Luận án Phân tích tín hiệu điện não bằng phương pháp cửa sổ trượt Entropy mẫu (Sample Entropy) hỗ trợ phát hiện bệnh động kinh

Động kinh là một rối loại chức năng não bộ khá phổ biến ở Việt Nam. Một
thống kê gần đây cho khu vực miền Bắc chỉ ra rằng tỉ lệ mắc bệnh động kinh
là 0,44%[1]. Tuy nhiên việc sử dụng các bản ghi EEG trong chẩn đoán và điều
trị bệnh động kinh vẫn còn ở giai đoạn sơ khai do một số lí do sau:
- Sự khan hiếm của các bác sĩ thần kinh có kinh nghiệm để có thể đưa
ra các phân tích chất lượng cao dựa trên thông tin EEG,
- Hầu hết các bác sĩ chuyên khoa hiện nay vẫn phân tích và chẩn đoán
động kinh từ số liệu đo thô trực tiếp từ máy điện não mà không qua
công đoạn xử lý tinh vi.
- Quy trình đo tín hiệu điện não không đáp ứng hoàn toàn chuẩn quốc
tế thông thường (thời gian ghi điện não tối thiểu là 20 phút trong khi
chúng ta hầu hết chỉ đo 10 phút do quá tải bệnh nhân mà nguồn lực
không đáp ứng kịp).
Các nghiên cứu áp dụng công nghệ mà cụ thể là xử lý tín hiệu điện não
cho động kinh hầu như rất ít. Luận án Ts. Nguyễn Thị Anh Đào[2] sử dụng các
đặc trưng hình thái gai sóng để phát hiện các gai động kinh với độ chính xác
88.5%; phương pháp này chỉ phát hiện các gai sóng trên từng kênh riêng lẻ chứ
không xử lý đa kênh do khối lượng tính toán rất lớn. 
pdf 124 trang phubao 26/12/2022 14502
Bạn đang xem 20 trang mẫu của tài liệu "Luận án Phân tích tín hiệu điện não bằng phương pháp cửa sổ trượt Entropy mẫu (Sample Entropy) hỗ trợ phát hiện bệnh động kinh", để tải tài liệu gốc về máy hãy click vào nút Download ở trên.

File đính kèm:

  • pdfluan_an_phan_tich_tin_hieu_dien_nao_bang_phuong_phap_cua_so.pdf
  • pdfCong van, Quyet dinh HD Tran Ngoc Quang.pdf
  • pdfDong gop moi LA Tran Ngoc Quang.pdf
  • pdfTTLA Tran Ngoc Quang.pdf

Nội dung text: Luận án Phân tích tín hiệu điện não bằng phương pháp cửa sổ trượt Entropy mẫu (Sample Entropy) hỗ trợ phát hiện bệnh động kinh

  1. 87 điểm đầu tiên và điểm kết thúc cơn động kinh được phát hiện bằng thuật toán có chênh lệch so với nhận định của bác sỹ, điều này là hoàn toàn bình thường vì chẩn đoán động kinh hiện nay chủ yếu dựa trên kinh nghiệm của bác sỹ và giữa các bác sỹ cũng chưa có sự thống nhất về điểm bắt đầu và kết thúc một cơn động kinh[31]. Sai số trung bình về điểm khởi phát cơn so với đánh giá chuẩn của các chuyên gia là 4,114 giây và điểm kết thúc là 4.3 giây. b 7Bảng 4.3. Kết quả tự động phát hiện cơn động kinh với bộ dữ liệu CH-MIT BẢNG THỐNG KÊ KẾT QUẢ TỰ ĐỘNG PHÁT HIỆN ĐỘNG KINH N Entropy = 128 , cửa sổ 4 giây, ngưỡng 0.006 Sai số thời Sai số thời Khoảng động kinh Khoảng động gian điểm gian điểm phát hiện theo kinh do bác sỹ khởi đầu cơn kết thúc cơn STT Tên file dữ liệu thuật toán chẩn đoán động kinh động kinh (giây) (giây) (giây) (giây) 1 chb01_03.edf 3000-3040 2996-3036 4 4 2 chb01_04.edf 1468-1510 1467-1494 1 16 3 chb01_15.edf 1732-1774 1732 -1772 0 2 4 chb01_16.edf 1001-1070 1015-1066 14 4 5 chb01_18.edf 1720-1811 1720-1810 0 1 6 chb01_21.edf 326-421 327-420 1 1 7 chb01_26.edf 1862.5-1967 1862-1963 0.5 4 8 chb02_16.edf 132-220 130-212 2 8 9 chb02_16+.edf 2977-3082 2972-3053 5 29 10 chb02_19.edf 3358-3387 3369-3378 11 9 11 chb03_01.edf 368-414.5 362-414 4 0.5 12 chb03_02.edf 733-796 731-796 2 0 13 chb03_03.edf 432-502.5 432-501 0 0.5 14 chb03_04.edf 2162-2215 2162-2214 0 1 15 chb03_34.edf 1982-2050 1982-2029 0 21 16 chb03_35.edf 2593-2670 2592-2656 1 14 17 chb03_36.edf 1726-1791 1725-1778 1 13
  2. 89 BẢNG THỐNG KÊ KẾT QUẢ TỰ ĐỘNG PHÁT HIỆN ĐỘNG KINH N Entropy = 128 , cửa sổ 4 giây, ngưỡng 0.006 Sai số thời Sai số thời Khoảng động kinh Khoảng động gian điểm gian điểm phát hiện theo kinh do bác sỹ khởi đầu cơn kết thúc cơn STT Tên file dữ liệu thuật toán chẩn đoán động kinh động kinh (giây) (giây) (giây) (giây) 44 chb09_08_2.edf 9192-9268.5 9196-9267 4 1.5 45 chb09_19.edf 5298-5357 5299-5361 1 4 46 chb10_12.edf 6314-6352 6313-6348 1 4 47 chb10_20.edf 6890.5-6958 6888-6958 2.5 0 48 chb10_30.edf 3021.5-3072.5 3021-3079 0.5 6.5 49 chb10_31.edf 3805.5-3879.5 3801-3877 4.5 2.5 50 chb10_38.edf 4616.5-4707.5 4618-4707 1.5 0.5 51 chb10_89.edf 1380.5-1431.5 1383-1437 2.5 5.5 52 chb10_27.edf 2378.5-2448.5 2382-2447 3.5 1.5 53 chb11_82.edf 303.5-324 298-320 5.5 4 54 chb11_92.edf 2699.5-2730 2695-2727 4.5 3 55 chb11_99.edf 1453.5-2206 1454-2206 0.5 0 56 chb12_06-1.edf 1664.5-1710.5 1665-1726 0.5 15.5 57 chb12_06-2.edf 3412.5-3450 3415-3447 2.5 3 58 chb12_08-1.edf 1430.5-1439 1426-1439 4.5 0 59 chb12_09-1.edf 3084-3114.5 3082-3114 2 0.5 60 chb17a_03.edf 2291.5-2364 2282-3373 9.5 9 61 chb17a_04.edf 3043-3121.5 3025-3140 3 18.5 62 chb17b_63.edf 3146.5-3222 3136-3224 10.5 2 63 chb19_29.edf 2971-3040.5 2964-3041 7 0.5 64 chb19_30.edf 3166-3237 3159-3240 7 3 65 chb20_12.edf 104-123.5 94-123 10 0.5 66 chb20_13_1.edf 1440-1470 1440-1470 0 0 67 chb20_14.edf 1972-2003.5 1971-2009 1 6.5 68 chb20_15_1.edf 404-425 390-425 14 0 69 chb20_15_2.edf 1704.5-1737 1689-1738.5 15.5 1.5
  3. 91 BẢNG THỐNG KÊ KẾT QUẢ TỰ ĐỘNG PHÁT HIỆN ĐỘNG KINH N Entropy = 128 , cửa sổ 4 giây, ngưỡng 0.006 Sai số thời Sai số thời Khoảng động kinh Khoảng động gian điểm gian điểm phát hiện theo kinh do bác sỹ khởi đầu cơn kết thúc cơn STT Tên file dữ liệu thuật toán chẩn đoán động kinh động kinh (giây) (giây) (giây) (giây) 96 chb24_13.edf 3291-3304.5 3288-3304 3 0.5 97 chb24_14.edf 1940.5-1957.5 1939-1966 1.5 8.5 98 chb24_15.edf 3554.5-3574.5 3552-3569 2.5 5.5 99 chb24_17.edf 3517-3588.5 3515-3581 2 7.5 100 chb24_21.edf 2805.5-2887 2804-2882 1.5 5 Sai số trung bình(giây) 4.114 4.3 Bảng số 4.4 thống kê kết quả phân tích vùng nghi ngờ khởi phát động kinh (ổ động kinh) trên các bản ghi khác nhau của 06 bệnh nhân khác nhau. Mỗi bệnh nhân đều được phân tích ít nhất 2 cơn khác nhau để tìm các kênh có điểm khởi phát động kinh sớm nhất và đều cho kết quả vùng khởi phát là đồng nhất. Qua kết quả đánh giá của thuật toán các vùng khởi phát động kinh tương ứng với các kênh có thời điểm bắt đầu động kinh sớm nhất và vùng nghi ngờ khởi phát động kinh được khoanh vùng đánh dấu trên sơ đồ bố trí điện cực. b 8Bảng 4.4. Kết quả phát hiện vùng khởi phát động kinh với bộ dữ liệu CH-MIT Thứ tự Thứ Thời điểm Hình ảnh vùng não bệnh Tên file dữ liệu tự Tên kênh khởi phát nghi ngờ khởi phát nhân kênh (giây) động kinh 21 FT9-FT10 1464 1 chb01_04_edfm 14 F8-T8 1465.5 10 F4-C4 1466.5
  4. 93 Thứ tự Thứ Thời điểm Hình ảnh vùng não bệnh Tên file dữ liệu tự Tên kênh khởi phát nghi ngờ khởi phát nhân kênh (giây) động kinh 21 FT9-FT10 732 chb03_02_edfm 1 FP1-F7 735 4 P7-O1 735 21 FT9-FT10 2161.5 chb03_04_edfm 1 FP1-F7 2162 5 FP1-F3 2162 2 F7-T7 400.5 chb05_06_edfm 6 F3-C3 400.5 7 C3-P3 400.5 5 FP1-F3 1075.5 4 chb05_13_edfm 6 F3-C3 1075.5 20 T7-FT9 1075.5 5 FP1-F3 2303 chb05_16_edfm 6 F3-C3 2303 20 T7-FT9 2301 2 F7-T7 1718.5 6 F3-C3 1718.5 5 chb06_01_edfm 7 C3-P3 1718.5 8 P3-O1 1718.5
  5. 95 Bảng 4.5 đưa ra thông tin về thời gian phân tích đối với những đoạn bản ghi EEG có độ dài khác nhau. Đối với đoạn dữ liệu EEG 23 kênh có độ dài 4 giây thì thời gian phân tích chỉ 1.5 giây, phù hợp với ứng dụng vào phân tích dữ liệu online. 9Bảng 4.5. Thời gian xử lý dữ liệu Độ dài dữ liệu thực Số kênh tín hiệu Thời gian phân tích (Giây) (Kênh) (Giây) 4 23 1.5 3600 23 768 4 1 0.35 4.3. Đánh giá kết quả nghiên cứu 4.3.1. Đánh giá hiệu suất của thuật toán Để đánh giá hiệu suất của thuật toán phát hiện cơn động kinh luận án đã sử dụng các chỉ số dưới đây: Số cơn động kinh mà cả thuật toán và chuyên gia đều TP (True positive) ghi nhận. Số cơn động kinh mà cả thuật toán và chuyên gia đều TN(True negative) không ghi nhận. Số cơn mà thuật toán phát hiện nhưng không đúng FP(False positive) theo chuyên gia. Số cơn mà chuyên gia ghi nhận nhưng thuật toán FN(False negative) không phát hiện ra. Lỗi/h Số phát hiện sai/01h dữ liệu. Sử dụng những chỉ số để tính toán độ nhạy (SEN), độ xác định (SPE), độ chọn lọc(SEL) và hiệu suất của thuật toán (ACC) như sau:
  6. 97 4.3.2. So sánh kết quả nghiên cứu với một số nghiên cứu khác Hai bộ dữ liệu sử dụng trong luận án là hai bộ dữ liệu chuẩn quốc tế và đã được nhiều nhà khoa học sử dụng trong các công trình nghiên cứu về động kinh. Bảng 4.8 và bảng 4.9 dưới đây đã thống kê một số kết quả nghiên cứu gần đây đối với từng bộ dữ liệu: - Bộ dữ liệu 1. b 12Bảng 4.8. Bảng so sánh kết quả nghiên cứu bộ dữ liệu 1 Tác giả Năm Đặc trưng và ACC SEN SPE Sai số Lỗi/h công phương pháp (%) (%) (%) thời bố phân loại gian (giây) Yuedong 2010 SE 95.67 Song[51] ELM Peng Li[49] 2016 SE 97 Ngưỡng Mursalin[55] 2017 Entropy 98.45 DWT ICFS Peng Li[50] 2018 Fuzzy Entropy 93 91 96 Ngưỡng Aung, Si 2020 Distribution 91 92.5 85 Thu[20] Entropy Thuật toán 2020 SE 97.25 100 94.5 cửa sổ trượt ngưỡng SE - Bộ dữ liệu 2 b 13Bảng 4.9. Bảng so sánh kết quả nghiên cứu bộ dữ liệu 2 Tác giả Năm Đặc trưng và ACC SEN SPE Sai số Lỗi/h công phương pháp (%) (%) (%) thời bố phân loại gian (giây) Ali Hossam 2003 WT 8.0 11/49 Shoeb[71] SVM ±3.2 Ali Shoeb 2010 Power 96 4.6 [70] Spectrum SVM
  7. 99 trong luận án có độ chính xác cao trong việc xác định các cơn động kinh trên bản ghi EEG đa kênh (96.5-97.25%), bên cạnh đó thuật toán này là một trong số ít các thuật toán tìm ra thời điểm khởi đầu và kết thúc cơn động kinh với độ phân giải thời gian(0.5s) và sai số thấp (4.1-4.3s). Ngoài ra luận án cũng đề xuất phương pháp mới xác định vùng nghi ngờ khởi phát động kinh trên các bản ghi EEG, tuy nhiên những phát hiện này chỉ mang tính chủ quan theo kết quả tính toán do không có cơ sở đối chiếu (các bộ dữ liệu dùng để nghiên cứu trong luận án này không có thông tin về vùng khởi phát động kinh và cũng chưa có nghiên cứu nào khảo sát vùng khởi phát).
  8. 101 tìm ra thời điểm khởi đầu và kết thúc cơn động kinh với độ phân giải thời gian (0.5s) và sai số thấp (4.1-4.3s). Ngoài ra luận án cũng đề xuất phương pháp mới xác định vùng nghi ngờ khởi phát động kinh trên các bản ghi EEG, tuy nhiên những phát hiện này chỉ mang tính chủ quan theo kết quả tính toán do không có cơ sở đối chiếu (các bộ dữ liệu dùng để nghiên cứu trong luận án này không có thông tin về vùng khởi phát động kinh và cũng chưa có nghiên cứu nào khảo sát vùng khởi phát). Đối với đề tài này, luận án đã đạt được các kết quả nghiên cứu mới như sau: - Trên cơ sở các bản ghi điện não đồ EEG, ứng dụng cửa sổ trượt SE với các tham số phù hợp, đã xây dựng được thuật toán và hệ thống tự động xác định các cơn động kinh với các thông số về điểm khởi đầu và kết thúc cơn có độ chính xác cao, đồng thời đề xuất thuật toán tách và ghép cơn động kinh trong các bản ghi EEG - Xây dựng thuật toán xử lý đa kênh tín hiệu EEG trên cơ sở cửa sổ trượt SE để phát hiện vùng nghi ngờ khởi phát cơn động kinh. So sánh kết quả nghiên cứu của luận án với các công trình nghiên cứu khác cho thấy độ chính xác phát hiện của phương pháp cửa sổ trượt SE cao hơn, độ nhạy, độ đặc hiệu cũng như hiệu suất của phương pháp cũng cao. Bên cạnh đó, tốc độ xử lý của thuật toán tương đối nhanh nên có thể ứng dụng xử lý dữ liệu online. Tuy nhiên phương pháp này cũng còn những hạn chế như: - Ngưỡng phân loại thấp sẽ khó xác định các cơn động kinh ngắn (dấu hiệu động kinh sớm). - Chưa loại bỏ được hết các nhiễu trong tín hiệu điện não (nhiễu mắt và nhiễu do tiếp xúc điện cực, nhiễu do bệnh nhân chuyển động )
  9. 103 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 1. Trần Ngọc Quang, Phạm Văn Thuận, Vương Trí Tiếp, Phân tích tín hiệu điện não trong các cơn động kinh bằng phương pháp đánh giá entropy . REV-CT2018 ISBN: 978-604-80-3579-2 2. Trần Ngọc Quang, Phạm Văn Thuận, Vương Trí Tiếp, Phân tích kích thước tương quan tín hiệu điện não trong các cơn động kinh. VCCA-2019 ISBN: 978-604-95-0875-2 3. Trần Ngọc Quang, Phạm Văn Thuận, Vương Trí Tiếp, Tự động phát hiện các cơn động kinh bằng phương pháp cửa sổ trượt Entropy. Tạp chí Khoa học và Kỹ thuật - Số 201- 2019- Học viện KTQS. 4. Trần Ngọc Quang , Phạm Văn Thuận , Nguyễn Thị Ngọc Mai, Phạm Đức Khánh, Phạm Duy Thái, Xử lý đa kênh tín hiệu điện não bằng phương pháp cửa sổ trượt Entropy để xác định vị trí vùng động kinh. Tạp chí nghiên cứu KH&CN Quân sự số 69-10/2020.
  10. 105 9. EEG time series download page [online] (2016), bonn.de/cms/front_content.php?idcat=193&lang=3&changelang=3, Department of Epileptology, Bonn University. 10. Nicholas S. Abend, Courtney J. Wusthoff (2012), Neonatal seizures and status epilepticus, Journal of clinical neurophysiology : official publication of the American Electroencephalographic Society, Vol 29(5), p. 441-448. 11. U. Rajendra Acharya, Filippo Molinari, S. Vinitha Sree, Subhagata Chattopadhyay, Kwan-Hoong Ng, Jasjit S. Suri (2012), Automated diagnosis of epileptic EEG using entropies, Biomedical Signal Processing and Control, Vol 7(4), p. 401-408. 12. N. Acir, I. Oztura, M. Kuntalp, B. Baklan, C. Guzelis (2005), Automatic detection of epileptiform events in EEG by a three-stage procedure based on artificial neural networks, IEEE Transactions on Biomedical Engineering, Vol 52(1), p. 30-40. 13. Nabeel Ahammad, Thasneem Fathima, Paul Joseph (2014), Detection of Epileptic Seizure Event and Onset Using EEG, BioMed Research International, Vol 2014, p. 450573. 14. A. Alzahy, M. Elgammal, H. Mohammed, H. Mostafa. Optimal EEG Window Size for Neural Seizure Detection. in 2019 8th International Conference on Modern Circuits and Systems Technologies (MOCAST). 2019. 15. Russell Anderson, Jan Jakobsson (2004), Entropy of EEG during anaesthetic induction: A comparative study with propofol or nitrous oxide as sole agent, British journal of anaesthesia, Vol 92, p. 167-70. 16. R. G. Andrzejak, G. Widman, K. Lehnertz, C. Rieke, P. David, C. E. Elger (2001), The epileptic process as nonlinear deterministic dynamics
  11. 107 25. Eugene Bruce, Margaret Bruce, Swetha Vennelaganti (2009), Sample Entropy Tracks Changes in Electroencephalogram Power Spectrum With Sleep State and Aging, Journal of clinical neurophysiology : official publication of the American Electroencephalographic Society, Vol 26, p. 257-66. 26. Jörgen Bruhn, Lutz Lehmann, Heiko Roepcke, Thomas Bouillon, Andreas Hoeft (2001), Shannon Entropy Applied to the Measurement of the Electroencephalographic Effects of Desflurane, Anesthesiology, Vol 95, p. 30-5. 27. Wanpracha Chaovalitwongse, Oleg Prokopyev, Panos Pardalos (2006), Electroencephalogram (EEG) time series classification: Applications in epilepsy, Annals OR, Vol 148, p. 227-250. 28. M. E. Cohen, D. L. Hudson. New chaotic methods for biomedical signal analysis. in Proceedings 2000 IEEE EMBS International Conference on Information Technology Applications in Biomedicine. ITAB-ITIS 2000. Joint Meeting Third IEEE EMBS International Conference on Information Technol. 2000. 29. Philippe Faure, Henri Korn (2001), Is there chaos in the brain? I. Concepts of nonlinear dynamics and methods of investigation, Comptes Rendus de l'Académie des Sciences - Series III - Sciences de la Vie, Vol 324(9), p. 773-793. 30. Robert Fisher, Walter Boas, Warren Blume, Christian Elger, Pierre Genton, Phillip Lee, J. Engel (2005), Epileptic Seizures and Epilepsy: Definitions Proposed by the International League Against Epilepsy (ILAE) and the International Bureau for Epilepsy (IBE), Epilepsia, Vol 46, p. 470-2.
  12. 109 39. N. Kannathal, Min Lim Choo, U. Rajendra Acharya, P. K. Sadasivan (2005), Entropies for detection of epilepsy in EEG, Computer Methods and Programs in Biomedicine, Vol 80(3), p. 187-194. 40. Karsten Keller (2019), Entropy Measures for Data Analysis Theory, Algorithms and Applications, MDPI. 41. Yusuf Khan, Omar Farooq, Priyanka Sharma (2012), Automatic Detection of Seizure ONSET in Pediatric EEG, IJESA, Vol 2. 42. Alexandra Korda, Pantelis Asvestas, George Matsopoulos, Errikos Ventouras, Nikolaos Smyrnis (2018), Automatic identification of eye movements using the largest lyapunov exponent, Biomedical Signal Processing and Control, Vol 41, p. 10-20. 43. Mark Kramer, Andrew Szeri, James Sleigh, Heidi Kirsch (2007), Mechanisms of seizure propagation in a cortical model, Journal of computational neuroscience, Vol 22, p. 63-80. 44. P. K. Kulkarni, Akareddy Sharanreddy Mallikarjun (2013), EEG Signal Classification for Epilepsy Seizure Detection Using Improved Approximate Entropy, International Journal of Public Health Science, Vol 2(1). 45. Yatindra Kumar, M. L. Dewal. Complexity Measures for Normal and Epileptic EEG Signals using ApEn, SampEn and SEN. 2011. 46. Yatindra Kumar, Mohan Dewal, R. s Anand (2012), Features extraction of EEG signals using approximate and sample entropy. 47. Klaus Lehnertz, Christian Elger (1998), Can Epileptic Seizures be Predicted? Evidence from Nonlinear Time Series Analysis of Brain Electrical Activity, Physical Review Letters - PHYS REV LETT, Vol 80, p. 5019-5022.
  13. 111 based Feature Selection with Random Forest Classifier, Neurocomputing, Vol 241. 56. P. Nguyen, Dat Tran, X. Huang, D. Sharma (2012), A proposed feature extraction method for EEG-based person identification, Proceedings of the 2012 International Conference on Artificial Intelligence, ICAI 2012, Vol 2, p. 826-831. 57. Niina Päivinen, Seppo Lammi, Asla Pitkänen, Jari Nissinen, Markku Penttonen, Tapio Grönfors (2005), Epileptic seizure detection: A nonlinear viewpoint, Computer Methods and Programs in Biomedicine, Vol 79(2), p. 151-159. 58. S. M. Pincus, A. L. Goldberger (1994), Physiological time-series analysis: what does regularity quantify?, American Journal of Physiology-Heart and Circulatory Physiology, Vol 266(4), p. H1643- H1656. 59. Steve Pincus (1991), Approximate Entropy as a Measure of System Complexity, Proceedings of the National Academy of Sciences of the United States of America, Vol 88, p. 2297-301. 60. Steve Pincus, D. Keefe (1992), Quantification of hormone pulsatility via an approximate entropy algorithm, The American journal of physiology, Vol 262, p. E741-54. 61. Steven M. Pincus, Igor M. Gladstone, Richard A. Ehrenkranz (1991), A regularity statistic for medical data analysis, Journal of Clinical Monitoring, Vol 7(4), p. 335-345. 62. W. S. Pritchard, D. W. Duke (1995), Measuring Chaos in the Brain - A Tutorial Review of EEG Dimension Estimation, Brain and Cognition, Vol 27(3), p. 353-397.
  14. 113 72. Suhani Shrivastava (2018), Detecting the onset of an epileptic seizure using a novel time-series approach, Computer Science, The University of Houston-Clear lake. 73. Leif Sörnmo, Pablo Laguna (2005), Bioelectrical Signal Processing in Cardiac and Neurological Applications, in Bioelectrical Signal Processing in Cardiac and Neurological Applications, Leif Sörnmo & Pablo Laguna, Editors. Academic Press: Burlington. p. vii-xiii. 74. V. Srinivasan, C. Eswaran, N. Sriraam (2007), Approximate Entropy- Based Epileptic EEG Detection Using Artificial Neural Networks, IEEE Transactions on Information Technology in Biomedicine, Vol 11(3), p. 288-295. 75. Borja Vargas, Manuel Varela, Raúl Ruiz-Esteban, David Cuesta-Frau, E. M. Cirugeda-Roldan (2015), What Can Biosignal Entropy Tell Us About Health and Disease? Applications in Some Clinical Fields, Nonlinear Dynamics Psychology and Life Sciences, Vol 19, p. 419-436. 76. Jiang Wu, Tengfei Zhou, Taiyong Li (2020), Detecting Epileptic Seizures in EEG Signals with Complementary Ensemble Empirical Mode Decomposition and Extreme Gradient Boosting, Entropy (Basel, Switzerland), Vol 22(2), p. 140. 77. Jie Xiang, Conggai Li, Haifang Li, Rui Cao, Bin Wang, Xiaohong Han, Junjie Chen (2015), The detection of epileptic seizure signals based on fuzzy entropy, Journal of Neuroscience Methods, Vol 243, p. 18-25. 78. Harumi Yoshinaga, Yoko Ohtsuka, Kei Tamai, Ibuki Tamura, Minako Ito, Iori Ohmori, Eiji Oka (2004), EEG in childhood absence epilepsy, Seizure, Vol 13(5), p. 296-302. 79. Ziling Zhou, Sadasivan Puthusserypady (2008), EOG Artifact Minimization Using Oblique Projection Corrected Eigenvector
  15. 115 PHỤ LỤC A. Mã thuật toán tính SE entropy function start_Callback(hObject, eventdata, handles) % hObject TINH TOAN ENTROPY global val t1 t2 entropy N m1 m2; Octave = exist('OCTAVE_VERSION'); load(handles.mat); handles.mat handles.info = strrep(handles.mat,'.mat','.info'); handles.info fid = fopen(handles.info, 'rt'); fgetl(fid); fgetl(fid); fgetl(fid); [freqint] = sscanf(fgetl(fid), 'Sampling frequency: %f Hz Sampling interval: %f sec'); interval = freqint(2); fgetl(fid); if(Octave) for i = 1:size(val, 1) R = strsplit(fgetl(fid), char(9)); signal{i} = R{2};
  16. 117 m1 = get(handles.menu1,'value'); % lay gia tri kenh m2 = get(handles.menu2,'value'); % lay gia tri kenh set(handles.menu3,'string',m1:m2); % thay doi danh sach chon kenh tinh trung binh entropy = []; %tao mang entropy tenfile = get(handles.text26,'string'); axes(handles.axes1); hold off axes(handles.axes2); hold off f1 = 0.5; f2 = 40; fs =256; w1 = 2*f1/fs; w2 = 2*f2/fs; for p = m1:m2 % ve do thi dien nao val1 = val(p,t1*256:t2*256); % loc tan so a = fir1(100,w1,'high'); %bo loc cat tan so b = fir1(100,w2); %bo loc cat tan so val1 = filter(a,1,val1);
  17. 119 end gtb = tong1/K; % Tinh phuong sai hieu chinh tong2 =0; for i = 1:K tong2 = tong2 + ((vt(i)- gtb)^2); end psai = tong2/(K-1); % Tinh do lech chuan dlech = sqrt(psai); r = 0.15*dlech; y = y+1; se(y) = SampEn(vt,2,r); %SEtrungbinh = SEtrungbinh+se(y); end axes(handles.axes1); x3 = (t1:(t2-t1)/(n1-1):t2); plot(x3,se); xlabel('Time(s)','fontweight','b'); ylabel('Sample Entropy(bit)','fontweight','b'); hold on entropy = [entropy;se];
  18. 121 k = 0; % bien kiem tra so luong SE vuot nguong min_entropy = min(entropy(m3,i+1:i+n)); for j = 1:n x2(j) = (t1+(i+j)*N/256); if abs(entropy(m3,j+i)- min_entropy)> nguong k = k + 1; end end if k t1 theend = [theend,kt]; end end kt = x2(n); if i == t-n theend = [theend,kt]; end axes(handles.axes2);