
Điện não đồ (Electroencephalography – EEG) là sự ghi lại dòng điện sinh học
của não bở i một thiết bị có các điện cực đặt ở da đầu, ở bề mặt của vỏ não hoặc vị trí
trong não. Đây là một phương pháp thăm dò chức năng hoạt động sinh lý của tế bào
não, thông qua việc ghi lại các điện thế phát sinh từ các tế bào thần kinh trong quá
trình dẫn truyền các xung động thần kinh [17].
Từ việc so sánh các dạng sóng thu đượ c vớ i các dạng sóng chuẩn, các nhà nghiên
cứu hoặc bác sĩ có thể đưa ra đượ c các chẩn đoán về tình tr ạng bệnh lý của bệnh nhân
chính xác hơn.
Từ khi ra đời cho đến nay, vớ i sự phát triển và hoàn thiện không ngừng, điện
não đồ đóng góp vai trò đáng kể trong việc chẩn đoán, điều tr ị và tiên lượ ng bệnh của
hệ thần kinh trung ương [14].
1.1.1. L ị ch s ử
Năm 1875, nhà phẫu thuật, bác sĩ ngườ i Anh (thành phố Liverpool) – Richard
Carton đã viết trong báo y học Anh về việc phát hiện ra điện trườ ng nhỏ trong não
của thỏ và khỉ. Đây là lần đầu tiên con người quan sát đượ c hoạt động điện có nhị p ở
não động vật sống. Dao động điện trong não này cũng biến mất khi động vật chết.
Sau đó nhiều nhà khoa học trên thế giới đi sau vào tìm hiểu về dòng điện hoạt động
của não cá, ếch, chó, thỏ [14].
Năm 1890, nhà sinh lý học ngườ i Ba Lan Adolf Beck công bố thí nghiệm cho
thấy điện trong não của chó và thỏ dao động khi có thay đổi ánh sáng.
Năm 1912, bác sĩ ngườ i Nga Vladimir Pravdich- Neminsky trình bày điện não
đồ đầu tiên và ghi được xung điện của não chó.
Năm 1914, Cybulsky và Jelenska-Macieszyna ghi được điện não đồ của cơn
động kinh trong thí nghiệm.
Năm 1920, Hans Berger (1873-1941) – bác sĩ, nhà tâm thần học người Đức là
ngườ i phát hiện ra sự tồn tại của tín hiệu điện não ở ngườ i và bắt đầu nghiên cứu về
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
15/72
4
điện não đồ của con ngườ i. Ông cũng là người đầu tiên công bố ghi đượ c sóng alpha
và sóng beta ở não ngườ i. Từ “electroencephalogram” là do ông đặt ra. Edgar
Douglas Adrian sau đó tiế p nối công trình của ông và bắt đầu từ đây mở ra một hướ ng
nghiên cứu mớ i về sinh lý và bệnh lý của não [11].
Năm 1934, Bác sĩ Fisher và Lowenback ghi đượ c sóng bất thường trên điện não
đồ của bệnh nhân bị động kinh.
Năm 1935, các chuyên gia Gibbs, Davis và Lennox nhận ra đượ c các loạt sóng
bất thườ ng của bệnh nhân bị động kinh - ngay cả lúc chưa lên cơn. Đây là bướ c ngoặc
lớ n trong việc nghiên cứu dùng điện não đồ để chẩn đoán bệnh động kinh. Cùng năm
đó, bệnh viện lớ n tại Massachusetts bắt đầu sử dụng điện não đồ. Franklin Offner,
giáo sư lý sinh đại học Northwestern thiết k ế điện não đồ vớ i khả năng ghi nét mực
của sóng trên giấy cuộn [14].
Năm 1947, Hội Nghiên cứu điện não đồ Hoa K ỳ thành lậ p và mở hội nghị quốc
tế về điện não đồ.
Năm 1957, Aserinsky và Kleitmean trình bày điện não đồ của não người đang
mơ ngủ (cấp độ ngủ vớ i mắt di chuyển nhanh).
Có r ất nhiều nhà khoa học trên thế giới đã đi sâu vào nghiên cứu, phát minh, cải
tiến k ỹ thuật và hoàn thiện dần phương pháp ghi điện não đồ. Ví dụ như: H. Berger,
Grey, Wather, Gibbs, Jasper, Gastaut, Lennox, EA. ZhirmunsKaja, .v.v…
Đến nay đã có nhiều k ỹ thuật mớ i, hiện đại như ghi điện não có phân tích tự
động, điện não đồ ghi qua vô tuyến, .v.v… Điện não đồ đã trở thành chuyên ngành
thăm dò chức năng điện sinh lý thần kinh. Cùng với các phương tiện xét nghiệm bổ tr ợ khác, điện não đồ phát huy vai trò quan tr ọng trong công tác chẩn đoán, điều tr ị
bệnh và trong các công trình nghiên cứu của ngành y sinh học [14].
1.1.2. Cơ chế ho ạt động t ạo ra EEG
Não ngườ i có xấ p xỉ 100 tỉ tế bào thần kinh (neuron). Tế bào thần kinh gồm
thân tế bào (soma), sợ i tr ục (axon), và các sợ i nhánh (dendrites).
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
16/72
5
Hình 1.1 Tế bào thần kinh [11]
1.1.2.1. Điện thế nghỉ (Resting Potential)
Tế bào thần kinh gửi những thông tin qua quá trình điện hóa học. Những ion
quan tr ọng trong hệ thần kinh trung ương (Central Nervous System – CNS) là Na+,
K+, Ca++ và Cl-. Bên trong neuron là một môi trườ ng giàu ion K+, nồng độ K+ bên
trong nhiều hơn bên ngoài gấ p 20 lần, trong khi nồng độ ion Na+ bên ngoài neuron
nhiều hơn trong gấ p 10 lần [24]. Ở tr ạng thái nghỉ, sự chênh lệch về nồng độ ion của
một chất bên trong và bên ngoài màng tế bào làm cho các phần tử chất đó đi từ nơi
có nồng độ cao đến nơi có nồng độ thấ p cho tới khi đạt tớ i sự cân bằng động ở 2 bên
màng tế bào (hiện tượ ng này gọi là hiện tượ ng khuếch tán). Do đó K+ bên trong tế
bào có xu hướ ng dịch chuyển ra ngoài màng tế bào và Na+ có xu hướ ng dịch chuyển
vào trong. Vì đường kính K+ bé hơn đườ ng kính lỗ màng còn bán kính Na+ thì lớ n
hơn lỗ màng, do đó K+ có thể lọt qua lỗ màng còn Na+ thì không. K+ di chuyển từ
trong ra ngoài qua lỗ màng và nằm sát mặt ngoài của màng làm cho bên ngoài màng
tích điện dương so vớ i mặt trong tích điện âm (đây gọi là tính thấm có chọn lọc của
màng tế bào đối vớ i ion). Từ đó sẽ tạo ra điện thế nghỉ (điện thế nghỉ của màng neuron
lúc đang nghỉ, không phát xung thần kinh). Điện thế nghỉ này trong khoảng từ -65mV
đến -80mV [7].
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
17/72
6
Hình 1.2 Điện thế nghỉ ở màng tế bào [7]
1.1.2.2. Điện thế động (Action Potential)
Khi đượ c kích thích, kênh Na+ đượ c mở và ion Na+ có thể đi vào bên trong
màng tế bào thần kinh, khuếch tán và dần dần làm chênh lệch điện thế trong và ngoài
màng tạo nên “trạng thái đảo cực” (hay còn gọi là sự khử cực). Khi đó bên trong
màng tế bào sẽ tr ở nên dương tính hơn, k hoảng +40mV. Hiện tượng đó xảy ra trong
khoảnh khắc r ất ngắn sau khi màng tăng vọt tính thấm với ion Na+. Sau đó, ngay khi
kênh Na+ chuẩn bị đóng thì kênh K+ bắt đầu mở ra. Ion K+ nhanh chóng khuếch tán
ra ngoài tái tạo lại tr ạng thái cực hóa lúc nghỉ (gọi là tr ạng thái tái phân cực). Quá
trình biến đổi trên chính là quá trình hình thành điện thế hoạt động, gọi tắt là điện
động hay xung điện. Chính lúc Na+ vừa tràn vào, bên trong màng tích điện dương
tạo nên một dòng ion chạy từ điểm bị kích thích sang vùng lân cận mang điện tích
âm và kích thích vùng này gây nên sự thay đổi tính thấm và lại làm cho kênh Na+ lân
cận này mở ra, lại xuất hiện sự khử cực làm cho kênh K+ lại mở ra, K+ lại tràn vào
bên trong màng tế bào và cứ thế tiế p diễn làm cho xung lan truyền ra màng nơ -ron và
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
18/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
19/72
8
(postsynaptic terminal). Và ở khớ p thần kinh này dòng điện thông tin của nơ -ron có
thể bị biến đổi (synapse modulated), tăng giảm (synapse amplified), bị khóa chặt
(synapse blocked altogether) hoặc đượ c dịch thành một dạng thông tin khác (synapse
translated) [15].
Hình 1.4 Cấu trúc khớ p thần kinh [7]
1.1.2.3. Nguồn g ố c tín hiệu điện não
Vỏ não là nguồn gốc của các hoạt động điện của não thu đượ c từ bề mặt của da
đầu, các dạng khác nhau của hoạt động điện và dẫn tới trường điện thế đượ c tạo ra
bở i các tế bào thần kinh vỏ não.
Sự sắ p xế p của các tế bào ở các khu vực khác nhau trên võ não là khác nhau,
mỗi vùng có kiểu hình thái khác nhau. Hầu hết các tế bào vỏ não đượ c sắ p xế p thành
cột, trong các cột này các nơ -ron đượ c phân bố dọc theo tr ục chính của các cây dạng
nhánh, song song vớ i mỗi cây khác và tr ực giao vớ i bề mặt vỏ não.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
20/72
9
Hình 1.5 Tế bào thần kinh ở các lớ p vỏ não [7]
Vỏ não gồm các lớ p khác nhau, các lớ p này là không gian cấu trúc của tế bào
thần kinh đặc biệt, vớ i các tr ạng thái và chức năng khác nhau trong đáp ứng xung
điện. Tế bào thần kinh hình kim tự tháp (neuron pyramidal) là thành phần cấu tạo chủ
yếu của vỏ não. Điện thế EEG ghi đượ c từ các điện cực được đặt tiế p xúc vớ i lớ p da
đầu là sự tổng hợp các thay đổi về điện thế ngoài của tế bào thần kinh hình kim tự
tháp. Màng tế bào này không bao giờ trong tr ạng thái nghỉ vì nó bị tác động liên tiế p
bở i hoạt động sinh ra do các nơ -ron khác có liên k ết khớ p thần kinh. Các liên k ết xy-
náp có thể là kích thích hoặc ức chế sự thay đổi tương ứng tính thẩm thấu của màng
tế bào đối vớ i ion K+ và Cl- làm phát sinh dòng điện [7].
Dòng điện sinh ra do điện thế kích thích xi-náp sau (Excitatory postsynaptic
potential-EPSP). Điện thế xi-náp sau kích thích là sự tổng hợ p của dòng đi vào trong
màng tế bào gây ra bởi các ion dương và dòng đi ra ngoài màng tế bào dọc theo phầnmở r ộng của tế bào xy-náp bổ sung (extra-synaptic). Điện trườ ng bên ngoài tế bào là
hàm của điện thế xuyên màng.
Nguyên nhân khác là phần của màng tế bào bị khử cực bởi điện thế hoạt động
tại các thời điểm cố định nhỏ hơn so vớ i thành phần của màng tế bào đượ c kích thích
bở i một EPSP và điện thế hoạt động tồn tại trong thờ i gian ngắn hơn (cỡ 1-2ms) so
vớ i của EPSPs hoặc điện thế ức chế xy-náp sau (Inhibitorisches postsynaptisches
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
21/72
10
Potentials - IPSPs) là 10-250ms. Qua các quan điểm trình bày ở trên thì EEG thu
đượ c tại bề mặt da đầu có thể coi là k ết quả của nhiều thành phần tích cực, trong đó
có điện thế của xy-náp sau từ nơ -ron kim tự tháp là thành phần chính tạo ra tín hiệu
điện não [24].
Hình 1.6 Dòng điện sinh ra ở tế bào thần kinh [7]
Hình 1.7 Điện thế ở khớ p thần kinh [7]
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
22/72
11
1.1.3. Thu nh ận và đo tín hiệu điện não
1.1.3.1. V ị trí đặt điện cự c chuẩ n
Theo quy định quốc tế gọi là hệ thống 10-20 [23].
Ở ngườ i lớ n EEG tiêu chuẩn cho phép ghi được đồng thờ i 16 kênh tín hiệu.
Tên của các điện cực là tên của các vùng trên da đầu [23].
F (Fronto): Trán.
T (Temporal): Thái dương.
C (Central): Trung tâm.
P (Parietal): Đỉnh.
O (Occipital lobes): Thùy chẩm.
A (Earlobes): Dái tai.
Pg (Nasopharyngeal): Mũi hầu.
Fp (Fronto-polaire): Cực trán.
Các điện cực ở đườ ng giữa không được đánh số mà mà đượ c kí hiệu kèm theo
chữ “Z” (Zero). Các điện cực mang số chẵn nằm bên phải của đầu, số lẻ nằm bên trái.
1.1.3.2. Trình t ự xác định vị trí điện cự c
Vẽ đườ ng nối gốc mũi và ụ chẩm thông qua điểm giữa đỉnh đầu[23].
Nối hai điểm trướ c tai phải và trước tai trái, đườ ng nối hai điểm này sẽ cắt đườ ng
gốc mũi - ụ chẩm tại điểm Cz.
Trên đườ ng giữa (gốc mũi – chẩm) đặt hai điện cực Fz và Pz phía trướ c và phía
sau của Cz vớ i khoảng cách bằng 20% của đườ ng gốc mũi - ụ chẩm [23].
Trên đườ ng gốc mũi - ụ chẩm lấy 2 mốc Fp (cách gốc mũi 10%) và O (cách ụ
chẩm 10%).
Nối T3-Fp theo hình vòng cung, điện cực Fp1 sẽ nằm cách Fp một khoảng tỷ lệ
là 10% và F7 cách T3 và Fp1 một khoảng là 20% [23].
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
23/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
24/72
13
1.1.3.3. Phương pháp thu nhận tín hiệu điện não
Việc thu nhận các tín hiệu điện và hình ảnh từ các bộ phận của cơ thể ngườ i tr ở
thành cần thiết cho việc chẩn đoán sớ m các loại bệnh tật. Dữ liệu thu đượ c có thể dướ i dạng điện sinh học như tín hiệu điện tim (Electrocardiography - ECG), tín hiệu
điện cơ đồ (Electromyography - EMG) hay tín hiệu điện não đồ
(Electroencephalography - EEG) và từ não đồ (Magnetoencephalography - MEG)…
Các phương pháp đo đạc đượ c dùng có thể là siêu âm, chụ p cắt lớ p (Computed
Tomography – CT), hay ảnh cộng hưở ng từ (Magnetic Resonance Imaging – MRI)
hoặc cộng hưở ng từ chức năng (Functional MRI – fMRI), chụ p cắt lớ p positron
(Positron emission tomography – PET). Các hoạt động thần kinh điện đầu tiên đượ c
ghi lại bằng máy điện k ế đơn giản. Để khuếch đại sự thay đổi của các điểm, một tấm
gương đượ c sử dụng để phản xạ ánh sáng đượ c chiếu từ điện k ế lên bức tườ ng. Sau
đó, điện k ế Arsonval đượ c gắn vào một cuộn dây có thể di chuyển được, do đó ánh
sáng tập trung trên gương sẽ bị phản xạ khi cho dòng điện chạy qua cuộn dây này.
Điện k ế mao dẫn đượ c tạo ra bởi Lippmann và Marey. Điện k ế dây r ất nhạy và đo
chính xác hơn đượ c Einthoven giớ i thiệu vào năm 1903. Điện k ế này tr ở thành dụng
cụng đo chuẩn trong vài thậ p k ỷ và đượ c cho phép sử dụng ghi lại hình ảnh [23].
Các hệ thống đo tín hiệu EEG gồm số lượ ng lớn các điện cực tinh vi, các mạch
khuếch đại vi sai (cho mỗi kênh), bộ lọc và đồng hồ ghi có mũi kim chỉ. Tín hiệu
EEG đa kênh đượ c ghi lại lên tấm giấy nhẵn hoặc giấy có ô lướ i. Các tín hiệu này sau
đó đượ c số hóa nhằm phục vụ việc lưu trữ và phân tích. Số hóa tín hiệu bao gồm các
bướ c: lấy mẫu, luợ ng tử hóa và mã hóa tín hiệu. Khi số điện cực đượ c sử dụng càng
nhiều thì số lượ ng dữ liệu càng lớ n.
Quá trình biến đổi từ tín hiệu EEG tương tự sang dạng số đượ c thực hiện bở i bộ
chuyển đổi số tương tự đa kênh. Dải tần hiệu quả cho tín hiệu EEG xấ p xỉ 100Hz. Do
đó tần số lấy mẫu nhỏ nhất là 200Hz nhằm thỏa mãn quy tắc Nyquist và cũng là đủ
để lấy mẫu tín hiệu EEG. Trong một số ứng dụng các hoạt động của não đượ c quan
sát đòi hỏi độ phân giải cao hơn tần số lấy mẫu có thể lên tớ i 2000Hz. Để duy trì
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
25/72
14
thông tin chẩn đoán thì quá trình lượ ng tử hóa tín hiệu thông thườ ng phải r ất tốt. Các
hệ thống ghi tín hiệu EEG phổ biến sử dụng các mẫu tín hiệu dướ i dạng 16bits.
Các loại điện cực đượ c sử dụng trong hệ thống ghi tín hiệu điện não như: Điệncực dùng 1 lần (dạng gel), điện cực có thể đượ c sử dụng nhiều lần (vàng, bạc, thép
hoặc tin), điện cực k ẹ p và chụp đầu, điện cực đượ c nhúng mặn, điện cực dạng kim.
Khi ghi đa kênh vớ i nhiều điện cực thì điện cực dạng mũ chụp thường đượ c dùng.
Thông thường điện cực dạng mũ chụ p gồm đĩa Ag-AgCl có đườ ng kính nhỏ hơn
3mm, vớ i các cực linh hoạt có thể gắn vào bộ khuếch đại. Điện cực kim phải đượ c
cắm dướ i vỏ não với độ sâu nhất có thể. Để đảm bảo việc ghi tín hiệu điện não chính
xác, tr ở kháng của điện cực phải nhỏ hơn 5kOhm, tốt nhất là 1kOhm nhằm cân bằng
với các điện cực khác trong mũ. Tương ứng vớ i từng cấu trúc lớ p và xoắn của não sự
phân bố các điện cực lên da phù hợ p [23].
1.1.4. Các thành ph ần sóng tr ong tín hi ệu điện não
Việc thu nhận tín hiệu từ các máy đo ở khoảng tần số tùy thuộc vào mỗi thiết
bị, ví dụ như: Emotiv EPOC EEG tần số khoảng 128Hz, NeuroSky MindWave EEG
khoảng 512Hz, hệ thống Harmonic (Stellate) tần số lấy mẫu khoảng 2000Hz. Sóngmà ta thu nhận đượ c là tậ p hợ p r ất nhiều thành phần sóng khác nhau, ở những khoảng
tần số khác nhau. Mỗi một thành phần sóng thể hiện các hoạt động khác nhau của
não bộ.
Có năm thành phần sóng chính delta (δ), theta (θ), alpha (α), beta (β), gamma
(γ). Khoảng tần số của mỗi sóng delta 0 – 4 Hz, theta 4 – 8 Hz, alpha 8 – 12 Hz, beta
12 – 30 Hz và gamma lớn hơn 30 Hz, nhịp Muy Rolando (μ) [23].
1.1.4.1. Dải t ần Delta
Tần số dướ i 4Hz.
Biên độ thay đổi, tr ẻ em sơ sinh biên độ thấ p, tr ẻ em 1-3 tuổi có biên độ cao
hơn và có thể lên tới 100μV.
Trong giấc ngủ (đặc biệt là giai đoạn 3-4 của giấc ngủ) hoặc trong các trườ ng
hợ p bệnh lý có sóng delta cao hoặc r ất cao.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
26/72
15
Dạng sóng delta cũng biến đổi, nhìn chung có dạng hình sin, sóng delta xuất
hiện đơn dạng hoặc đa dạng. Sóng delta xuất hiện tương đối cố định ở vùng
nào đó trong tổn thương khu trú. Việc xuất hiện r ải rác các sóng delta xen k ẽ
tất cả các kênh là biểu hiện của tổn thương lan tỏa.
Theo lứa tuổi thì việc xuất hiện sóng delta mang những ý nghĩa khác nhau.
Dướ i 3 tuổi sóng delta là sóng sinh lý, trên 3 tuổi sóng delta xuất hiện mang ý
nghĩa bệnh lý [23].
Hình 1.9 Dải tần Delta [17]
1.1.4.2. Dải t ần Theta
Tần số 4-8Hz.
Chủ yếu xuất hiện ở tr ẻ em dướ i 10 tuổi và sau đó giảm dần, ở người trưở ng
thành chỉ còn r ất ít và đối xứng ở vùng trán thái dương hai bên.
Biên độ trung bình 50μV.
Vị trí xuất hiện chủ yếu ở vùng trướ c hai bên.
Tùy theo lứa tuổi và điều kiện xuất hiện của sóng theta mà chúng được đánh
giá là bệnh lý hay nhịp cơ bản. Vớ i ngườ i lớ n, sóng theta chỉ còn r ất ít ở vùng
trướ c của hai bên bán cầu. Tuy nhiên trong giấc ngủ hoặc khi gây mê, thì k ể
cả người trưở ng thành, nhị p theta chiếm chủ đạo trong bản ghi EEG [23].
Hình 1.10 Dải tần Theta [17]
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
27/72
16
1.1.4.3. Dải t ần Alpha
Đượ c phát hiện ra bở i Berger 1929, Adrian, Mathews 1934.
Sóng alpha có tần số 8-13Hz. Biên độ trung bình 30-70μV, và có thể đạt tới 100μV nhưng rất hiếm.
Sóng alpha có dạng hình sin.
Vị trí: Người trưở ng thành khỏe mạnh trong điều kiện ghi đảm bảo k ỹ thuật,
sóng alpha xuất hiện có chuỗi hình thoi, tậ p trung nhiều ở vùng chẩm, chẩm
đỉnh, thái dương sau [23].
Sóng alpha bị ức chế khi mở mắt, khi có kích thích xúc giác, vận động và các
hoạt động trí óc. Ngượ c lại sóng nãy tr ở nên rõ r ệt khi nhắm mắt và thư giãn.
Hình 1.11 Dải tần Alpha [17]
1.1.4.4 Dải t ần Beta
Tần số 14-30Hz, ít khi vượ t quá 35Hz.
Biên độ ít khi vượt quá 35μV.
Dạng sóng hình sin.
Xuất hiện chủ yếu ở vùng trán và trung tâm.
Sóng beta được tăng cường trong lao động trí óc, trong tình tr ạng hưng phấn
hoặc lo âu. Sóng beta bị ức chế khi có kích thích vận động và xúc giác.
Ngoài ra beta chiếm ưu thế trong phản ứng Berger [23].
Hình 1.12 Dải tần Beta [17]
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
28/72
17
1.1.4.5. Dải t ần Gamma
Tần số trên 30Hz. Và tần số đặc trưng của sóng là 40Hz. Đôi khi còn đượ c gọi
là sóng Beta nhanh. Sóng này có biên độ r ất thấ p và sự xuất hiện của nó là r ất hiếm.
Sự xuất hiện của sóng gamma là biểu hiện của bệnh lý liên quan tới não, đặc
biệt là bệnh động kinh.
Vùng phát hiện những sóng có tần số cao và cấp độ cao nhất của lưu lượ ng
máu não (cũng như sự hấ p thụ oxy và glucose) thườ ng ở vùng giữa trán (fronto
central) [23].
Hình 1.13 Dải tần Gamma [17]
1.1.4.6. Nhịp Muy Rolando (μ)
Tần số, biên độ giống sóng alpha.
Dạng sóng có hình cung với đườ ng xuống nhọn và đườ ng kính lên hình vòm.
Vị trí xuất hiện ở vùng Rolando.
Nhị p bị ức chế bở i các hình thức vận động tự chủ hoặc phản xạ, các kích thích,
xúc giác, đặc biệt khi nắm chặt tay.
Nhị p không bị ảnh ưở ng bở i kích thích của ánh sáng, hay gặ p trong bệnh nhân
đau đầu, r ối loạn tâm thần [23].
Hình 1.14 Nhị p Muy [17]
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
29/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
30/72
19
Giai đoạn co cứng kéo dài khoảng một phút, có cứng toàn bộ các tứ chi,
cơ ở thân, ngực, hai tay co, chân duỗi. Hậu quả có thể cắn lưỡi, ngưng
thở và tím tái.
Giai đoạn co giật cơ, giật cơ từng đợt đều đặn có nhị p, hai mắt tr ợ n tr ừng,
nhấ p nháy, miệng sùi bọt mép.
Giai đoạn hôn mê, lú lẫn: sau giai đoạn co giật ngườ i bệnh rơi vào trạnh
thái hôn mê, thở gấ p, tiểu tiện mất kiểm soát. Sau khi tỉnh thì cảm thấy
mệt mỏi, đau đầu [19].
1.2.2.2. Động kinh cục bộ đơn giản
Không r ối loạn ý thức, biểu hiện các triệu chứng về vận động cảm giác,
giác quan, thần kinh thực vật hoặc tâm thần.
Động kinh cục bộ vận động là sự co cứng một phần cơ thể sau đó có thể
giữ nguyên vị trí hoặc lan r ộng đến vùng xung quanh.
Động kinh cảm giác, giác quan: các r ối loạn cảm giác, giác quan tại khu
vực cục bộ. Triệu chứng thần kinh thực vật thì liên quan tớ i r ối loạn ngônngữ, trí nhớ , nhận thức, cảm xúc, tri giác [22].
1.2.2.3. Động kinh cục bộ phứ c t ạ p
Có r ối loạn ý thức trong cơn, thườ ng bắt đầu từ cục bộ đơn giản sau đó dần mất
ý thức, bệnh nhân sững sờ , mất tiế p xúc với môi trường xung quanh, đáp ứng không
chính xác vớ i các kích thích bên ngoài, có những hành vi mang tính chất tự động
không mục đích, sau khi dừng cơn thì ngườ i bệnh không nhớ những gì xảy ra trướ cđó, cơn động kinh có thể kéo dài từ 2 phút đến hàng giờ [22].
1.2.2.4. M ấ t ý thứ c t ạm thờ i
Đặc trưng bở i sự đột ngột mất ý thức, ngừng mọi hoạt động trong thờ i gian r ất
ngắn vài chục giây. Lúc đó họ đờ đẫn, mắt nhìn vô hồn, đánh rơi vật dụng trên tay
hoặc buông lỏng người, điều này r ất nguy hiểm cho hoạt động cần đến sự chú ý như
điều khiển phương tiện giao thông, bơi lội, hay làm việc ở những nơi có độ cao.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
31/72
20
1.2.2.5. Động kinh thái dương
Động kinh này đượ c gọi là động kinh tâm thần, r ất phức tạ p và r ất giống các
triệu chứng tâm thần, như trạng thái lo âu, hoảng sợ , hồi hộ p, bất an.1.2.4. Tín hi ệu điện não tr ong b ệnh động kinh
Để phát hiện một bệnh nào đó bằng tín hiệu EEG, điều quan tr ọng là phải lưu ý
đến các dạng phức hợ p của tín hiệu như: đỉnh, dạng sóng, v.v...
Để nhận dạng bệnh động kinh dựa vào sóng đỉnh và sóng nhọn (sharp/spike
wave)
Sóng đỉnh: dựa vào phân tích thờ i gian ngắn (transient) có thể phân biệt
các hoạt động nền với các điểm đỉnh (point peak), trong khoảng thờ i gian từ 20-70ms,
hầu hết đều là sóng chậm (hình 1.15).
Sóng nhọn tương tự cũng dựa vào phân tích thờ i gian ngắn, trong
khoảng từ 70-200ms (hình 1.15).
Hình 1.15 Đỉnh và sóng nhọn
Căn cứ vào các đỉnh và sóng nhọn k ết hợ p vớ i những quan sát về mặt thực
nghiệm người ta đưa ra cái nhìn tổng quát về các bệnh động kinh cũng như các tín
hiệu EEG kèm theo nó, ở đây chỉ nêu ra những dạng tín hiệu EEG cơ bản của bệnh,
nên chỉ là khái quát mà không đi vào cụ thể.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
32/72
21
Dạng động kinh đột biến và tăng liên tục như hình 1.16.
Hình 1.16 Dạng sóng động kinh đột biến Hypsarrhythmia: là chứng co thắt, co giật ở tr ẻ em, đặc tính là sự ngẫu
nhiên trong tín hiệu và điện áp của nó r ất cao (khoảng 300 µV).
Hình 1.17. Chứng Hypsarrhythmia trong động kinh ở tr ẻ em
Động kinh k ịch phát: là chứng co giật toàn thân lặp đi lặ p lại trong
khoảng từ 8-20Hz (hình 1.18).
Hình 1.18 Tín hiệu động kinh k ịch phát
Các phóng điện dạng động kinh lệch bên theo chu k ỳ (PLEDS –
Periodic Lateralized Epileptiform Discharges).
Động kinh thùy trán: là dạng động kinh phức tạp kèm theo đó là những
cơn phóng điện từ khu vực lân cận (hình 1.19).
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
33/72
22
Hình 1.19 Động kinh thùy trán
1.2.5. D ao động t ần s ố cao (High Frequency Oscill ations – HFOs) trong tín h i ệu
động kinh
Dao động tần số cao xuất hiện trong tín hiệu điện não là một dấu hiệu chỉ ra
vùng khởi phát cơn động kinh (Seizure Onset Zone – SOZ)[2]. Vùng khởi phát cơn
động kinh là một khu vực của vỏ não, nơi mà khở i phát ra một cơn động kinh cục bộ.
Trước đây, các nhà khoa học tậ p trung nhiều vào việc xác định vị trí của giai đoạn co
giật (ictal) và giai đoạn giữa các cơn co giật (interictal) bằng gai và sóng chậm (spike
and low-wave). Nhưng hiện nay, các dữ liệu điện não thu đượ c bằng các hệ thống có
khả năng thu tín hiệu vớ i tần số cao (trên 1000Hz) và đượ c thu ở nhiều vị trí (hơn
100 vị trí). Vì vậy, việc phân tích các dữ liệu liên tục gần đây có thể thực hiện đượ ctại miền tần số cao của phổ năng lượng chưa từng thấy trước đây. Những nghiên cứu
trước đây của những dao động tần số cao ở những giai đoạn giữa các cơn co giật đã
cho thấy đây có thể là dấu hiệu mớ i của bệnh động kinh, và nó có độ nhạy cao hơn là
sử dụng gai và sóng chậm. Các nhà khoa học cho r ằng những vùng não thườ ng duy
trì những HFOs tái phát có thể là những vùng khởi phát động kinh tương ứng. Trên
thực tế, tỷ lệ gai động kinh đượ c tìm thấy không thay đổi trong khi tỷ lệ của dao động
tần số cao ở giai đoạn giữa các cơn động kinh thì giảm sau khi sử dụng thuốc. Thuốc
chống động kinh (Antiepileptic drug – AED) làm giảm khả năng xảy ra cơn động
kinh, và nếu tỷ lệ của gai ở giai đoạn giữa các cơn co giật không bị ảnh hưở ng bở i
AED thì những sóng gai đó không còn là dấu hiệu đáng tin của bệnh nhân động kinh
đó. Do đó các dao động tần số cao bắt đầu đượ c các nhà khoa học quan tâm [2].
Phổ tần số có chứa HFOs đượ c chia làm hai loại là g ợ n sóng (Ripples) từ 80-
200Hz và g ợ n sóng nhanh (Fast Ripples) từ 200-500Hz, qua đó xác định đượ c những
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
34/72
23
dấu hiệu sinh học tiềm năng của SOZ. Tuy nhiên, HFOs đượ c ghi nhận r ằng chúng
có khả năng xuất hiện ở người bình thường cũng như xuất hiện ở bệnh nhân động
kinh, do đó làm cho việc phân biệt các dao động tần số cao của ở tín hiệu EEG ngườ i
bình thườ ng và tín hiệu EEG của ngườ i bệnh tr ở nên khó khăn. Một giả thiết đượ c
vài nghiên cứu đưa ra là HFOs gợ n sóng phản ảnh sinh lý bình thườ ng, và HFOs gợ n
sóng nhanh phản ánh tín hiệu EEG bệnh lý (pathologic HFOs – pHFOs). HFOs có
tần số từ 80-500Hz , kèo dài 3-6 chu k ỳ, và cường độ của độ lệch chuẩn (standard
deviation – STD) khoảng 3-5 từ đườ ng gốc dao động tại cùng vị trí và cùng dải tần
số.
Trong trườ ng hợ p bệnh động kinh cục bộ, sự k ịch phát cơn co giật thườ ng khu
trú ở một vùng vỏ não duy nhất nhưng sự kích thích tế bào thần kinh trong suốt quá
trình hoạt động co giật có thể truyền sang khu vực khác. Nếu pHFOs được xác định
vị trí và giải thích một cách chính xác, có thể chứng minh là một bướ c tiến đáng kể
trong việc điều tr ị phẫu thuật bệnh động kinh cục bộ, bằng cách xác định mục tiêu cụ
thể hơn để phẫu thuật [2].
1.2.6. Xác đị nh các dao động t ần s ố cao
Những HFOs có thể đượ c thu bằng phương pháp xâm lấn để lấy tín hiệu EEG
nội sọ (intracranial EEG – iEEG hay Electrocorticography – ECoG) sử dụng các cực
lưới dướ i màng cứng (subdural grid/strip) và những điện cực sâu (depth electrodes).
Hình 1.20 Cực lưới dướ i màng cứng (subdural grid/strip) [17]
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
35/72
24
Hình 1.21 Điệc cực sâu (depth electrode) [21]
iEEG có thể cho chúng ta biết đượ c chính xác những hoạt động thần kinh đượ c
thu từ vỏ não và bên trong não bộ của những bệnh nhân bị động kinh khó chữa. Những
nghiên cứu gần đây cho thấy những xung HFOs trong dải tần 40-200Hz và từ 80-
150Hz có thể thu đượ c bằng phương pháp thu EEG từ ngoài da đầu [10].
Các phân tích tr ực quan trước đây đã cho ta hiểu được đúng và đầy đủ về mối
quan hệ của HFOs vớ i bệnh động kinh. Tuy nhiên, phương pháp thủ công này thiếu
hấ p dẫn, đặc biệt là đối vớ i việc phân tích vớ i bản thu EEG dài và đa kênh, tốn thờ i
gian (tốn khoảng 10 giờ cho việc đánh dấu HFOs trong bản thu 10 phút của 10 kênh
EEG), không những thế phương pháp này còn mang tính chủ quan. Ngoài ra, khi
kiểm tra tr ực quan còn có thể bỏ sót một vài HFOs nhỏ thực tế. Việc xử lý HFOs tr ực
quan cũng có thể dễ gây ra lỗi và nó đòi hỏi việc tậ p trung tinh thần cao độ và trình
độ cũng như kinh nghiệm của ngườ i xử lý. Vì vậy, phương pháp phát hiện ra HFOsmột cách tự động và đáng tin cậy có thể sẽ hữu ích hơn, nhanh hơn, nhất quán và
khách quan hơn là việc xác định tr ực quan. Hơn nữa, phần mềm tự động là r ất quan
tr ọng và cần thiết cho nghiên cứu, điều tra và xác định HFOs có hệ thống trong quy
mô lớ n [10].
Trong phạm vi nghiên cứu, đề tài này sử dụng phương pháp mô hình vết nổi để
tìm ra HFOs nhằm xác định tín hiệu iEEG có cơn động kinh hay không.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
36/72
25
1.3. K ết luận
Chương này đã trình bày tóm tắt lý thuyết về tín hiệu điện não cũng như về bệnh
động kinh. Điện não đồ là một phương pháp thăm dò chức năng hoạt động sinh lýcủa tế bào não, thông qua việc ghi lại các điện thế phát sinh trong các tế bào thần kinh
trong quá trình dẫn truyền các xung động thần kinh. Từ việc so sánh sự khác nhau
các dạng sóng thu đượ c vớ i các dạng sóng chuẩn, các nhà nghiên cứu hoặc bác sĩ có
thể đưa ra đượ c các chẩn đoán về tình tr ạng bệnh lý chính xác hơn và đặc biệt ở đây
là bệnh động kinh. Có nhiều dấu hiệu cho thấy đượ c sự khác biệt giữa tín hiệu điện
não của ngườ i bị động kinh và người bình thườ ng, mà dấu hiệu đượ c các nhà nghiên
cứu đang quan tâm hiện nay là các dao động tần số cao. Vì vậy, các nhà khoa học đã
nghiên cứu ra nhiều thuật toán để phân tích nhằm tìm ra các dao động tần số cao này
và thuật toán mô hình vết nổi (Bumps Modeling) là một trong số đó. Trong chương
tiế p theo, đề tài sẽ trình bày cụ thể về thuật toán mô hình vết nổi.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
37/72
26
Chương 2 THUẬT TOÁN MÔ HÌNH VẾT NỔI
(BUMPS MODELING)
Thuật toán mô hình vết nổi đượ c dùng để miêu tả lại bản đồ thờ i gian – tần số
bằng những hàm cơ bản. Mục đích là để giảm đi một lượ ng lớ n số lượ ng tham số (từ
hàng nghìn) bằng việc miêu tả lại bản đồ này thành một tổng của các hàm tham số
(từ vài hàm tham số). Phương pháp này có phần tương tự vớ i các loại thuật toán
Matching Pursuit (Mallat & Zhang, 1993). Thay vì áp dụng tr ực tiế p lên tín hiệu như
Matching Pursuit thì mô hình vết nổi đượ c áp dụng việc mô hình hóa trên tín hiệu đã
đượ c biến đổi wavelet liên tục theo miền thờ i gian – tần số. Ở chương này, bản đồ miền thờ i gian – tần số sẽ được xác định đầu tiên, các việc tiền xử lý sẽ đượ c trình
bày tiế p theo và cuối cùng phương pháp mô hình vết nổi sẽ đượ c áp dụng vào bản đồ.
2.1. Bản đồ thờ i gian – tần số ( Time – Frequency Maps)
Biến đổi wavelet liên tục của hàm τ được xác định như sau:
,
∫
τ
+∞−∞
∗
−t
τ (1)
Vớ i:
∗τ : liên hợ p phức của hàm wavelet mẹ τ.t : tham số dịch.
s : tham số tỷ lệ (s càng nhỏ wavelet đượ c nén càng mạnh).
Trong thực tế, tín hiệu τ đượ c lấy mẫu ở một tần số biết trướ c. Tham số tỷ lệ tác động lên tần số trung tâm f của phổ Fourier của wavelet. f sẽ được xem như là
tần số của wavelet [3].
Một bản đồ thờ i gian – tần số Ω là một sự biểu diễn 3 chiều thích hợ p của các
k ết quả của biến đổi wavelet của tín hiệu đượ c lấy mẫu. Tr ục x biểu diễn τ, và giá tr ị của nó phải là bội số của chu k ỳ lấy mẫu; do đó, trục ngang cơ bản là tr ục thờ i gian.
Tr ục y là tr ục tần số, các giá tr ị r ờ i r ạc của tham số tỷ lệ đượ c chọn trong các bướ c
của tần số hoặc các bướ c logarit của tần số, dọc theo tr ục và có một giá tr ị đượ c xác
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
38/72
27
định trướ c. Độ lớ n của tín hiệu đã đượ c biến đổi wavelet là một giá tr ị nhất địnhtại tần số f và độ dịch t đượ c biểu diễn trên tr ục z .
Có r ất nhiều loại wavelet, nhưng trong đề tài nay, Complex Morlet wavelet đượ cáp dụng vào thuật toán. Những wavelet Complex Morlet là thích hợ p nhất để phân
tích các tín hiệu điện não theo miền thờ i gian - tần số. Các wavelet Complex Morlet
được xác định như sau:
√ (2)
Vớ i:w : Wavelet Complex Morlet;
: Độ lệch chuẩn (bề r ộng băng tần); : Tần số trung tâm.t : Thờ i gian.
Hệ số và phải đượ c chọn một cách thích hợ p, không đượ c chọn 2 hệ số này một cách độc lậ p, tích 2 để xác định số dao động trong wavelet(xem hình 2.1). Trong đề tài này, wavelet được xác định vớ i 2 7.Vớ i 2.0558 và vớ i 0.5874 [10].
Hình 2.1 Phần thực của w(t) (Bên trái 2 7 và bên phải 2 14)Phổ Fourier của một Morlet wavelet là hàm Gaussian với độ lệch chuẩn [1].
. (3)
Từ đó suy ra: (4)
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
39/72
28
Như vậy, ở tần số càng cao, thì phổ tần của nó sẽ r ộng hơn nhưng bề r ộng ở tr ục
thờ i gian sẽ hẹp hơn (xem hình 2.2).
Hình 2.2 Thờ i gian và tần số mở r ộng của wavelet trong bản đồ thờ i gian-tần số [1].
2.2. Tiền xử lý bản đồ thờ i gian tần số
2.2.1. Gi ảm s ố t ần s ố l ấ y m ẫ u (Down-sampling)
Các tín hiệu điện não thường đượ c lấy mẫu vớ i tần số cao hơn nhiều tần số
muốn phân tích, và sẽ cho độ phân giải của tín hiệu điện não r ất cao. Nhưng điều này
là không cần thiết khi thực hiện phân tích EEG ở những tần số thấ p và tốn thờ i gian
hơn trong việc phân thích. Vì thế việc giảm tần số lấy mẫu thì cần thiết cho việc giảm
thờ i gian phân thích. Việc giảm tần số lấy mẫu này phải thỏa định lý Nyquist.
Ví du: Tín hiệu điện thế trườ ng trung tâm (Local field potential - LFP) đượ c lấymẫu ở tần số 2000Hz thì sẽ cho ta một bản đồ thờ i gian – tần số với độ phân giải cao
không cần thiết cho việc phân thích dải tần từ 15-100Hz. Từ đó, các bản đồ thờ i gian
tần số sẽ đượ c giảm số lượ ng mẫu đi còn 1/10. Tức là tần số lấy mẫu sẽ còn 200Hz
và đáp ứng đủ điều kiện theo định lý Nyquist (tần số lấy mẫu ≥ 2 lần tần số cao) [3].2.2.2. Chu ẩ n hóa
Vì các bản đồ thờ i gian – tần số của tín hiệu LFP có năng lượ ng ở vùng tần số
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
40/72
29
thấ p lớn hơn nhiều ở vùng tần số cao. Từ việc thuật toán mô hình vết nổi xác định
được vùng đầu tiên có năng lượ ng cao nhất, thì nếu tín hiệu không đượ c chuẩn hóa,
các vùng ở tần số thấ p sẽ có lợ i cho mô hình hóa các vết nổi, mà điều này không cần
thiết cho việc phân tích sóng điện não ở tần số cao. Nên việc chuẩn hóa các hệ số của
bản đồ thờ i gian – tần số (quá trình này còn đượ c gọi là “biến đổ i z- score”) trong quá
trình tiền xử lý này là bắt buộc [3].
Tần số bên trong bản đồ do đó đượ c cân bằng bở i việc chuẩn hóa và biến trung
tâm được xác định:
−
(5)
Vớ i: là giá tr ị trung bình và là độ lệch chuẩn của ở tần số f qua mộtcửa sổ thờ i gian. có thể âm nếu các hệ số nhỏ hơn . Công thức chuẩn hóađôi khi được dùng để khử nhiễu trong bản đồ EEG miền thờ i gian – tần số. Để giá tr ị
chuẩn hóa luôn dương, thì việc tiế p theo chúng ta phải làm là dịch các hệ số theo chiều dương. Bằng cách thêm 2 đơ n vị vào (tức là dịch giá tr ị của lên 2
độ lệch chuẩn) và xét cho các giá tr ị âm bằng 0. Độ suy giảm (được xác định ở công thức (6)) thì không đáng kể [3]. ∑ ∑ (+)−+== (6)
Hình 2.3 sẽ cho ta thấy biểu đồ đặc trưng của : không có giá tr ị nào của nhỏ hơn -2, phân bố có thể đượ c cắt dướ i -2 mà không có sự mất mát thông tin nào.
Hình 2.3 Phân bố hệ số wavelet chuẩn hóa
của một bản đồ đặc trưng, trướ c khi
dịch chúng theo chiều dương thì tất cả giá tr ị của đều lớn hơn -2 [1].
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
41/72
30
2.2.3. X ử lý nhi ễ u
Nhiễu xuất hiện trong tín hiệu từ nhiều nguồn khác nhau:
-
Nhiễu do phát sinh từ các k ỹ thuật ghi tín hiệu.
- Các thành phần phát sinh ra do việc biến đổi theo miền thờ i gian – tần số.
Các loại nhiễu đầu tiên hiếm khi xuất hiện trong trong các tín hiệu LFP, và có
thể đượ c khử bằng cách sử dụng một ngưỡng biên độ hoặc qua kiểm tra tr ực quan.
Các thành phần phát sinh từ việc biến đổi wavelet cũng phải đượ c xem xét. Về
cơ bản, biển đổi wavelet gây ra hiệu ứng biên tại các đầu của tín hiệu. Do đó, một
phần của bản đồ đượ c phân tích phải kèm theo một vùng biên, nơi các thành phần lạ
có thể xuất hiện, phần này sẽ đượ c mô tả trong mục 2.3.1.
2.3. Thuật toán mô hình vết nổi
Trong phần này, sự mô hình hóa bản đồ bằng thuật toán mô hình vết nổi sẽ đượ c
trình bày một cách chi tiết. Một k ết quả điển hình của phương pháp này đượ c biểu
diễn ở hình 2.4, hình phía trên là bản đồ thờ i gian – tần số của tín hiệu điện não đượ c
thu đượ c từ một con chuột đã đượ c huấn luyện và thuần hóa, và hình ở dướ i là k ết
quả của thuật toán mô hình vết nổi của bản đồ ở trên. Bản đồ đượ c mô hình hóa theo
thuật toán này đượ c biểu diễn bở i 35 tham số ( 5 hệ số mỗi vết nổi), trong khi bản đồ
thờ i gian – tần số gốc lên tớ i 9,000 giá tr ị của tín hiệu sau khi biến đổi wavelet (90 bướ c tần số, 100 bướ c thờ i gian).
Mục đích của thuật toán là để xấ p xỉ một bản đồ thờ i gian – tần số bằng tổng
của hàm tham số cơ bản biết trước đượ c gọi là hàm vết nổi. Các tham số của hàmvết nổi được đưa vào để giảm thiểu lỗi trong việc mô hình hóa. Đối vớ i mỗi tín hiệuthuật toán thực hiện các bước sau đây [3]:
(i) Xác định biên của bản đồ để tránh hiệu ứng biên.
(ii) Chia bản đồ thành các cửa sổ (cửa sổ hóa - windowing) để xác định vùng
thực hiện mô hình hóa.
(iii) Tìm vùng có chứa lượng năng lượ ng lớ n nhất.
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
42/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
43/72
32
tần số cao, wavelet có bề r ộng thờ i gian hẹ p (độ phân giải thời gian cao), nhưng phổ
tần số lớn hơn (độ phân giải tần số thấp), và ngượ c lại ở tần số thấ p. Biểu đồ thờ i gian
– tần số được mô hình hóa như thế, đặc trưng bở i:
- Tần số phụ thuộc độ phân thờ i gian được xác định bở i (4):
Suy ra: ,- Chu k ỳ thờ i gian, tương ứng vớ i thờ i gian của một dao động về mặt
sinh học có liên quan đến điện thế trườ ng trung tâm LFP: như một dao động đượ c
định nghĩa như là một tín hiệu LFP hình sin kéo dài ít nhất P chu k ỳ, vớ i 3 ≤ ≤ 4.Trong thuật toán này, P=4 chu k ỳ đượ c sử dụng. Trong tất cả những phần sau đây,thuật ngữ “dao động” sẽ đượ c sử dụng để chỉ một dao động sinh học tương ứng [3].
Tùy thuộc vào hai tham số, chiều cao và chiều r ộng của vết nổi, thể hiện bằng
số “ pixel ” của bản đồ (tức là số lượ ng các hệ số của việc khai triển wavelet của tín
hiệu, sau khi tiền xử lý ở đã đượ c mô tả ở phần 2.2), sẽ nhận các giá tr ị khác nhau
cho mỗi vết nổi. Từ biểu đồ thờ i gian – tần số đượ c tạo ra từ các dao động kéo dài từ
3-4 chu k ỳ đượ c tìm kiếm, các cửa sổ trượt dưới đây sẽ đượ c áp dụng:
- Chiều dài thờ i gian L của một cửa sổ có tâm tại tần số f bằng khoảng
thờ i gian của dao động:
(7)
Vì vậy, tỷ số giữa chiều dài thờ i gian L của cửa sổ với độ phân giải thờ i gian
của wavelet tại tần số đó là
/
;
- Chiều dài tần số H của cửa sổ là tỷ số giữa chính nó và độ phân giải tần
số của wavelet cũng bằng:
;
Từ đó suy ra: 9 (8) Những giá tr ị này đượ c tính cho mỗi điểm của bản đồ thờ i gian – tần số (bên
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
44/72
33
trong phần biên đã được xác định ở trên). Như vậy, đối vớ i mỗi điểm trên bản đồ ta
thu đượ c một cửa sổ thờ i gian – tần số được đặt tại tâm của điểm đó. (Xem hình 2.5)
Hình 2.5 Cách xác định cửa sổ trượ t và xác định biên thờ i gian, tần số khi P =4 [1].
Vùng màu xám là bản đồ đượ c thực hiện. và ℎ là tần số thấ p nhất và tần số cao nhất của dải tần mà ta phân tích. Hình chữ nhật màu xám đậm là cửa sổ trượ t.
Cửa sổ được đặt tại tâm của tất cả các điểm nằm giớ i hạn trong vùng khảo sát
(vùng màu xám nhạt) của bản đồ đượ c mở r ộng ra ngoài lề, do kích thướ c của bản đồ
ở miền thờ i gian và tần số đượ c mở r ộng, đượ c thể hiện ở hình 2.5.
2.3.3. Tìm c ử a s ổ l ớ n nh ấ t
Tổng độ lớ n của các điểm đã đượ c chuẩn hóa trong một cửa sổ mô tả số lượ ng
dao động có trong cửa sổ đó. Thuật toán mô hình vết nổi tìm cửa sổ có chứa số lượng dao động lớ n nhất: vớ i mỗi cửa sổ , tổng S độ lớ n của các “ pixel ” ∑ , ∈ trong cửa sổ đó sẽ đượ c tính; việc tính tổng sẽ tính cho tất cả các cửasổ trong bản đồ. Cửa sổ vớ i lớ n nhất sẽ đượ c chọn để mô hình hóa [3].2.3.4. Đưa hàm v ế t n ổ i vào b ản đồ
Trong bản đồ đượ c chọn, một hàm vết nổi , được đưa vào, bắt đầu vớ imột vết nổi tr ải r ộng trên toàn bộ cửa sổ. Việc xác định hàm vết nổi đượ c tham khảo
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
45/72
34
trong [2]. Thuật toán này sẽ chọn hàm vết nổi là hàm “half -ellipsoid” sau:
, √ 1 tại0 ≤ ≤ 1 (9)
, 0 tại > 1 Vớ i:
( ) ( )/ /
và là tọa độ của tâm ellipsoid, và lần lượ t là bán kính tr ục tần số vàtr ục thờ i gian, và a là biên độ của hàm. Do vậy, hàm vết nổi có 5 thông số thỏa điều
kiện sau:
- > 0, > 0 và các tọa độ của vết nổi này phải nằm trong cửa sổ.- 0 < < , 0 < < , vớ i L và H là chiều r ộng và chiều cao của cửa
sổ, đượ c tính ở công thức (7) và (8).
- > 0.- f và t lần lượ t là vị trí tần số và thờ i gian của tâm cửa sổ trong bản đồ đã
đượ c chuẩn hóa.
Trong qua trình thực hiện đưa hàm vết nổi vào, các thông số của hàm đượ c tối
ưu hóa thỏa điều kiện ở trên bằng một “ gradient descent ” bậc hai sử dụng phương
pháp Broyden – Fletcher – Goldfarb – Shanno (BFGS) để tối thiểu hóa hàm chi phí. Hàm
chi phí đượ c tối ưu hóa được định nghĩa như sau:
∑ , ,∈ (10)Vớ i tổng chạy trên tất cả các “ pixel ” trong cửa sổ W đang thực hiện thuật toán.
Ví dụ, nếu là một hàm half-ellipsoid, C tr ở thành: ∑ ( , ; , , , , ),∈ (11)
Vớ i tổng chạy trên tất cả các “ pixel ” trong cửa sổ W đang thực hiện thuật toán,
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
46/72
35
và , , , , là tham số của hàm.
Hình 2.6 Hàm vết nổi Half-ellipsoid, vớ i 5 tham số (a, , , , ) [1].Do vậy, các bản đồ thờ i gian – tần số đượ c mô hình hóa bằng vết nổi đượ c giớ i
hạn cho một “dao động sinh học tương ứng” vớ i thời lượ ng kéo dài tớ i 4 chu k ỳ hoặc
ít hơn. Dao động có chu k ỳ dài hơn sẽ đượ c mô hình hóa bằng 2 vết nổi hoặc nhiều
hơn. Biên độ a bắt buộc phải có giá tr ị dương. Giá tr ị hàm chi phí của một vết nổi sau
khi thực hiện tuật toán đượ c gọi là “modeling error ” của vết nổi.
Sau việc đưa hàm vết nổi vào, nếu có một mô hình nào mở r ộng ra bên ngoài
cửa sổ của nó (ví dụ, bở i vì tâm của mô hình được đưa vào cách xa tâm của cửa sổ),
thì cửa sổ sẽ tự đượ c dịch theo vết nổi (trong giớ i hạn biên của bản đồ). Khi k ết thúc
việc đưa mô hình vào, thì vết nổi đó cũng đượ c tr ừ tr ực tiế p trên bản đồ thờ i gian –
tần số, và quá trình sẽ đượ c lặ p lại vớ i các mô hình sau [3].
2.3.5. Tiêu chu ẩ n k ế t thúc
Thông thườ ng, trong mô hình hóa tín hiệu, phải có một sự cân bằng giữa độ
chính xác và tính hợp lý (còn đượ c gọi là “bias-variance dilemma”): nếu số lượ ng các
vết nổi trong bản đồ quá thấ p, thông tin sẽ bị thất thoát; nếu số lượ ng vết nổi quá lớ n
thì nhiễu cũng sẽ đượ c mô hình hóa, từ đó các thông tin không liên quan cũng đượ c
đưa vào mô hình. Việc cân bằng này có thể đượ c thực hiện theo hai phương pháp:
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
47/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
48/72
-
8/15/2019 APPLICATION OF BUMP MODELLING ALGORITHM FOR DETECTION OF HIGH FREQUENCY OSCILLATIONS (HFOs) IN EEG WITH AND WITHOUR SEIZU…
49/72
38
việc đánh giá cho phẫu thuật động kinh. iEEG thu đượ c từ các điện cực cấy sâu dọc
theo tr ục trướ c sau của thùy hải mã (Hippocampus) và từ lướ i 16 điện cực màng cứng
ở các vị trí khác nhau. Tỷ lệ lấy mẫu khác nhau từ 500Hz đến 5000Hz. Cơ sở dữ liệu
này đưa chia thành nhiều file ‘.mat’ khác nhau, mỗi file chứa 1 giây dữ liệu của bệnh
nhân trong toàn cuộc khảo sát.
3.3. Chỉnh sử a thuật toán
Thuật toán mô hình vết nổi của bản đồ thờ i gian - tần số nhằm mục đích mô
hình hóa lại bản đồ thờ i gian tần số bằng một tậ p hợ p các hàm tham số cơ bản đượ c
xác định trước đượ c gọi là hàm vết nổi. Mục đích của phương pháp này là giảm một
số lượ ng r ất lớ n các tham số (từ hàng ngàn) để miêu tả bản đồ thờ i gian – tần số bằng
tổng các hàm tham số. Từ đó ta sẽ thu đượ c một k ết quả dùng để phân tích, tìm hiểu
và xác định tự động cho các công việc k ế tiế p. Thuật toán mô hình vết nổi trước đây
đã được dùng để tìm ra các dao động tần số cao HFOs trong [2, 10]. Những chi tiết
khác biệt và cải thiện cho việc tìm ra HFOs dựa trên phần trình bày dưới đây.
3.3.1. Thay đổ i độ phân gi ải vàc ử a s ổ hóa
Phần mở r ộng của wavelet là tần số phụ thuộc: ở tần số cao,