Xem mẫu
- Phân tích tín hiệu điện não trong các cơn động kinh
bằng phương pháp đánh giá entropy
Phạm Văn Thuận và Trần Ngọc Quang
Bộ môn Điện Tử Y Sinh-Khoa Kỹ Thuật Điều Khiển,
Học Viện Kỹ Thuật Quân Sự
Email: thuanysinh@gmail.com, ngocquangbme@gmail.com
Abstract— Trong bài báo này chúng tôi tiến hành thực nghiệm với K là hằng số phụ thuộc vào đơn vị đo đã chọn và cơ số log
phân tích và đánh giá sự thay đổi entropy của tín hiệu EEG (nếu k = 1 thì cơ số log là 2) và entropy đo bằng bit, Pi là xác
trước, trong và sau cơn động kinh. Xây dựng phần mềm phân suất của sự kiện i. N là tổng số giá trị ban đầu.
tích chỉ số Sample entropy của tín hiệu điện não để tiến tới xây Khi tính toán thực tế thì xác suất Pi được thay bằng các
dựng công cụ tự động phát hiện các cơn động kinh trong các bản
đánh giá của nó - tần số xuất hiện chuỗi các biểu tượng trong
ghi điện não hỗ trợ cho các bác sỹ chuẩn đoán bệnh.
không gian pha với chiều đã chọn. Chiều L được hiểu số lượng
Keywords- EEG, Động kinh, Entropy, Sample entropy mẫu của tín hiệu khảo sát trong chuỗi biểu tượng với i =
1...(N-L+1).
I. GIỚI THIỆU Entropy điều kiện được xác định như là hiệu các giá trị
entropy không điều kiện xảy ra khi chuyển từ chiều không gian
Tín hiệu điện não được xem như tổng các điện thế hoạt L-1 sang L
động của các nơron thần kinh ở các vùng khác nhau của não và
L
được thu nhận bằng phương pháp điện não đồ EEG. Thông E( ) E(L) E(L1) (2)
thường tín hiệu điện não đồ EEG được phân tích trong miền L 1
tần số nhờ việc sử dụng phép biến đổi Fourier nhanh. Các Để phân tích tín hiệu điện não EEG có thể dùng Entropy
nghiên cứu về sinh lý thần kinh đã chỉ ra rằng hệ thống nơron
thần kinh biểu hiện các tính chất của các tiến trình hỗn loạn và Shannon như là chỉ số mức độ có thể dự báo giá trị biên độ tín
phi tuyến.Vì vậy có thể sử dụng các phương pháp của lý hiệu EEG, chỉ số này nhận được trên cơ sở đánh giá mật độ
thuyết động lực phi tuyến để phân tích tín hiệu điện não, một xuất hiện giá trị biên độ tín hiệu EEG trên khoảng khảo sát.
trong số đó là phương pháp phân tích entropy. Entropy xấp xỉ (AE - Approximate Entropy)
Entropy thường được xem như là chỉ số mức độ hỗn loạn Một thuật toán biến thể tính Entropy do Kolmogorov đưa ra
của một hệ động lực và có thể dùng để phân tích tính không dự năm 1991 đó là Entropy xấp xỉ - thước đo mức độ phức tạp của
báo trước của tín hiệu EEG [1]. Đã có nhiều nghiên cứu dùng hệ thống. Do thuật toán có thể tính toán với mẫu chọn ngắn
entropy tín hiệu EEG để theo dõi độ sâu gây mê [3,4], đánh (tới 1000 mẫu) và ổn định khi có nhiễu tác động nên thuật toán
giá giai đoạn giấc ngủ [5], , phát hiện các bệnh như alzheimer tính AE được dùng để phân tích dữ liệu online. Thuật toán tính
[6], hay phát hiện các cơn động kinh [7,8,9] . Bai và các cộng AE được thể hiện như sau:
sự [2] đã sử dụng entropy để phân tích tín hiệu điện não trong Chọn giá trị các tham số: m - độ dài của chuỗi phân tích
các cơn động kinh và nhận thấy entropy giảm xuống trong cơn. (bản chất đó là chiều không gian), r - ngưỡng xác định kích
Cách tiếp cận Entropy để phân tích tín hiệu y sinh được các
thước ô không gian; r = 0.05 - 0.3, SDx - độ lệch chuẩn. R -
nhà nghiên cứu đặc biệt quan tâm bởi những yếu tố sau: thứ
nhất, khác với phương pháp tần số thì các phương pháp dùng kích thước ô.
Entropy có tính đến môi trường phi tuyến của tín hiệu, thứ hai Từ các giá trị mẫu rời rạc đã cho của tín hiệu x(i) tạo ra
là các phương pháp Entropy dùng mẫu ngắn, thứ ba là các chuỗi độ dài m
phương pháp Entropy ổn định trong nhiễu. Entropy phụ thuộc X (i) x(i), x(i 1),...x(i m 1), i i...( N m 1)
trực tiếp tín hiệu phân tích. Một chuỗi giá trị được hiểu như một điểm trong không
II. CƠ SỞ LÝ THUYẾT gian m chiều. Ví dụ: (m=2) trong mặt phẳng, (m=3) trong
không gian 3 chiều. Ở vùng lân cận mỗi điểm đó ta dựng một
Lần đầu tiên khái niệm entropy được Shannon đưa ra và xem hình cầu bán kính R và đánh giá xác suất rơi vào bên trong
như là một đơn vị đo thông tin (vào giữa thế kỷ XX). Ông đề hình cầu đó của các điểm khác (như vậy xác suất có thể coi là
xuất đánh giá thông tin trung bình (tính k dự báo) với xác suất tần số rơi vào hình cầu bán kính R). Tổng các giá trị tần số
các khởi đầu của nó. (xác suất) được xem là giá trị không điều kiện của AE.
N
H K Pi log 2 Pi.
N m 1
1
i 1
(1) m ln Crm (i)
N m 1 i 1
(3)
5
- Trong đó Crm (i ) - tần số rơi vào hình cầu i
Giá trị điều kiện của AE là hiệu của giá trị không điều kiện
khi chuyển từ không gian m chiều sang m+1, tức là:
AE(m) m (r ) m1 (r ) (4)
Entroly lựa chọn (SE- Sample Entropy)
Entropy lựa chọn là một trong số Entropy dạng mới và cho
thấy kết quả rất tốt khi phân tích tín hiệu điện não so với các
phương pháp khác.
Việc tính SE cũng giống như tính AE, tuy nhiên có một số
điểm khác như sau:
- Thay đổi thứ tự lấy logarit và tính trung bình
- Khi đếm số điểm rơi vào bên trong hình cầu bán kính R sẽ
không tính điểm ban đầu (điểm hiện thời), như vậy đánh giá
riêng xác suất sẽ giảm đi một:
Hình 1. Tín hiệu EEG bản ghi chb01_02
1 N m m
m (r ) Cr (i )
N m i 1
……. (5)
m (r )
SE (m, r , N ) ln
m1 (r )
Trong bài báo này chúng tôi sử dụng Sample Entropy để
đánh giá tín hiệu điện não EEG trước trong và sau cơn động
kinh, trên bộ cơ sở dữ liệu “CHB-MIT scalp EEG database”
được chia sẻ tại physionet.org.
III. PHÂN TÍCH VÀ XỬ LÝ DỮ LIỆU
3.1 Dữ liệu phân tích
Dữ liệu phân tích khai thác từ cơ sở dữ liệu “CHB-MIT
scalp EEG database” được chia sẻ tại physionet.org. Cơ sở dữ
liệu này được thu thập tại Bệnh viện Nhi Boston, bao gồm các
bản ghi EEG từ các bệnh nhân là trẻ em với các cơn động
kinh. Các bệnh nhân này đã được theo dõi trong vài ngày sau
khi ngừng thuốc chống động kinh để xác định cơn động kinh
và đánh giá khả năng của họ khi can thiệp phẫu thuật. Hình 2. Tín hiệu EEG bản ghi chb01_03
Tần số lấy mẫu của tất cả các bản ghi là 256 mẫu/giây, với
độ phân giải 16 bit. Hầu hết mỗi bản ghi bao gồm 23 tín hiệu Hình 2 là đồ thị biểu diễn 8 tín hiệu EEG của bản ghi
EEG (một số tường hợp là 24 hoặc 26) với thời gian khoảng 1 chb01_03, trích một đoạn trong cơn động kinh từ giây 2996
giờ. Vị trí gắn điện cực theo chuẩn 10 – 20 quốc tế, tên của đến giây 3036 của bản ghi.
từng tín hiệu EEG được gắn theo các bản ghi.
Trong tất cả các bản ghi có tổng cộng 198 cơn động kinh, 3.2 Phần mềm xử lý dữ liệu
thời điểm bắt đầu và kết thúc của từng cơn động kinh đều Nhóm nghiên cứu đã xây dựng công cụ phân tích tín hiệu điện
được ghi chú lại. Các bản ghi trong cơ sở dữ liệu với những não dựa trên phần mềm Matlab.
thông tin rất đầy đủ, giúp cho nhóm tác giả có thể dễ dàng xác Công cụ cho phép lựa chọn các bản ghi dữ liệu, lựa chọn
định các tín hiệu EEG, các phân đoạn trước, trong và sau cơn khoảng thời gian, các kênh cần xử lý trên đoạn bản ghi đó đồng
động kinh. thời hiển thị hình ảnh tín hiệu EEG của bản ghi và sự biến thiên
Hình 1 là đồ thị biểu diễn 8 tín hiệu EEG của bản ghi Sample Entropy theo thời gian đoạn khảo sát. Ngoài ra, công
chb01_02 (bản ghi này không có cơn động kinh nào) cụ còn cho phép tính toán giá trị trung bình của Sample
Entropy trong từng khoảng thời gian ngắn tùy thuộc vào lựa
chọn của người nghiên cứu.
Mỗi giá trị Sample Entropy được tính trong khoảng thời
gian 1 giây (256 mẫu).
6
- Hình 3. Giao diện công cụ xử lý dữ liệu
Trong bài báo này, chúng tôi thực hiện các phân tích đối với
các đoạn tín hiệu EEG có các cơn động kinh, trích đoạn phân IV. KẾT QUẢ
tích bao trùm khoảng thời gian trước, trong và sau cơn động Bản ghi chb01_03_edfm có độ dài 3600s và có một cơn
kinh ở mỗi bản ghi. Giá trị trung bình Sample Entropy được động kinh bắt đầu từ giây thứ 2996 đến 3036, chúng tôi tiến
tính trong mỗi khoảng 15 giây tín hiệu. hành phân tích trong khoảng thời gian từ 2850s đến 3150s
Hình 4. Tín hiệu điện não kênh 1 bản ghi chb01_03_edfm.
Hình 5. Biến thiên Sample Entropy theo thời gian phân tích (kênh 1 bản ghi chb01_03_edfm)
7
- Hình 6. Biến thiên Sample Entropy theo thời gian phân tích (kênh 1-5 bản ghi chb01_03_edfm)
Trích đoạn Giá trị Sample Entropy trung bình của các kênh
Ghi chú
phân tích (giây) 1 2 3 4 5
2850-2865 0.0742 0.0699 0.0417 0.0477 0.0454
2865-2880 0.0469 0.0531 0.0411 0.0481 0.0246
2880-2895 0.0382 0.0421 0.041 0.0597 0.0182
2895-2910 0.0484 0.0528 0.0504 0.0732 0.0226
2910-2925 0.0524 0.0378 0.0346 0.0459 0.0199
2925-2940 0.0241 0.0399 0.0395 0.0841 0.0261
2940-2955 0.0241 0.037 0.0443 0.0605 0.0189
2955-2970 0.0207 0.0385 0.0392 0.0555 0.0179
2970-2985 0.0298 0.0454 0.0349 0.0673 0.0093
2985-3000 0.0195 0.0356 0.0308 0.0527 0.0215
3000-3015 0.0039 0.0046 0.0043 0.0057 0.0039 động kinh
3015-3030 0.0039 0.0039 0.004 0.0049 0.0039 động kinh
3030-3045 0.004 0.0043 0.0043 0.0065 0.0039
3045-3060 0.0061 0.0045 0.0048 0.0095 0.0065
3060-3075 0.022 0.009 0.01 0.016 0.012
3075-3090 0.015 0.0296 0.0109 0.0184 0.0131
3090-3105 0.0566 0.019 0.0136 0.0233 0.0346
3105-3120 0.0816 0.0324 0.0392 0.0697 0.049
3120-3135 0.0977 0.0326 0.0265 0.0311 0.0416
3135-3150 0.061 0.033 0.0258 0.051 0.0438
Bảng 1. Giá trị trung bình Sample Entropy của 5 kênh EEG (1-5) bản ghi chb01_03_edfm
thời gian từ 2850s đến 3150s
Bản ghi chb01_16_edfm có độ dài 3600s và có một cơn
động kinh bắt đầu từ giây thứ 1015 đến 1066, chúng tôi tiến
hành phần tích trong khoảng thời gian từ 940s đến 1150s
Hình 7. Tín hiệu điện não kênh 7 bản ghi chb01_16_edfm
8
- Hình 8. Biến thiên Sample Entropy theo thời gian phân tích (kênh 7 bản ghi chb01_16_edfm)
Hình 9. Biến thiên Sample Entropy theo thời gian phân tích (kênh 6-10 bản ghi chb01_16_edfm)
Trích đoạn Giá trị Sample Entropy trung bình của các kênh
Ghi chú
phân tích (giây) 6 7 8 9 10
940-955 0.0057 0.0091 0.0093 0.0044 0.0048
955-970 0.0042 0.0061 0.0047 0.0041 0.0042
970-985 0.0041 0.0071 0.0053 0.0048 0.0044
985-1000 0.0044 0.0063 0.00412 0.0043 0.0045
1000-1015 0.004 0.005 0.0041 0.0039 0.004
1015-1030 0.004 0.005 0.0039 0.0039 0.0039 động kinh
1030-1045 0.0039 0.004 0.0039 0.0039 0.0039 động kinh
1045-1060 0.0039 0.0039 0.0039 0.0039 0.004 động kinh
1060-1075 0.0048 0.006 0.0044 0.0047 0.0039
1075-1090 0.004 0.005 0.004 0.004 0.004
1090-1105 0.0059 0.006 0.0064 0.0085 0.004
1105-1120 0.0055 0.006 0.0045 0.0059 0.0042
1120-1135 0.011 0.0073 0.0072 0.0067 0.006
1135-1150 0.018 0.011 0.0094 0.0093 0.0064
Bảng 2. Giá trị trung bình Sample Entropy của 5 kênh EEG (6-10) bản ghi chb01_16_edfm
thời gian từ 940s đến 1150s
cơn động kinh. Có thể sử dụng giá trị entropy trong cơn để
V. KẾT LUẬN chính xác lại khoảng thời gian tồn tại cơn trong các bản ghi.
Các kết quả phân tích cho thấy, trong thời điểm cơn động Như vậy, dựa trên kết quả phân tích tín hiệu điện não trong
kinh đang diễn ra thì giá trị Sample Entropy của tín hiệu EEG các cơn động kinh bằng phương pháp đánh giá entropy chúng
ít biến thiên nhất và đạt giá trị trung bình nhỏ nhất. Giá trị ta có thể tiến tới xây dựng được thuật toán và công cụ phần
trung bình đó xấp xỉ 0.004. Trước khi vào cơn động kinh thì mềm để tự động phát hiện các cơn động kinh trong các bản ghi
tốc độ biến thiên Sample Entropy giảm dần và tăng dần sau điện não.
9
- TÀI LIỆU THAM KHẢO
[1] Цветков О. В. Энтропийный анализ данных в физике, биологии
и технике. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2015. 202 с
[2] D. Bai, T. Qiu, Li, The sample entropy and its application in EEG based
epilepsy detection, J. Biomed. Eng. 24 (1) (2007) 200–205.
[3] Bruhn J. et al. Shannon entropy applied to the measurement of the
electroencephalographic effects of des-flurane // Anesthesiology. 2001.
Vol. 95. P. 30-35
[4] Немирко А.П., Манило Л.А., Калиниченко А.Н., Волкова С.С..
Энтропийные методы оценки уровня анестезии по ЭЭГ-сигналу. –
«Информационно-управляющие системы», №3, 2010
[5] Bruce Eugene N, Bruce Margaret C, Vennelaganti S. Sample entropy
tracks changes in EEG power spectrum with sleep state and aging //
Journal of Clinical Neurophysiology. 2009. Vol. 26(4). P. 257 – 266.
[6] Abásolo D.,Hornero R., Espino P. Entropy analysis of the EEG
background activity in Alzheimer’s disease patients // Physiological
Measure-ment. 2006. Vol. 27(3). P. 241 – 253.
[7] Srinivasan, V., Eswaran, C., & Sriraam. Approximate entropy-based
epileptic EEG detection using artificial neural networks. IEEE
Transactions on information Technology in Biomedicine. 2007.11(3);
288-295.
[8] Song, Y., & Liò, P. A new approach for epileptic seizure detection:
sample entropy based feature extraction and extreme learning machine.
Journal of Biomedical Science and Engineering, 2010. 3, 556-556.
[9] Song, Y., Crowcroft, J., & Zhang, J. Automatic epileptic seizure
detection in EEGs based on optimized sample entropy and extreme
learning machine. Journal of neuroscience methods. 2012. 210(2), 132-
146.
10
nguon tai.lieu . vn